آشکارسازی اراضی شالیزاری شهرستان رشت با استفاده از تصاویر چندزمانۀ لندست- 8 (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
در بسیاری از کشورها به ویژه ایران، برنج به یکی از اقلام اساسی به لحاظ امنیت غذایی تبدیل شده است. در این تحقیق، به منظور تهیه نقشه سطوح شالیزاری، با توجه به ویژگی های فنولوژیکی گیاه برنج و به کمک داده های سالیانه دمای سطح زمین سنجنده مادیس، ابتدا برنامه زمانی برای انتخاب تصاویر سری زمانی ماهواره لندست 8 تنظیم شد. پس از دریافت داده های ماهواره ای، به روش شیء مبنا و با بهره گیری از توابع فازی، به طبقه بندی تصاویر و در نهایت، استخراج اراضی شالیزاری در حوزه شهرستان رشت پرداخته شد. به منظور بهبود و ارتقای نتایج، در این تحقیق طی فرایند طبقه بندی تصاویر ماهواره ای، از داده های متنوعی مانند مدل رقومی زمین، داده های دمای سطح زمین و شاخص های طیفی همچون NDVI، EVI، NDBI و LSWI در کنار اطلاعاتی درباره ویژگی های خاص عوارض و اشیای داخل تصویر، استفاده شد. با توجه به خصوصیات ویژه اراضی شالیزاری، از مدل رقومی ارتفاعی 12.5متری برای تشخیص بهتر اراضی شالیزاری از دیگر پوشش های گیاهی، بهره گرفته شد. همچنین بین نتایج حاصل از طبقه بندی به روش شیء مبنا و پیکسل مبنا، مقایسه ای صورت گرفت؛ در نهایت، مشخص شد که روش طبقه بندی شیء مبنا می تواند، با ملاحظات خاصی، نتایجی بهتر از روش پیکسل مبنا دربر داشته باشد. نتیجه طبقه بندی با روش پیکسل مبنا، پس از اعتبارسنجی، دقت کلی 92% را نشان داد و ضریب کاپا در این روش 89/0 برآورد شد. طبق روش طبقه بندی شی ء مبنا، نتایجی با دقت کلی 94% به دست آمد و ضریب کاپا نیز 92/0 حاصل شد.Detection of Rice Fields in Rasht Township Using Multi-Temporal Landsat-8 Images
Rice has become one of the most important food security items in many countries, especially Iran. In this study, a model was proposed to select Landsat-8 satellite time-series images in order to prepare a map of paddy lands. The method is based on the phenological characteristics of rice plants and annual surface temperature data from the MODIS sensor. After preprocessing satellite images, they were classified using an object-based approach and fuzzy functions. Various data such as a digital elevation model, land surface temperature, and spectral indices including NDVI, EVI, NDBI and LSWI are used to improve the classification process. In addition, information about the segmentation of the image is employed during the process of classification. Because of the different traits of paddy fields, a digital elevation model with a resolution of 12.5 meters was used to help differentiate paddy lands from other vegetation. In addition, a comparison was made between the results of classification based on object-based and pixel-based methods. The results showed that the object-based classification yields better results than the pixel-based method with special considerations. The classification result following validation using ENVI software pixel-based classification indicated an overall accuracy of 92 percent and a kappa value of 0.89. This is in contrast to the object-based classification technique in the eCognition software, which yielded an overall accuracy of 94 percent and a kappa coefficient of 0.92.
تبلیغات
