1398بهار ،36 پیاپی شمارۀ ،10 سال شهری، ریزیبرنامه و پژوهش فصلنامه

2476-3845: الکترونیکی اپاش - 2228-5229: چاپی شاپاhttp://jupm.miau.ac.ir

ی ی اراضات کاربرای در ارزیابی تغییربندی تصاویر ماهوارههای طبقهبررسی کارایی روش

)مورد: شهر اردبیل( ءگراسازی مقیاس در پردازش شیبهینه شهری با استفاده از

اردبیل، ایران محقق اردبیلی، ریزی شهری و روستایی، دانشگاهبرنامه گروه دانشیار: فرحسین نظم

اردبیل، ایران محقق اردبیلی، دانشگاه شهری و روستایی، ریزیبرنامه گروه مربی :1 جعفر جعفرزاده

20/5/1397 :پذیرش 117 -812 صص 04/09/1396: دریافت

چکیده

است. بندی تصاویرطبقه ندفرآی و ایماهواره هایداده از استفاده کاربری اراضی، و گیاهی پوشش هاینقشه تهیه هایراه از یکی

نی یا ی منابع زمیریزنامههای مختلف و استخراج اطالعات الزم برای برای بررسی، شناخت و ارزیابی پدیدهبا استفاده از تصاویرماهواره

درای هوارههای ماهشده دادبندی نظارت. هدف پژوهش مقایسه میزان کارایی هفت روش رایج طبقهگیردسایر مقاصد به سهولت انجام می

های ک برد و ترکیبو کوئی 5و اسپات IRSو اهواره لندستم OLIو TMبا استفاده از تصاویر سنجنده ارزیابی تغییرات کاربری اراضی

-گرا میش شیز پردازاهای اراضی زراعی، مناطق مسکونی و مناطق آبی با استفاده رنگی متفاوتی از این تصاویر جهت استخراج کاربری

ستفاده اسازی با نتمقیاس سگم سازیبا استفاده از بهینه ایکاگنیشن افزارکالس کاربری به وسیله نرم پنجهای آموزشی در نمونهابتدا باشد.

عی، مقیاسسازی برای اراضی زرااستخراج شد. مقیاس مناسب جهت سگمنت های رنگی متفاوت و ضرایب شکل و فشردگیاز ترکیب

هفت روش تفاده از سپس هر تصویر به طور جداگانه با اسبه دست آمد. 10و در نهایت برای مناطق آبی 8ی ، برای عوارض انسان 50

لی شاخص صحت ک ه و میزان کارایی هر روش با محاسبه دوشدبندی طبقههای مستخرج، )مانند روش شبکه عصبی( و نمونه بندیطبقه

دقت کلی بکه عصبی بابندی بوده که شهای طبقهمیزان دقت هر یک از روشدهنده به دست آمده نشانبررسی گردید. نتایج و ضریب کاپا

لیمی های تعت نمونهدهد که برداشبندی انتخاب شد. این نتایج نشان میترین روش طبقهبه عنوان دقیق 095/92و ضریب کاپای 475/94

به این ایهوارههای تصاویر ماال تعلق هر یک از پیکسلبا دقت مناسب از طبقات موجود در تصاویر و همچنین بررسی میزان احتم

های موجود در منطقه مفید واقع شود.بندی گروهتواند در طبقهطبقات، به خوبی می

گرا.ای، ارزیابی تغییرات، پردازش شیبندی، تصاویر ماهوارهکاربری اراضی، طبقه: کلیدی هایواژه

com.gmail@1364jjafar ،09149525472. نویسنده مسئول: 1

...ایبندی تصاویر ماهوارهبررسی کارایی روشهای طبقه

118

مقدمه

ل پایه نالیز پیکسقابل آماهواره ای، یک تکنیک کاربردی در پردازش تصاویر دیجیتال می باشد که اخیرأ در آنالیز شیء گرای تصاویر م

های موضوعی و هیه نقشهای، تاز آنجا که هدف اصلی از پردازش تصاویر ماهواره(. 2: 1397توسعه داده شده است)فیضی زاده و همکاران،

سل به ضویت یک پیکعی تصاویر بندبا استفاده از طبقهکند. بندی نقش به سزایی در این امر ایفا میباشد، انتخاب روش صحیح طبقهکارآمد می

میرزایی زاده، )است موجود هایروش ترینپرکاربرد از بندی طبقه وسیله به ایتصاویر ماهواره از استخراج اطالعات .شودیک کالس تعیین می

بندی تصاویرطبقه یندفرآ و ایماهواره هایداده استفاده از کاربری اراضی، و گیاهی پوشش ایهنقشه تهیه هایراه از (. یکی31: 1394

که اخیرأ در جیتال می باشدآنالیز شیء گرای تصاویر ماهواره ای، یک تکنیک کاربردی در پردازش تصاویر دی .(61: 1395است)عزیزی قالتی،

پیکسل، معیار و ت تکدر پردازش پیکسل پایه تصاویر، اطالعا (.Blaschke and Burnett,2003:3)پایه توسعه داده شده استمقابل آنالیز پیکسل

گفته یء یا پدیدهشه به آن ها و اطالعات یک مجموعه پیکسل مشابه، کگرا، ارزشگیرد. این در صورتی است که در پردازش شیءمبنا قرار می

بر پایه آنالیز سازیاند که سگمنتتحقیقات اخیر نشان داده(.Clemens Eisank and Drăguţ,2012:5)شودشود، اساس پردازش قرار داده میمی

برای ایداده نابعم مهمترین از یکی لندست ماهواره ایدوره تصاویر. (Meinel et al,2001:4)باشدهای وضوح میپایه دارای محدودیتپیکسل

هایاهش زمینک و شهری رشد کشاورزی، گسترش و زدایی، افزایشجنگل قبیل زا پوشش اراضی، و کاربری تغییر انواع مختلف مطالعه

ه رفته و مقایسها مورد استفاده محققین قرار گدر گذشته چندین نوع از این روش(. Seto et al,2002:7; Verburg et al,2004:6است) مرطوب

های ادهشده درتبندی نظاکارایی هفت روش رایج طبقه هدف پژوهش مقایسه میزان شود.اند که به برخی از آنها اشاره میشده

OLIو TMبا استفاده از تصاویر سنجنده در ارزیابی تغییرات کاربری اراضی ای ماهوارهو 5و اسپات IRS و ماهواره لندست

ناطق مونی و سکهای اراضی زراعی، مناطق مهای رنگی متفاوتی از این تصاویر جهت استخراج کاربریکوئیک برد و ترکیب

باشد.گرا میآبی با استفاده از پردازش شی

:تحقیق نظری مبانی و پیشینه

صاویر تهای ترکیب یکبندی تصاویر با استفاده از تکنهای طبقه( در پژوهشی به بررسی امکان افزایش دقت روش2016سینگ و گاپتا)

توجهی در نتایج قابل تواندیهای اصلی مهای براوی و تحلیل مولفهاز روش پرداختند. ایشان در تحقیق خود به این نتیجه رسیدند که استفاده

و SENTINEL-2بندی ه( در پژوهشی با عنوان بررسی دقت طبق2016بندی داشته باشد. توپال اوغلو و همکاران)های طبقهبهبود دقت روش

ربری پوشش ستخراج کابندی برای اهای مختلف طبقهدقت روش ها را برای پوشش زمین / برای استفاده در نقشه، به بررسیداده 8لندست

های طبقه بندی ایر روشنتایج بهتری نسبت به س SVMهای حداکثر احتمال و روش دهد که روشزمین پرداختند که نتیجه کار ایشان نشان می

ر ستفاده از تصاویری و توسعه شهری با ا( در پژوهش خود به بررسی تغییرات کاربری اراضی شه2015ایجاد کرده است. تینگ و یانگ)

نه اطالعات ی و سامادورازهای سنجشای و سیستم اطالعات جغرافیایی پرداختند. ایشان به این نتیجه رسیدند که ترکیب روشماهواره

استفاده با زمین تغییرات پوشش بیارزیا به (،2010و بالشکه) تواند نمایش بهتری از تغییرات اراضی شهری را ارائه دهد. اوتیوکیجغرافیایی می

%، 93 دارای ر مدله ترتیب به و داشته دقت قابل قبولی مدل سه هر داد نشان نتایج مقایسه پرداختند. (DTSو ) ( SVM) (MLCمدل) سه از

تعیین» با عنوان (2012) همکارن و پژوهش دیگری ساتیر در .بوده است زمین پوشش تغییرات ارزیابی برای دقت مقدار % 94 % و 67/93

نواحی هاینقشه ترسیم به «نبردار پشتیبا هایماشین از استفاده با TMتصویر ماهواره بندیبراساس طبقه زمانه تک منظر یک از سوخته نواحی

و همکارانرونی است. مک بوده 948/0کاپای ضریب % و 8/95 معادل کلی حاکی از صحت SVMکاربرد از نتایج حاصل پرداختند. سوخته

اطالعات و سیستم راز دو سنجش تکنیک از استفاده با هورالعظیم تاالب اراضی کاربری تغییرات روند ( در پژوهشی به آشکارسازی1395)

میت شان به اهتایج کار اینردند. جغرافیایی پرداختند و به طبقه بندی منطقه مورد مطالعه پرداخته و سپس مقایسات پس از طبقه بندی را اجرا ک

استفاده از تصاویر ماهواره ای در پایش تغییرات اشاره دارد.

119 1398بهار / 36 شماره/ 10 سال /فصلنامه پژوهش و برنامه ریزی شهری

چند معیاره فازی یریگتصمیم مدل از استفاده با شهری اراضی کاربری سازگاری ای به ارزیابی( در مقاله1389غفاری و همکاران)

ارزیابی سازگاری برای لیمد محیط فازی، در معیاره چند گیریتصمیم هایمدل و AHPتکنیک از حاضر، با استفاده مقاله پرداختند. ایشان در

توصیف شد. با تشریح و هادیپیشن مدل مختلف مراحل این مقاله، در کردند. ارایه آن بر مؤثر عوامل کلیه گرفتن نظر در با های شهریکاربری

هدف رده اند امافاده کروش برای طبقه بندی است توجه به پژوهش های انجام شده مشخص می شود که هر کدام از این پژوهش ها فقط از یک

ترین ، روش کوتاهای، روش الگوریتم جعبهمشابهت حداکثرهای الگوریتماین پژوهش مقایسه دقت هفت نوع طبقه بندی پیشرفته )روش

ا باراضی بری و پوششروش ماهاالنوبی و همچنین روش شبکه عصبی(در تشخیص و ارزیابی تغییرات کار، SIDروش ، SAMفاصله، روش

اج روش و نیز استخر می باشد. پس عالوه بر اینکه هدف تعیین دقت کلی این هفت لندست اهوارهم OLIو TMاستفاده از تصاویر سنجنده

ی بری مشخصدر کار بندیخواهیم دقت در هر کاربری نیز مشخص شود که هر طبقهگراست مینمونه های مناسب با استفاده از پردازش شی

کنند.چه دقتی داشته و کدام یک بهتر عمل می

: تحقیق روش

و گذر 33و ردیف 167ذر گ، از 2015مربوط به سال 8و لندست 2000مربوط به سال 7ای لندست در این پژوهش از تصاویر ماهواره

بوده که ابتدا تصاویر مورد ETMاز سنجنده 7لندست مربوط به استان اردبیل استفاده شده است. تصاویر مربوط به ماهواره 34و ردیف 167

1اندهای بوعه باندی با افزار بصورت یک مجممورد پیش پردازش قرار گرفت. بدین صورت که ابتدا تصاویر در نرم ENVIافزار نظر تحت نرم

با هم 34و 33ر مربوط به سپس هر دو تصوی بندی شدند.دسته 8مربوط به لندست 9و 7تا 1و باندهای 7مربوط به لندست 7و باند 5تا

دهد. ت گرافیک نشان میمراحل انجام تحقیق را به صور 1موزاییک شدند تا تصویر منطقه مورد نظر را تحت پوشش قرار دهند. شکل شماره

:مطالعه مورد محدوده

ع بمرکیلومتر 3810وسعت این شهرستان .غربی کشور استدر شمال استان اردبیلو مرکز کالن شهرهای ایرانیکی از شهرستان اردبیل

متری از 1500شهر اردبیل در میان دشتی با همین نام در ارتفاع .استواقع شده تهرانکیلومتری 578و تبریزکیلومتری 219در . اردبیلاست

براساس گزارش ایستگاه هواشناسی .های معتدل استهای سرد و تابستانجای گرفته و دارای زمستان فالت ایراندر شمال غرب و سطح دریا

.(24: 1395)سالنامه آماری، استمتر گزارش شدهمیلی 7/327برابر 1372متری واقع شده، بارندگی این شهر در سال 1372اردبیل که در ارتفاع

-مورد مطالعه را نشان می مربوط به منطقه 8و لندست 7ای لندست به ترتیب موزاییک تصاویر ماهواره 3 شمارهو شکل 2شکل شماره

HDRسنجنده 2005ی سال ادهد. پس از موزاییک کردن تصاویر، تصویر منطقه مورد مطالعه استخراج شد. در این تحقیق از تصاویر ماهواره

متر، تصاویر سه باند 8/5با قدرت تفکیک مکانی IRSمتر، تصویر تک باندی ماهواره 10چهار باند با قدرت تفکیک مکانی در SPOT5ماهواره

-منتمجزا اقدام به سگ متر استفاده شده است. ابتدا برای هر یک از تصاویر به طور 44/2با قدرت تفکیک مکانی QuickBirdمرئی ماهواره

ار حیط نرم افزی در مسازی شده و نتایج با یکدیگر مقایسه شد. تمامی تصاویر مورد نظر برای انجام سگمنتهای متفاوتسازی در مقیاس

eCognition گمنتسمناسب سازی و هم چنین مقیاسبا ایجاد یک پروژه فراخوانی شده سپس اوزان و ترکیب رنگی مناسب برای سگمنت-

-وش سگمنترانجام شده است. multiresolution segmentationستفاده از روش سازی با اسازی ایجاد شد. در این پژوهش، سگمنت

یای ن در سطح اشتواا میرساند. این روش رسازی با تفکیک مکانی چندگانه، ناهمگنی متوسط اشیای تصویر را به صورت محلی به حداقل می

به باال به ینپای از زیساسگمنت الگوریتم روش موجود یک راینتصویری یا سطح پیکسل برای ایجاد اشیای تصویر جدید به کار گرفت. بناب

تفکیک سازی با. سگمنتکندهای مشابه میدوی پیکسل به دو محلی، اقدام به ادغام تکنیک یک اساس ها، برلحاظ ارزش عددی تعداد پیکسل

اره ند. جدول شمرسار میهمگنی مربوطه را به حداکث ها را به حداقل وسازی است که ناهمگنی متوسط پیکسلمکانی چندگانه یک روش بهینه

دهد.ها را نشان میترکیب رنگی و ضرایب موجود برای الیه 1

...ایبندی تصاویر ماهوارهبررسی کارایی روشهای طبقه

120

ترکیب رنگی و ضرایب موجود -1جدول

2000با موزائیک دو تصویر از 34و 33ردیف 167گذر 7تصاویر ماهواره لندست -2شکل

2015با موزائیک دو تصویر از 34و 33ردیف 167گذر 7لندست تصاویر ماهواره -3شکل

باند

موضوع QB1 QB2 QB3 IRS SP_G SP_R SP_NIR SP_PAN NDVI_SP

اراضی زراعی

- - * - - * * * * الیه موجود

2 1 2 1 1 3 7 7 7 وزن

- R G B B B B B R ترکیب رنگی

عوارض انسانی

- - * - - * * * * الیه موجود

1 1 2 1 1 2 5 5 5 وزن

- - R G B B - - R ترکیب رنگی

مناطق آب

* - * - * * * * * الیه موجود

2 1 2 1 2 2 3 3 3 وزن

- R G B B B B B R ترکیب رنگی

QB=Quick Bird SP=SPOT R=RED G=GREEN B=Blue NIR=Near Infra-Red توضیحات: PAN=Panchromatic NDVISP=NDVI for SPOT sat

121 1398بهار / 36 شماره/ 10 سال /فصلنامه پژوهش و برنامه ریزی شهری

د مطالعه ز منطقه موراهایی در نهایت پس از ایجاد تصویر ماهواره ای اقدام به برداشت نقاط تعلیمی شد. نقاط تعلیمی به صورت چندضعلی

کونتگاه و س-5ناطق بکر و بدون پوشش گیاهی و م-4، بندمناطق آب-3ی و درختان، های زراعزمین-2مناطق سکونتگاهی، -1در پنج کالس:

تعداد کالسها nا که در اینج n(n-1)باشد که برای هر کدام از این کالس ها تعدادی نقاط تعلیمی با توجه به فرمول برداشت نقاط که جاده می

م به انجام ناطق نمونه، اقدامشد. پس از برداشت باشد( برداشت نقطه)در اینجا منظور از نقطه همان چندضلعی می 20می باشد، تعداد بیش از

نتگاهی اردبیل را نشان مربوط به منطقه سکو 8و 7ای لندست تصویر ماهواره 4شده گردید. شکل شماره بندی نظارتهای مختلف طبقهروش

دهد.می

منطقه مسکونی اردبیل 8و 7تصویر ماهواره ای لندست -4شکل

روش ، SIDروش ، SAMش ترین فاصله، روای، روش کوتاه، الگوریتم جعبهحداکثر مشابهتهای از الگوریتمبا استفاده در این پژوهش

-ساساس کال رورد مطالعه بمبندی تصاویر منطقه به طبقهاقدام از جمله روش شبکه عصبی بندی طبقههای پیشرفته ماهاالنوبی و همچنین روش

تری که گونه پارام ی بدون هیچبندبندی است. ارائه نتایج طبقهطبقه یکی از مراحل مهم پس از بندیهای مورد نظر شد. ارزیابی نتایج طبقه

ه را باید در نظر این این نکتد. بنابرکنها را بدون استفاده میکاهد و در بعضی مواقع آننها میکیفیت یا صحت این نتایج را بیان کند، از ارزش آ

بر ندی معموالا بد صحت طبقهبرآور رزیابی خطا وبندی، نتایج آن نیز ارزیابی شده و به کاربر عرضه گردند. اجام طبقهداشت که همیشه در کنار ان

کسل به صل مقایسه پیشود حاینیز نامیده م شوند. ماتریس خطا که ماتریس ابهاماساس پارامترهای آماری است که از ماتریس خطا استخراج می

-ی که برای ارزیابی صحت طبقهدو پارامتر اصل .بندی استهای متناظر در نتایج طبقهعلوم )در واقعیت زمینی( با پیکسلهای مپیکسل، پیکسل

(..John R. Jensen, 2015:384(. )91: 1393)فاطمی و رضایی،باشندمی و ضریب کاپا صحت کلی شوندبندی استفاده می

: ی پژوهشهایافته ارائه و بحث

اراضی ی برایبا استفاده از ترکیب های رنگی متفاوت و ضرایب شکل و فشردگی ، مقیاس مناسب جهت سگمنت ساز در این پژوهش

و در 3/0و فشردگی 7/0با ضریب شکل 8و برای عوارض انسانی مقیاس 8/0و 1/0با ضریب شکل و فشردگی به ترتیب 50زراعی، مقیاس

دست آمده به عنوان مقیاس ها و ضرایب مناسب به 8/0و ضریب فشردگی 2/0 و ضریب شکل 10نهایت برای اراضی باغی مقیاس

(.11تا 6های شماره و شکل 2است)جدول شماره

...ایبندی تصاویر ماهوارهبررسی کارایی روشهای طبقه

122

گیپارامتر مقیاس و ضرایب شکل و فشرد -2جدول

بر روی هر دو تصویر سال بندی نظارت شدههای مختلف طبقه(، روش11تا 6ای )اشکال ای از تصاویر ماهوارهپس از اخذ نقاط نمونه

