مقایسه کارایی برخی الگوریتم‌های طبقه‌بندی در مطالعه تغییرات لندفرم‌های بیابانی دشت یزد-اردکان

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه خوارزمی

2 دانشگاه یزد

3 دانشگاه فردوسی مشهد

چکیده

شناخت لندفرم­ها و تغییرات آن‌ها از نیازهای اساسی ژئومورفولوژی مناطق بیابانی به‌منظور مدیریت آن‌هاست. یکی از روش‌هایی که در شناخت تغییرات لندفرم ها مورداستفاده قرار می‌گیرد طبقه‌بندی پدیده‌ها و عوارض زمین با داده‌های سنجش‌ازدور در زمان‌های مختلف می‌باشد. هدف از این پژوهش، کارایی سه الگویتم نظارت‌شده حداکثر شباهت، فاصله ماهالانوبیس و حداقل فاصله برای طبقه‌بندی لندفرم‌های بخشی از دشت یزد-اردکان و بررسی تغییرات آن‌هاست. بدین منظور از تصاویر سنجنده های TM، ETM و OLI ماهواره Landsat مربوط به سال‌های 1987، 2000 و 2016، در بازه زمانی 30 ساله استفاده شد. ابتدا تصحیحات لازم بر روی تصاویر انجام گردید و سپس با بازدیدهای میدانی و بر پایه نقشه‌های توپوگرافی، ژئومورفولوژی و تصاویر گوگل ارث، لندفرم‌های ژئومورفولوژی منطقه موردمطالعه تعریف و نمونه‌های آموزشی انتخاب گردید. نتایج ارزیابی دقت تصاویر طبقه‌بندی نشان داد الگوریتم حداکثر شباهت در سال‌های 1987 و2000 و 2016، به ترتیب با دقت کلی 50/91، 22/93 و 35/93 و ضریب کاپا 87/0، 89/0 و 89/0 نسبت به دو الگوریتم دیگر، عملکرد بهتری در تهیه نقشه ژئومورفولوژی و تغییرات آن داشت. بر این اساس به‌منظور شناخت وضعیت تغییرات لندفرم ها از روش آشکارسازی تغییرات "پس از طبقه‌بندی" از روش الگوریتم حداکثر شباهت استفاده شد و نقشه ماهیت تغییرات تهیه شد. همچنین نتایج طبقه‌بندی و تحلیل تغییرات لندفرم ها  طی 30 سال با روش الگوریتم حداکثر شباهت نشان داد که سبخا و لندفرم‌های موجود بروی دشت‌سر پوشیده به‌جز تپه‌های ماسه‌ای مواج دارای روند نزولی تا سال 2016 بودند و در تغییرات لندفرم‌های بیابانی منطقه عوامل طبیعی توأم با عوامل انسانی نقش داشتند. به‌طورکلی این نتایج نمایانگر آن است که در محدوده موردمطالعه در طی 30 سال، نه‌تنها بر وسعت اراضی بیابانی افزوده نشده است، بلکه از محدوده اراضی بیابانی کاسته شده و بر دیگر کاربری‌ها افزوده‌شده است. همچنین در شرق و غرب منطقه مرز لندفرم ها تغییر کرده است.

کلیدواژه‌ها


عنوان مقاله [English]

Comparison the performance of some classification algorithms in study of desert landforms changes in Yazd-Ardakan plain

چکیده [English]

Introduction
Today, using remote sensing (RS) instead of the visual interpretation to identify landforms and their change detection is a necessity. One of the steps in identification of change detection is the classification of remote sensing data. There are various methods for classification of satellite images used for geomorphological landforms mapping and identification of their variations that each has advantages and limitations. The most common classification methods can be noted the maximum likelihood classification. Other classification methods such as the minimum distance, Mahalanobis distance and neural network have attracted much attention. The main aim of this case study is the classification and surveying of geomorphological landforms changes in part of Yazd-Ardakan plain using Landsat images over 30 years. The study area is located at 31° 47′  16″-32° 13′  20″ northern latitude and 53° 40′  37″-54° 27′  04″ eastern longitude. This area is part of the Saduqh county in Yazd province. The area of the study area is 1563/11 square kilometer.
Methodology
The research method in this study is survey-analytical. To study the changes of desert landforms, satellite imageries of  TM, ETM and OLI of Landsat satellite in 1987, 2000 and 2016 were used. First,  the radiometric and atmospheric corrections was performed using Flaash algorithm, and then the geomorphological landforms were introduced and the training samples were selected by field observations, topography and geomorphology maps and Google Earth images. To classify the landforms, three supervised classification algorithms were used, including maximum likelihood, minimum distance and Mahalanobis distance. Then, the accuracy of classified maps was evaluated using the overall accuracy and the kappa coefficient metrics. Finally,  to evaluate the changes of landforms, the "Post classification" method was used and the change detection map of nature was made. To analyze the database, ENVI 5.3, ArcGIS 10.4.1 and Excel 2013 softwares were used.
Results and discussion
Totally, 15 landforms were identified in the study area Which include Alluvial Fan, Glacis Pediment Plain, Clay Pan, Glacis Dennoyage Plain, Inselberg, Glacis Epandage Plain, Kalut, Erg (barchans, longitudinal dunes, barchanoid), Hill, Mountain, Salt Dome, Sebkha and Sand Sheet. After image correction, geomorphological maps were prepared. The results showed that the best algorithms for classification of landforms is the maximum likelihood method in 1987, 2000 and 2016 years, with the overall accuracy and the Kappa coefficients of 91/50, 93/22 and 93/35 and 0/87, 0/89 and 0/89, respectively. Finally, to investigate the nature of the changes, the comparison method of "post classification" was used that was applied on maximum likelihood algorithm as it had a more favorable outcome. Then, the changes of landforms were calculated in terms of its area and percentage.
The results showed that the dominant class was the Glacis Epandage Plain  in 1987 and 2016, but this class had downward trend in 2000. Then, hills with 17/58 percent of the total area is ranked next highest area in 1987, but this class had downward trend with 11/58 percent in 2016. In 1987, Barkhan class had the lowest area with 0/17 percent but this class had downward trend with 0/11 percent in 2016.
Conclusion
The results of the landforms classification showed that the maximum likelihood algorithm, offerd a more detailed classification method than the minimum distance and Mahalanobis distance algorithms. The area and the percentage of landforms changes over 30 years showed that landforms such as Barchan, Clay Pan, Longitudinal Dunes, Barchanoid and Kalut had a downward trend because they were located in the context of the development of the city. Also the area of sand dunes landforms like Longitudinal Dunes, Barchan and Sand Sheet, had a slight increase until 2000. The results showed that Sabkha area, has been a downward trend over 30 years, The matching of results with the results of previous studies showed that with the increasing of the wells in  Yazd-Ardakan plain, it was provided to cultivate large areas of saline lands. Therefore, the natural and human factors were involved in changes the desert landforms in the study area.

کلیدواژه‌ها [English]

