کاربرد سنجش از دور در تهیه نقشه کاربری اراضی – ۳

مشخصات سیستم های طبقه بندی چند سطحی

  1. یک سیستم طبقه بندی بر پایه تصاویر سنجش از دور بایستی موارد زیر را داشته باشد:
  2. هم فعالیت ها (کاربری اراضی) و هم منابع (پوشش زمین) بایستی طبقه بندی شوند.
  3. حداقل سطح دقت در تشخیص کلاسهای کاربری اراضی و پوشش زمین از اطلاعات سنجش از دور بایستی 85 درصد باشد.
  4. دقت تفسیر تصاویر برای تمامی کلاسها بایستی تقریبا مساوی باشد.
  5. تکرار نتایج امکان پذیر باشد.
  6. سیستم بایستی قابل کاربرد در بیشتر نواحی گسترده باشد.
  7. سیستم بایستی قابل استفاده برای داده های سنجش از دور به دست آمده در زمان های متفاوت باشد.
  8. سیستم باید قادر به تفکیک زیر کلاسهایی که از نقشه برداری زمینی و یا اطلاعات سنجش از دور با مقیاس بزرگتر به دست می آید باشد.
  9. مقایسه کار بری های اراضی فعلی با داده های کاربری اراضی در آینده امکان پذیر باشد.
  10. کاربری اراضی چندگانه بایستی قابل تشخیص باشد.

اندرسون و همکاران (1976) در سازمان نقشه برداری آمریکا سیستم طبقه بندی چند سطحی را توسعه دادند . آنها ذکر می کنند که ابتدا بایستی نوع و مقیاس تصاویر مناسب برای موضوع پروژه مشخص باشد . جدول 1 بخشی از سیستم تصاویر و مقیاس آنها را جهت تهیه نقشه نشان می دهد.

01 thumb1 کاربرد سنجش از دور در تهیه نقشه كاربری اراضی   3

جدول 1 مراحل کلی تهیه نقشه های کاربری اراضی با استفاده از اطلاعات دورسنجی

به طور کلی سه روش برای طبقه بندی تصاویر چند طیفی وجود دارد:

طبقه بندی نظارت نشده (Unsupervised Classification)

زمانی که اطلاعات و امکانات کافی از منطقه به منظور شناسایی کاربری و پوشش اراضی وجود نداشته باشد و امکان بر آورد میانگین انحراف معیار طبقات و حتی تعداد طبقات مانند طبقه بندی نظارت شده وجود ندارد از طبقه بندی نظارت نشده استفاده می شود. این روش طبقه بندی به عهده خود کامپیوتر و نرم افزار گذاشته می شود و به این دلیل به آن طبقه بندی نظارت نشده گفته می شود. در این طبقه بندی به ازای تعداد طبقات قابل تشخیص، توسط کامپیوتر طبقه بندی صورت می گیرد که به آن ها طبقات طیفی گفته می شود. این روش میتواند قدم اولیه ای برای تعیین تعداد طبقات طیفی برای طبقه بندی نظارت شده باشد در این صورت طبقه بندی نظارت شده با کارایی بیشتری انجام می گیرد. این روش دارای الگوریتم های متفاوتی است.

طبقه بندی نظارت شده (Supervised Classification)

این نوع طبقه بندی بر پایه مشخصات طیفى کلاسهاى معلوم در تصویر انجام می گیرد. المانهاى اصلى در این روش، نمونه هاى آموزشى (Training area) هستند که هرکدام معرف یک کلاس می باشند. پس از مشخص شدن این نمونه ها، نرم افزار مربوطه طبقه بندی تصویر را بر پایه آنها انجام می دهد. با استفاده از این نمونه ها مشخصات آمارى مربوط به DN (Digital Number) هرپیکسل از تصویر در هر باند انتخاب شده، بدست می آید.

این مشخصات شامل مقدار مینیمم، ماکزیمم، میانگین، انحراف معیار ، واریانس،کواریانس و غیره می باشد. در نهایت طبقه بندی تصاویر بر پایه این المانها انجام می گیرد.

مشخصات نمونه هاى آموزشى

  • تعداد پیکسل ها : چندین محدوده با حداقل 100 پیکسل براى هر کلاس لازم می باشد .
  • اندازه : محدوده ها باید آنقدر بزرگ باشند که بتوانند اطلاعات با دقت بالا در مورد هر کلاس در بر داشته باشند، البته نه تا حدى بزرگ که تفاوت بین کلاس ها قابل تشخیص نباشد .
  • شکل : در مورد شکل نمونه ها ، محدودیتى وجود ندارد.
  • تعداد : بستگى به تعداد کلاس ها دارد (براى هر کلاس 5-10 نمونه می توان در نظر گرفت).
  • موقعیت : محدوده هاى انتخابى باید با فاصله مناسب از کناره هاى تصویر قرار بگیرند تا در موقع کلاسه بندى، پیکسل هاى لبه تصویر داخل نشوند.
  • یکنواختى : داده ها باید توزیع فراوانى نرمال، براى هر باند طیفى داشته باشند.

طبقه بندی بصری

در این روش مفسر می تواند با توجه به مشخصات مختلف مثل شکل ، اندازه ، بافت ، تن ، رنگ و موقعیت و… اطلاعات را تفسیر کند . این روش یکی از متداول ترین روش های تفسیر اطلاعات، جهت بازیابی تغییرات نیز می باشد. مهمترین محدودیت این روش خسته کننده بودن آن می باشد و اگر مناطقی دارای تغییرات شدید و جزئی باشد مفسر نمی تواند محدوده آنها را مشخص کند.

پس از طبقه بندی تصویر ماهواره ای براى استفاده موثر و مفید از اطلاعات لازم است که راجع به دقت آن اطلاع داشته باشیم. براى اینکه اطلاعات مفید باشند لازم نیست حتما 100 ٪ صحیح باشند و فقط لازم است سطح دقت اطلاعات معلوم بوده و هنگام استفاده از اطلاعات در نظر گرفته شود

برآورد میزان دقت در طبقه بندی تصاویر ماهواره اى، در حقیقت برآورد میزان اختلاف بین طبقه بندی انجام شده با داده هاى مرجع (Reference data) می باشد. اگر داده هاى مرجع غیر دقیق باشد، میزان دقت برآورد شده پایین خواهد بود در حالى که ممکن است طبقه بندی دقت خوبى داشته باشد. حتى ممکن است تصاویر ماهواره اى مورد استفاده با داده هاى مرجع تفاوت زمانى داشته باشند و در این اختلاف زمانى کاربرى اراضى تغییر کرده باشد. نقاط مرجع بایستى بصورت تصادفى یا سیستماتیک تصادفى انتخاب گردد. همچنین دربر آورد میزان دقت، نقاط مرجع، نباید از پیکسل هاى آموزشى باشند چرا که از این قسمت ها در روند طبقه بندى استفاده شده است و درنتیجه یک دقت غیر واقعى از آنها بدست خواهد آمد.

نویسنده: پریسا میرحسینی موسوی ، فائزه فضل اللهی، مجله فضا، شماره 38

Если Вы знаете, что такое контекстная реклама и какой эффект от нее ожидать, можете сразу перейти к форме заказа и мы предложим оптимальное решение для повышения прибыли Вашего бизнеса topodin, SEO от «Скобеев и Партнеры» – это продвижение, ориентированное на результат

مطالب مرتبط

نظر بدهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *