مقایسه روش پیکسل پایه ( بیشترین شباهت ) و شی‌گراء ( ماشین بردار پشتیبان ) در طبقه بندی کاربری اراضی ( منطقه اهر – ورزقان )

نوع مقاله: مقاله پژوهشی

نویسندگان

دانشگاه تبریز

چکیده

 
چکیده
در سالهای اخیر تهیه نقشه­های کاربری اراضی از طریق طبقه­بندی رقومی داده­های سنجش از دور به عنوان جایگزینی مناسب برای تهیه این نوع نقشه­ها مورد توجه قرار گرفته است، تهیه نقشه های کاربری اراضی از طریق طیقه­بندی رقومی داده­های سنجش از دور به روش­های مورد استفاده در طبقه­بندی، وضعیت پوشش زمین و شرایط محیطی منطقه مورد مطالعه بستگی دارد. نتایج حاصله در این زمینه بر حسب روش­های طبقه­بندی مورد استفاده، شرایط منطقه مورد مطالعه و داده­های بکار گرفته شده متفاوت بوده است. در نتیجه در سال­های اخیر با پیشرفت تکنولوژی پردازش کامپیوتری روش­های جدیدی پیشنهاد شده است. بر اساس ویژگیهای پردازش تصویر، جهت استخراج اطلاعات از تصاویر ماهواره­ای در این روش­ها، آنها را می­توان در دو گروه عمده تقسیم­بندی نمود که عبارتند از: روش طبقه­بندی مبتنی بر ارزش های عددی عناصر تصویری یا پیکسل ( پیکسل­پایه ) و روش طبقه­بندی مبتنی بر شی­های تصویری  (شی گرا ). هدف از این تحقیق، مقایسه روش­های طبقه­بندی پیکسل پایه ( الگوریتم بیشترین شباهت ) و شی­پایه ( ماشین بردار پشتیبان ) برای تهیه نقشه کاربری اراضی با استفاده ازتصویرسنجنده HDR ماهواره ای SPOT5 و تصویر سنجنده OLI ماهواره Landsat8 در محدوده­ی حوضه آبریز اهر چای از منطقه اهر تا ورزقان است.  بدین منظور نقشه کاربری اراضی منطقه اهر – ورزقان با هر دو روش در نرم افزار ENVI 5.3 طبقه­بندی شده است. مقایسه نتایج مربوط به صحت کلی و ضریب کاپای طبقه بندی­ها نشان می­دهد که روش طبقه­بندی شی­گرا با افزایش دقت معادل 6/5 درصد صحّت کلی و 04/0 درصد ضریب کاپا، در طبقه بندی تصاویر ماهواره ای از دقت بالاتری برخوردار است . 

کلیدواژه‌ها


عنوان مقاله [English]

Comparison of Pixel-based Algorithm (maximum liklihood) and Object-based Method (Support Vector Machine) in Classification of Land Use (Ahar-Varzeghan Area)

نویسندگان [English]

  • Shahram roostaei
  • Davood Mokhtari
  • Khalil Valizadeh Kamran,
  • Leila Khodaei Geshlag
چکیده [English]

Extended Abstract:
Introduction:
In general, satellite data classification with digital interpretation method is separation of similar spectral sets and classification of images into groups or classes placed in each class, spectrum or a value (not being separable statistically). In other words, when a classification is carried out on data sets or images, in fact spectral classification is conducted and in the new image, every class or category is indicator of a specific phenomenon with a unit spectral value. The base for data classification is comparison of spectral value of picture pixels with the samples introduced by its interpreter or with initial classes and   categories, constituted automatically in the time of digital interpretation. Hence, the pixels, values of which are not statistically significant, are placed in the same spectral group or class. So, preparation of land use maps by digital classification of remote data sensing depends on the methods used in classification, land coverage condition and environmental condition of the area. The aim of the present research study is to compare pixel-based classification algorithm (maximum likelihood) with object-based method (support vector machine) to prepare land use maps with the aid of SPOT5 satellite HDR image sensor and Landsat 8 satellite OLI image sensor in Ahar Chai basin from Ahar area to Varzegan.
Methods and materials:
In this research study a SPOT5 satellite HDR image sensor dated back to August 23, 2006 with four spectral bands and separation power of 10 m with path and passage 138-272, 138-273, 139-272 and 139-273 and Landsat 8 satellite OLI image sensor dated back to 2017/07/21 with route and passage 168-33, isolation power of 30m, increased to 15m through combination with band 8 were used to collected the necessary data. Topography map at scale 1/50000 and geological maps of 1/100000, land control data harvested by GPS, Garmin model and ArcGIS 10.4.1 and ENVI 5.3 software were used in this study. Information extraction from remote sensing data especially land cover can be obtained by digital classification. In practical some people are more comfortable using visual interpretation to retrieve land cover information. However, it is highly influenced by subjectivity and knowledge of interpreter, also takes time in the process. Digital classification can be done in several ways, depend on the defined mapping approach and assumptions on data distribution. The study compared several classifiers method for some data type at the same location. Maximum likelihood Classifiers (MLC) which use pixel-based and object-based classification using advanced supervised machine-learning algorithms such as Support Vector Machine (SVM).Therefore, the aim of the present research is to compare maximum likelihood in pixel-based processing and support vector machine algorithm in object-based processing in order to evaluate their performance in classification of LANDSAT 8 and SPOT 5   satellite images.  The necessary pre-processing including geometrical corrections and atmosphere corrections were conducted on the image.
Discussion and conclusion:
Findings of the study indicated that both support vector machine algorithm in object-based classification and maximum likelihood in pixel-based classification enjoy higher and appropriate accuracy in classification and exploration of land use maps for Ahar-Varzegan area. However, considering the results obtained from the two algorithms used in this research, it can be concluded that   support vector machine algorithm in object-based classification of satellite images provide the conditions for higher accuracy compared to maximum likelihood in pixel-based method. One of the main reasons of achieving higher accuracy in support vector machine algorithm classification is that in this algorithm, in addition to spectral data the data related to contexture, shape, position and content are also used in classification process, hence classification accuracy is increased significantly. After doing classification procedure using both algorithms of pixel and object-based method we proceeded on evaluation of the results reliability in them
Conclusion:
The results showed that, Findings obtained from both classification algorithms indicated higher accuracy of object-based classification with total accuracy of 94.99 % and Kappa coefficient for exploration of land use of Ahar-Varzegan area, this is while pixel-based classification with total accuracy of 89.39% and Kappa coefficient of 0.89% indicated acceptable level of classification. So that Feizizadeh et.al (2009) in exploration of East Azerbaijan land use with the aid of the two pixel-based and object-based algorithms concluded that object-based classification with total accuracy of 95.10 % has higher efficiency in exploration of the province land use compared to pixel-based classification with total accuracy of 88.37%. 

 

کلیدواژه‌ها [English]

  • Remote Sensing
  • Pixel-based Classification
  • Object-based Method
  • Ahar-Varzegan
  • روستائی، شهرام ( 1379 )پژوهشی در دینامیک لغزشهای زمین و علل وقوع انها با استفاده از روشهای مورفومتری در حوضه اهرچای، رساله ی دکتری، دانشگاه تبریز.
  • زبیری ، محمود . مجد ، علیرضا ( 1388 ) آشنایی با فن سنجش از دور و کاربرد در منابع طبیعی. انتشارات دانشگاه تهران ، چاپ هشتم ، 1388
  • علیمحمدی، عباس . متکان، علی اکبر. ضیائیان، پرویز. طباطبایی هومن ( 1388 ) مقایسه روش های طبقه بندی پیکسل پایه، شی پایه و درخت تصمیم در تهیه نقشه تیپ های جنگل با استفاده از داده های سنجش از دور، مطالعه موردی : جنگل استارا. نشریه تحقیقات کاربردی علوم جغرافیایی، ج 10، ش 13، تانستان 1388 ، صص: 8 – 26 .
  • فیضی زاده، بختیار ( 1386 ) مقایسه روشهای پیکسل پایه و شی گرا در تهیه نقشه کاربری اراضی . مطالعه موردی : دشت شرقی دریاچه ارومیه. پایان نامه کارشناسی ارشد. گروه سنجش از دور و GIS دانشگاه تبریز. دانشگاه تبریز . ص 68 .
  • فیضی زاده، بختیار . هلالی، حسین ( 1388 ) مقایسه روش های پیکسل پایه، شی گرا و پارامترهای تاثیرگذار در طبقه بندی پوشش / کاربری اراضی استان آذربایجان غربی. پژوهش های جغرافیای طبیعی، شماره 71 ، بهار، صص 84- 73 .
    • Borri.D., M. Caprioli, E. Tarantino, 2005, Spatial Information Extraction from VHR Satellite Data to Detect Land Cover Transformations, Polytechnic University of Bari, Italy, pp.105
    • Chen, M, Su.W, Li.L,Chao.Z,Yue.A and Li.H., 2009 of Pixel-based and Object-oriented Knowledgebased Classification Methods Using SPOT5 Imagery, WSEAS TRANSACTIONS on Information science and application, ISSN: 1790-0832, pages 477-489Gao,Y, Mas.J.F and Navarrete.A, 2009, The improvement of an object-oriented classification using multi-temporal MODIS EVI satellite data, International Journal of Digital Earth, Volume 2, Issue 3 September 2009 , pp. 219 – 236
    • Hopkins, P.F., Maclean, A.L. & Lillesand, T.M. (1988). Assessment of Thematic Mapper Imagery for Forestry Application under Lake State Conditions. Photogrammetric Engineering & Remote Sensing,Vol. 54, No. 1: 61-68.
    • Richards, JA., 1995 , Remote Sensing Digital Image Analysis, An Introduction 2nd Edition, Springer, ISBN. 0-387-8.
    • Rignot, E.J., Williams, C.L., Way, J. & Viereck, L.A. (1994).Mapping Of Forest Types in Alaskan Boreal Forests Using SAR Imagery. IEEE Transactions on Geoscience and Remote Sensing, Vol. 32, No. 5: 1051-1059
    • Saeedzadeh F. Ebadi H. Sahebi MR. Sadeghi V ( 2016 ) Comparing the performance of object-based methods to change detection in the state using different object-oriented classification by multi temporal high resolution images (Persian), The 1st National Conference on Geospatial Information Technology(NCGIT), At Tehran,Iran.
    • Theodoridis S. and Koutroumbas K. (2003). Pattern Recognition. Second Edition.Elsevier Academic Press, 2003.
    • Tso, B. & Mather, P.M. (2001). Classification Methodes for Remotely Sensed Data. First Edition, Taylor & Francis
    • Yan, GAO, 2003, Pixel Based and Object Oriented Image for Coal Fire Research, http://www.ITC.com (accessed in July 2008). pp. 3-99