  • Landforms Changes
  • Classification Algorithms
  • Maximum Likelihood
  • Mahalanobis distance
  • Minimum Distance
  • Yazd-Ardakan plain
  • آرخی، صالح، 1393، تهیه نقشه کاربری اراضی دشت عباس ایلام با استفاده از روش‌های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و حداکثر احتمال، نشریه مرتع‌داری، سال اول، شماره 2، صص 43-30.
  • اختصاصی، محمدرضا، حسن احمدی، ناصر باغستانی، علی خلیلی و سادات فیض نیا، 1375، منشأیابی تپه‌های ماسه‌ای در حوزه دشت یزد-اردکان، چاپ اول، انتشارات موسسه تحقیقات جنگل‌ها و مراتع کشور، تهران.
  • اختصاصی، محمدرضا، 1383، بررسی مورفومتری و مورفودینامیک رخساره‌های فرسایش بادی دشت یزد-اردکان و تعیین شاخص‌های این فرایند جهت کاربرد در مدل‌های ارزیابی بیابان‌زایی، رساله دکتری، دانشگاه تهران، دانشکده منابع طبیعی.
  • اکبری، مرتضی، حمیدرضا کریم زاده، رضا مدرس و بهاره چکشی، 1386، ارزیابی و طبقه‌بندی بیابان‌زایی با فناوری سنجش‌ازدور و سیستم اطلاعات جغرافیایی، مطالعه موردی: منطقه خشک شمال اصفهان، فصلنامة تحقیقات مرتع و بیابان ایران، جلد 14، شماره 2، صص 142-124.
  • جمشید مقدم، هادی؛ مجید محمدی اسکوئی و حمید ذکری، 1393، طبقه‌بندی تصاویر استر بر اساس نتایج پردازش داده‌های فراطیفی هایپریون از دیدگاه کانی‌شناسی در منطقه لاهرود، نشریه مهندسی معدن، دوره نهم، شماره 25، صص 108-97.
  • حبیبی، علیرضا، صمد شادفر و معصومه صادقی، 1393، بررسی شدت بیابان‌زایی در رخساره‌های ژئومورفولوژی با استفاده از GIS در استان خوزستان، نشریه تحقیقات کاربردی علوم جغرافیایی، سال چهاردهم، شماره 32، صص 159-141.
  • سعیدزاده، فاطمه، محمودرضا صاحبی، حمید عبادی و وحید صادقی، 1394، آشکارسازی تغییرات تصاویر ماهواره‌ای چند زمانه با استفاده از ترکیب روش‌های ماسک باینری و مقایسه پس از طبقه‌بندی، نشریه علوم و فنون نقشه‌برداری، دوره پنجم، شماره 3، صص 128-111.
  • سفیانیان، علیرضا و ملیحه السادات مدنیان، 1390، مقایسه روش‌های طبقه‌بندی کننده حداکثر مشابهت و حداقل فاصله از میانگین در تهیه نقشه پوشش اراضی، مطالعه موردی: استان اصفهان، مجله علوم و فنون کشاورزی و منابع طبیعی، علوم آب‌وخاک، سال پانزدهم، شماره 57، صص 264-253.
  • سیف، عبدالله و ملیحه محمدی، 1389، شناسایی و جداسازی رخساره‌های ژئومورفولوژی بخشی از پلایای گاوخونی با استفاده از قابلیت‌های RS و GIS، نشریه مرتع و آبخیزداری، مجله منابع طبیعی ایران، دوره 63، شماره 4، صص 488-471.
  • شایان، سیاوش، مجتبی یمانی، منوچهر فرج زاده و علی احمدآبادی، 1391، طبقه‌بندی نظارت‌شده لندفرم‌های ژئومورفولوژیکی مناطق خشک با استفاده از پارامترهای ژئومورفومتریک، مطالعه موردی: منطقه مرنجاب، سنجش‌ازدور و GIS ایران، سال چهارم، شماره 2، صص 28-19.
  • صفری، عبدالرضا، حمیدرضا آوریده، سعید همایونی و صفا خزایی، 1393، برآورد عمق آب‌های ساحلی به کمک تصاویر سنجش‌ازدور فراطیفی، نشریه مهندسی نقشه‌برداری و اطلاعات مکانی، دوره ششم، شماره 1، ص 9-1.
  • عطاپورفرد، عباس، مجید حسینی و محمد خسروشاهی، 1383، شناسایی و تفکیک مناطق بیابانی از دیدگاه ژئومورفولوژیکی، مطالعه موردی: استان تهران، فصلنامه پژوهشی تحقیقات مرتع و بیابان ایران، جلد 11، شماره 3، 286-275.
  • علوی پناه، کاظم، حسن احمدی و چقی بایرام کمکی، 1383، مطالعه رخساره‌های ژئومورفولوژی منطقه یاردانگ بیابان لوت بر اساس تفسیر واحدهای فتومورفیک تصاویر ماهواره‌ای (TM)، مجله منابع طبیعی ایران، جلد 57، شماره 1، صص 34-21.
  • علوی پناه، کاظم، 1379، ارزیابی کارآیی باندهای طیفی ماهواره لندست TM در مطالعات کویرهای ایران، مجله منابع طبیعی ایران، جلد 53، شماره 1، صص 78- 67.
  • فاطمی، سید باقر و یوسف رضایی، ١٣٨٤، مبانی سنجش‌ازدور، چاپ اول، انتشارات آزاده، تهران.
  • کرینسلی، دانیل، 1350، مطالعه ژئومورفولوژی و آب‌وهوای گذشته (پلایای ایران)، سازمان جغرافیای کشور.
  • مرادی، حمیدرضا، محمدرضا فاضل پور، حمیدرضا صادقی و زین‌العابدین حسینی، 1387، بررسی تغییر کاربری اراضی در بیابان‌زایی محدوده شهر اردکان با استفاده از سنجش‌ازدور، فصلنامة تحقیقات مرتع و بیابان ایران، جلد 15، شماره 1، صص 12-1.
  • مقیمی، آرمین، حمید عبادی و وحید صادقی، 1395، مروری بر روش‌های شناسایی تغییرات از تصاویر ماهواره‌ای چند زمانه با رویکرد پیکسل پایه و شئ پایه، نشریه مهندسی نقشه‌برداری و اطلاعات مکانی، دوره هفتم، شماره 2، صص 110-99.
  • ملامهر علیزاده، فاطمه، مهدی جنتی و سیاوش شایان، 1383، کارایی داده‌های سنجش‌ازدور (RS) در تهیه نقشه‌های لندفرم و نقش آن در برنامه‌ریزی محیطی، فصلنامه مدرس علوم انسانی، دوره 9، شماره 4، صص 148-111.
  • میرباقری، وهب، مهران برادران نصیری و محمد زارع ارنانی، 1387، بررسی امکان پایش تغییرات پوشش گیاهی دشت یزد-اردکان با استفاده از تصاویر ماهواره‌ای لندست بین سال‌های 1976-2002، همایش ژئوماتیک 87، تهران، سازمان نقشه‌برداری کشور.
  • نعیمی نظام‌آباد، علی، منیژه قهرودی تالی و محمدرضا ثروتی، 1388، فصلنامه جغرافیایی سرزمین، سال ششم، شماره  22، صص 59-65.
  • یوسفی، صالح، مهدی تازه، سمیه میرزایی، حمیدرضا مرادی و شهلا توانگر، 1393، مقایسة الگوریتم های مختلف طبقه‌بندی تصاویر ماهواره‌ای در تهیه نقشه کاربری اراضی، مطالعه موردی: شهرستان نور، سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، سال پنجم، شماره 3، صص 76-67.
  • Chen, K S., Yen, S K. and Tsay, D W., 1997, Neural classification of SPOT imagery through integration of intensity and fractal information. International Journal of Remote Sensing, Vol. 18, No.4, pp. 763–783.
  • Congalton, R G., 1991, A review of assessing the accuracy of classifications of remotely sensed data, Remote Sensing of Environment, Vol.  37, No. 1, pp. 35-46.
  • Foody, G M., 2002a, Hard and soft classifications by a neural network with a non exhaustively defined set of classes, International Journal of Remote Sensing, Vol.23, No. 18, pp. 3853–3864.
  • Foody, G M., 2004b, Supervised image classification by MLP and RBF neural networks with and without an exhaustively defined set of classes. International Journal of Remote Sensing, Vol. 25, No. 15, pp. 3091–3104.
  • Howald, K J., 1989, Neural network image classification. Proceedings of the ASPRS-ACSM Fall Convention (Falls Church, VA: American Society for Photogrammetry and Remote Sensing), pp. 207-215.
  • Hsu, C, and Lin, C., 2002, A comparison of methods for multi-class support vector machines. IEEE Transactions on Neural Networks, Vol. 13, No. 2, pp. 415–425.
  • Kavzoglu, T, and Mather, P M., 2004, The use of backpropagating artificial neural networks in land cover classification. International Journal of Remote Sensing, Vol. 24, No. 23, pp. 4907–4938.
  • Lillesand, T M, and Kiefer, R W., 1994, Remote sensing & image interpretion, 3th Ed., John wiley and sons Inc., New York, 750 pp.
  • Lu, D, Mausel, P, Brondizio, E, and Moran, E., 2004, Change detection techniques, International Journal of Remote Sensing, Vol. 25, No. 12, pp. 2365–2407.
  • Mannan, B, Roy, J, and RAY, A K., 1998, Fuzzy ARTMAP supervised classification of multi-spectral remotely-sensed images. International Journal of Remote Sensing, Vol. 19, No. 4, pp. 767–774.
  • Masoud, A A, and Kike, K., 2006, Arid land salinization detected by remotely –sensed land cover changes, A case study in the Siwa region. Nw Egypt, Journal of Arid Environments, Vol. 66, pp. 151-167.
  • Richards, J A, and Jia, X., 2006, Remote Sensing Digital Image Analysis an Introduction; 4th Edition, Springer, Germany, Berlin, Heidelberg.
  • Tso, B, Mather, P M., 2009, Classification Methods for Remotely Sensed Data, 2nd edition, Taylor and Francis Pub, America.