میالدی اجرا شد که نتایج اجرای این روشها در ادامه آمده است. 2015و 2000

تعداد قطعه ها الیه های مورد استفاده Shape Compactness مقیاس

IRS-Snir-QB1-QB2-Q3 676 0.8 0.1 50 اراضی زراعی

عوارض انسانی

)مسکونی(8 0.7 0.3 IRS-Snir-QB1-QB2-Q3 1652

IRS-Snir-Sg-NDVISP-QB1-QB2-Q3 1257 0.8 0.2 10 اراضی باغی

IRS-Snir-QB1-QB2-Q3تلفیق تصاویر -5شکل

برای اراضی زراعی 6ت سازی شده شکل صویر سگمن-6شکل

IRS-Snir-QB1-QB2-Q3تلفیق تصاویر -.7شکل

یبرای عوارض انسان 8گمنتسازی شده شکل تصویر س -8شکل

IRS-Snir-Sg-NDVISP-QB1-QB2-Q3تلفیق تصاویر -9شکل

برای مناطق آب 10گمنت سازی شده شکل تصویر س -10شکل

123 1398بهار / 36 شماره/ 10 سال /فصلنامه پژوهش و برنامه ریزی شهری

2015و 2000دقت و ضریب کاپا برای روش های طبقه بندی بین سالهای -3جدول

.1396منبع: یافته های تحقیق،

2015و 2000ال بندی انجام شده برای هر دو سهای طبقهمقادیر صحت کلی و ضریب کاپا را برای هر یک از روش 3جدول شماره

تر و ضریب دارای دقت کلی باال( Neural Netبندی شبکه عصبی)مشخص است، روش طبقه 3نشان می دهد همانطور که از جدول شماره

09/92ی ای صحت کلبندی شبکه عصبی دارباشد. در این تحقیق، روش طبقهبندی میهای طبقهتری نسبت به بقیه روشکاپای قابل قبول

و 2000برای سال 8845/0بوده همچنین این روش طبقه بندی دارای ضریب کاپای 2015درصد برای سال 86/96و 2000درصد برای سال

( از ، ایرانشهر اردبیلورد مطالعه )می باشد. بنابراین برای ادامه کار و انجام تحلیل های تغییرات کاربری اراضی منطقه م 2015برای سال 9574/0

2000ردبیل در سال ابندی به روش شبکه عصبی را برای شهر نقشه نهایی طبقه 11روش طبقه بندی شبکه عصبی استفاده شد. شکل شماره

های:صبی از پنج کالس برای نمایش طبقات مختلف کاربری اراضی استفاده شد. کالسدهد. در روش شبکه عنشان می

با رنگ قرمز( Settlementمناطق مسکونی و سکونتگاهی ) -1

با رنگ سبز( Agricمناطق پوشش گیاهی و درخت) -2

با رنگ آبی تیره( Waterمناطق پوشش آب و آب بند) -3

زرد با رنگ( Freeمناطق عاری از سکنه و پوشش گیاهی) -4

با رنگ آبی روشن( Roadمناطق جاده ای و راهها) -5

صبی شهر اردبیل را بندی شبکه عنیز که طبقه 12در شکل شماره 11موارد ذکر شده برای شکل شماره نمایش داده شده است. تمامی

دهد، رعایت شده است.نشان می 2015برای سال

2000اراضی شهر اردبیل در سال بندی به روش شبکه عصبی برای کاربری طبقه -11شکل

ماهاالنوبی واگرایی طیفیزاویه طرح

طیفی

شبکه

عصبی

حداکثر احتمال

شباهت

حداقل

اصلهف نوع صحت سال متوازی السطوح

91/59 46/86 26/63 09/92 51/90 26/77 25/71 2000

صحت کلی34/90 73/91 76/86 86/96 86/94 63/86 70/69 2015

5017/0 8017/0 5277/0 8845/0 864/0 6898/0 5814/0 2000 ضریب کاپا

8716/0 8894/0 8276/0 9574/0 9308/0 8216/0 5774/0 2015

...ایبندی تصاویر ماهوارهبررسی کارایی روشهای طبقه

124

.1396نبع: یافته های تحقیق، م -2015بندی به روش شبکه عصبی برای کاربری اراضی شهر اردبیل در سال طبقه -12شکل

فراوانی و 5ماره شو جدول 2000بندی شده کاربری اراضی شهر اردبیل برای سال های طبقهفراوانی و مساحت کالس 4جدول شماره

دهد.را نشان می 2015بندی شده کاربری اراضی شهر اردبیل برای سال های طبقهحت کالسمسا 2000ندی شده کاربری اراضی شهر اردبیل برای سال بهای طبقهجدول فراوانی و مساحت کالس -4جدول

.1396منبع: یافته های تحقیق،

2015ندی شده کاربری اراضی شهر اردبیل برای سال بهای طبقهجدول فراوانی و مساحت کالس -5جدول

.1396منبع: یافته های تحقیق،

برای شهر 2015و 2000ها را در طی دو زمان کالستوان میزان تغییرات هر یک از مشخص است، می 5و 4همانطور که از جداول

کیلومترمربع در 80/34به 2000کیلومترمربع در سال 59/27شود که کالس سکونتگاه از اردبیل به خوبی مشاهده کرد. بر این اساس مشاهده می

کیلومترمربع در 67/41به 2000کیلومترمربع در سال 01/56افزایش یافته است. همچنین کالس مناطق پوشش گیاهی و درختزار از 2015سال

2015کیلومترمربع در سال 35/2به 2000کیلومترمربع در سال 22/2د از کاهش چشمگیری داشته است. کالس مناطق آبی و آب بن 2015سال

مساحت)کیلومترمربع( کد شبکه فراوانی کالس

59/27 1 1433 مسکونی

01/56 2 2431 کشاورزی

22/2 3 35 بند آب

14/32 4 2027 بایر

20/2 5 751 جاده

مساحت)کیلومترمربع( کد شبکه فراوانی کالس

80/34 1 911 مسکونی

67/41 2 652 کشاورزی

35/2 3 97 آب بند

47/31 4 1146 بایر

85/9 5 1876 جاده

125 1398بهار / 36 شماره/ 10 سال /فصلنامه پژوهش و برنامه ریزی شهری

افزایش 2015کیلومترمربع در سال 47/31به 2000کیلومترمربع در سال 14/32رسیده است. کالس مناطق فاقد پوشش گیاهی و سکونتگاه از

رسیده است که میزان افزایش 2015کیلومترمربع در سال 85/9ه ب 2000کیلومترمربع در سال 2/2ای از داشته است. و نیز کالس مناطق جاده

این کالس نیز بسیار چشمگیر است.

:پیشنهادها ارائه و گیرینتیجه

دی برای اینهای متعدباشد و طی سالهای گذشته الگوریتمبندی پوشش سطح زمین میای طبقهیکی از کاربردهای مهم تصاویر ماهواره

-ین روشای از اونهعصبی نم هایالسطوح، حداقل فاصله از میانگین و شبکهبندی حداکثر احتمال، متوازیهای طبقه. روشاندمنظور ابداع شده

ین ست ولی در ائه شده اای ارابندی تصاویر ماهوارههای مختلف طبقهای در زمینه ارزیابی دقت روشها هستند. اگر چه تحقیقات گسترده

رای دو دوره بدرصدی 92درصدی و میانگین ضریب کاپای حدود 94ه عصبی با متوسط دقت کلی تقریبا بندی شبکتحقیق، روش طبقه

داد نشان نتایج تحقیق ها شناخته شد.بندی از لحاظ دقت و صحت در میان سایر روشبهترین روش طبقه 2015و 2000ارزیابی شده سالهای

که سایر الی استحها از جمله آب و مناطق سکونتگاهی برخوردار است این در که روش شبکه عصبی از دقت باالیی در استخراج کالس

وافق ماین تحقیق مده درآروشها مانند روش حداکثر احتمال دقت کمی در استخراج کالسهایی مانند مناطق سکونتگاهی دارد. نتایج به دست

اشد. همچنین در این ب( می2010و بالشکه) ( و اوتیوکی2016ان)اوغلو و همکار( و مخالف نظرات توپال2015نتایج پژوهش تینگ و یانگ)

ند.ست آورددهای حداکثر احتمال و ماهالونوبی به ترتیب پس از روش شبکه عصبی بهترین ضریب دقت و کاپا را به تحقیق روش

منابع و مأخذ:

های شهری با استفاده از رکمکانی پا_. ارزیابی تناسب فضایی(1389) .احدنژاد محسن و اصغر ،اکبری زمانی ؛شهریور ،روستایی ؛راضیه ،تیموری .1

GIS 16-137فحه ص. 30ره های منطقه دو شهرداری تبریز(. مجله علمی پژوهشی فضای جغرافیایی. سال دهم. شماکه )مطالعه موردی: پارک

. چاپ اول.ENVI5.3فزارا)مبانی و کاربرد( نرم ای(. گامی نو در پردازش تصاویر ماهواره1395حسنی تبار، سید محمد و جعفر جعفرزاده. ) .2

صفحه. 203انتشارات ناقوس.

.صفحه 322تهران. . انتشارات دانشگاهآشنایی با فن سنجش از دور و کاربرد در منابع طبیعی(. 1392زبیری، محمود و علیرضا مجد. ) .3

( . سرشماری نفوس و مسکن، استان اردبیل.1390سالنامه آماری.) .4

-خت تصمیمده از الگوریتم دربرد با استفاسازی تغییرات ساختمانها از تصاویر ماهواره کویک(. آشکار1394حمدرضا و جالل کرمی. )سلطانی، م .5

.128-117. صفحه 1. شماره 57. پیاپی 26گیری. نشریه جغرافیا و برنامه ریزی محیطی. سال

وشش اراضی با استفاده از (. آشکارسازی تغییرات کاربری پ1392رستم زاده. ) شریفی، لیال؛ رسولی، علی اکبر؛ حجازی، میراسداهلل و هاشم .6

. صفحه 44. شماره 17. سال ای)مطالعه موردی: شهرستان تبریز(.نشریه علمی پژوهشی جغرافیا و برنامه ریزیگرای تصاویر ماهوارهپردازش شی

203-214.

با اراضی کاربری مکانی تغییرات روند (. پیش بینی1395تقیزاده. ) ایوب ، پیمان وحیدریان سدیدی،جواد؛ رنگزن،کاظم؛ قالتی، سارا؛ عزیزی .7

فارس(. نشریه سنجش از دور و سامانه اطالعات جغرافیایی استان سرخی کوهمره منطقه :موردی )مطالعةCA-مارکوف زنجیرة مدل از استفاده

.71-59، صفحه 1، شماره 7دوره در منابع طبیعی،

حه.صف500دوم. تهران،چاپ دانشگاه زمین)خاک(. انتشارات علوم در دور از سنجش (. کاربرد1392 پناه، سیدکاظم.) علوی .8

چند معیاره گیریتصمیم مدل از استفاده با شهری اراضی کاربری سازگاری (. ارزیابی1389غفاری، سید رامین؛ شفقی، سیروس و نگین صالحی. ) .9

.76-59فازی. نشریه مطالعات پژوهشی شهری و منطقه ای. سال اول . شماره چهارم. صفحه

صفحه. 268چاپ دوم. انتشارات آزاده. مبانی سنجش از دور، (. 1393. )رضاییاقر و یوسف فاطمی،ب .10

...ایبندی تصاویر ماهوارهبررسی کارایی روشهای طبقه

126

های اراضی شهری ت کاربریدور در آشکارسازی تغییراازهای سنجش(. کاربرد داده1387فیضی زاده، بختیار؛ جعفری، فیروز و حسین نظم فر. ) .11

.24-17. صفحه 34هنرهای زیبا. شماره )مطالعه موردی: فضای سبز شهر تبریز(.نشریه

پارامتر ارتقاء در هینه سازیب و تلفیق تکنیکهای از استفاده سنجی (. امکان1397فیضی زاده، بختیار؛ حسنی تبار، سیدمحمد و جعفر جعفرزاده. ) .12

پاییز ، 56 شماره ، 22 سال ریزی، برنامه و جغرافیا پژوهشی -علمی نشریهای. ماهواره تصاویر شیءگرای پردازش جهت سازی مقیاس سگمنت

.1-19صفحات ، 1397

امانه اطالعات جغرافیایی در (. نشریه سنجش از دور و س1395ستار سلطانیان. ) شهرام و خانقاه، یوسفی ؛ سبزقبایی ، غالمرضا ؛ سرور مکرونی، .13

.99-89، صفحه 3، شماره 7دوره منابع طبیعی،

نقشه در تهیه غیرپارامتریک شده نظارت طبقه بندی الگوریتم های (. ارزیابی1394). قادیکالیی اوالدی و جعفر نیکنژاد، مریم میرزایی زاده، وحید؛ .14

.6(3): 44-29طبیعی، منابع در جغرافیایی اطالعات سامانه و دور از . سنجش8 لندست تصاویر از استفاده با زمین پوشش

یاره، مطالعه موردی:مع چند گیری تصمیم مدل با ناحیهای نابرابری و توسعه سطوح (. ارزیابی1390میرکتولی، جعفر و محمدرضا کنعانی.) .15

دوم. اول، شماره مازندران. مجله آمایش جغرافیایی فضا. سال استان روستایی های سکونتگاه

16. Ardelean, F., Dragut, L., Urdea, P., Torok-Oance, M., (2013). Variations in landform definition: a

quantitative assessment of differences between five maps of glacial cirques in the Tarcu Mountains

(Southern Carpathians, Romania). Area 45 (3), 348–357.

17. Arvor, D., Durieux, L., Andres, S., Laporte, M.A., (2013). Advances in geographic objectbased image

analysis with ontologies: a review of main contributions and limitations from a remote sensing

perspective. ISPRS J. Photogramm. Remote Sens. 82, 125–137.

18. Blaschke, T, Burnett, C.(2003). A multi-scale segmentation/object relationship modeling methodology for

landscape analysis. Ecological Modeling 168: 233-249.

19. Blaschke.T , Object based image analysis for remote sensing.(2010). ISPRS Journal of Photogrammetry

and Remote Sensing, journal homepage: www.elsevier.com/locate/isprsjprs.pp.10-21.

20. Chander, G., Markham, B. L., & Helder, D. L. (2009). Summary of current radiometric calibration

coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors. Remote sensing of environment, 113(5),

893-903.

21. Clemens Eisank, Lucian Drăguţ, .(2012).Automated classification of topography from SRTM data using

object-based image analysis, Geomorphology; 141-142:21-33.

22. Baker, B.A., Warner, T.A., Conley, J.F., McNeil, B.E., (2013). Does spatial resolution matter? A multi-

scale comparison of object-based and pixel-based methods for detecting change associated with gas well

drilling operations. Int. J. Remote Sens. 34 (5), 1633–1651.

23. Dixon, B., Candade, N. (2008). Multispectral landuse classification using neural networks and support

vector machines: one or the other, or both. International Journal of Remote Sensing 29, 1185–1206.

24. Islam, T., Rico-Ramirez, M.A., Han, D., Srivastava, P.K. (2012)..Artificial intelligence techniques for

clutter identification with polarmetric radar signatures. Atmospheric Research 109–110, 95–113.

25. Jaafar, W.Z.W., Liu, J., Han, D. (2011). Input variable selection for median flood regionalization. Water

Resources Research 47, W07503.

26. John R. Jensen. (2006). Remote Sensing of the Environment an Earth Resource Perspective. Second

Edition. British Library Cataloguing-in-Publication Data. ISBN 10: 1-292-02170-5.

27. Loveland, T. R，Reed, B. C, and Brown, J. F, Ohlen, D.O, Zhu, Z, Yang, L, and Merchant, J. W .(2000).

Development of a global land cover characteristics database and IGBP DISCover from 1 km AVHRR

data. International Journal of Remote Sensing. 21.

28. Lu, D, Mausel, P, Brondi zio, E., and Moran, E .(2004). Change detection techniques. INT. J. REMOTE

SENSING, 20 JUNE, 2004, VOL. 25, NO. 12.

29. Meinel, G., Neubert, M. & Reder, J.(2017). The potential use of very high resolution satellite data for

urban areas – First experiences with IKONOS data, their classification and application in urban planning

and environmental monitoring. In: Jürgens, C. (ed.): Remote sensing of urban areas. Regensburger

Geographische Schriften 35, pp. 196-205.

127 1398بهار / 36 شماره/ 10 سال /فصلنامه پژوهش و برنامه ریزی شهری

30. Mariana Belgiu a, Lucian Draˇgut_ b, Josef Strobl. (2014). Quantitative evaluation of variations in rule-

based classifications of land cover in urban neighbourhoods using WorldView-2 imagery. ISPRS Journal

of Photogrammetry and Remote Sensing 87 205–215.

31. Mukherjee, S., Sashtri, S., Gupta, M., Pant, M.K., Singh, C., Singh, S.K., Srivastava, P.K., Sharma, K.K.

(2007). Integrated water resource management using remote sensing and geophysical techniques..

Aravali quartzite, Delhi, India. Journal of Environmental Hydrology, 15.

32. Munroe, D.K., Muller, D. Issues in spatially explicit statistical land-use/ cover change (LUCC) models.

(2007). Examples from western Honduras and the Central Highlands of Vietnam. Land Use Policy 24,

521 530.

33. Murthy, CS, Raju, PV, and Bardrinath, K V S. (2003). Classification of wheat crop with multi-temperoral

images: performance of maximum likelihood and artificial neural networks. INT. J. Remote Sensing,

24(23).

34. Otukei, J. R., & Blaschke, T. (2010). Land cover change assessment using decision trees, support vector

machines and maximum likelihood classification algorithms. International Journal of Applied Earth

Observation and Geo information, 12, S27-S31.

35. Richards J., A.( 2013). Remote sensing digital image analysis, fifth edition, springer, 494 pp.

36. Satir, O., Berberoglu, S., (2012). Land Use/Cover Classification Techniques Using Optical Remotely

Sensed Data in Landscape Planning. Landscape Planning, Intec, Turkey Published, 22-54.

37. Seto KC, Woodcock C, Song C, Huang X, Lu J, Kaufmann R. (2002). Monitoring land use change in the

Pearl River Delta using Landsat TM. International Journal of Remote Sensing, 23(10): 1985-2004.

38. Singh. R and R. Gupta,.(2016). "Improvement of Classification Accuracy Using Image Fusion

Techniques," 2016 International Conference on Computational Intelligence and Applications (ICCIA),

Jeju, 2016, pp. 36-40. doi: 10.1109/ICCIA.2016.21.

39. Szuster, B.W., Chen, Q., Borger, M. (2011). A comparison of classification techniques to support land

cover and land use analysis in tropical coastal zones. Applied Geography 31, 525–532.

40. Sharma, L., Pandey, P.C., Nathawat, M. (2012). Assessment of land consumption rate with urban

dynamics change using geospatial techniques. Journal of Land Use Science 7 (2), 135–148.

41. Şatır, O., & Berberoğlu, S. (2012). Land Use/Cover Classification Techniques Using Optical Remotely

Sensed Data in Landscape Planning. Landscape Planning, Dr. Murat Ozyavuz (Ed.), ISBN, 978-953.

42. Statistical Yearbook (2011), Population and Housing Census, Ardabil Province.

43. Ting Liu, Xiaojun Yang, (2015). Monitoring land changes in an urban area using satellite imagery, GIS

and landscape metrics Original Research Article Applied Geography, Volume 56, January 2015, Pages

42-54.

44. Topaloğlu, Raziye Hale, Elif Sertel, Nebiye Musaoğlu. (2016).Assessment Of Classification Accuracies Of

Sentinel-2 And Landsat-8 Data For Land Cover / Use Mapping. The International Archives of the

Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLI-B8, 2016 XXIII ISPRS

Congress, 12–19 July 2016, Prague, Czech Republic.

45. Van der Linden, S., Rabe, A., Okujeni, A., & Hostert, P. (2009). Image SVM classification. Application

Manual: image SVM version, 2.

46. Verburg PH, Schot PP, Dijst MJ, Veldkamp A. (2004). Land use change modelling: current practice and

research priorities. GeoJournal, 61(4): 309-324.

47. Xu, M, Watanachaturaporn, P, Varshney,P. K, and Arora,M.K. (2005). Decision tree regression for soft

classification of remote sensing data. Remote Sens. Environ, 97.

48. Yang, C,Prasher,S.O,Enright, P, Madramootoo, C, Burgess, M, Goel, P. K, and Callum, I . (2003).

Application of decision tree technology for image classification using remote sensing data. Agricultural

Systems 76.

...ایبندی تصاویر ماهوارهبررسی کارایی روشهای طبقه

128