طبقه بندی کاربری و پوشش اراضی در حوضه آبریز و امکان-سنجی بهبود آن با مدل ارتفاعی رقومی

چکیده مثال های بیشماری از تولید نقشه های پوششی و کاربری اراضی در مقیاس های جهانی، منطقه ای و محلی از تصاویر چندطیفی وجود دارد. بیشتر آنها هر پیکسل تصویر را بعنوان مشاهده مستقل، صرف نظر از مفهوم مکانی، طبقه بندی می کنند. یکی از مهمترین مشکلات تولید نقشه های پوششی و کاربری اراضی از تصاویر رقومی ترکیب پاسخ طیفی از عوارض مختلف است. همچنین در تهیه نقشه از مناطق ناهموار و کوهستانی، توپوگرافی زمین مسأله ساز است. برای حل چنین مسائلی برخی محققان به طبقه بندی چندمنبعی و استفاده از داده های کمکی همراه با داده های طیفی و برخی دیگر به روش های پیشرفته تر رو آورده اند. تحقیق حاضر روی تصویر سنجنده liss-iii از ماهواره irs-p6 حوضه آبریز خرسان انجام گرفت. با توجه به ناهموار بودن منطقه در ابتدا اثرات ارتفاعی از روی تصویر حذف شد. بدین منظور روش های مختلف تصحیح اثرات توپوگرافی در حالات متفاوت بررسی گردیده تا روش بهتر انتخاب شود. سپس طبقه بندی چند منبعی با استفاده از داده های ارتفاعی و بافت تصویر قبل و بعد از تصحیح اثرات توپوگرافی انجام گردید. در این حین برای رسیدن به ترکیب بهینه ای از پارامترهای ورودی طبقه بندی از الگوریتم ژنتیک استفاده شد. همچنین برای بررسی بهبود طبقه بندی پوشش و کاربری اراضی منطقه از رویکرد شئ گرا استفاده گردید. و نتایج این رویکرد با روش بیشترین شباهت در رویکرد پیکسل پایه مقایسه شد. نتایج نشان داد که دقت زوایای آزیموت و زنیت در تصحیح اثرات توپوگرافی تاثیر محسوسی ندارد. روش تصحیح cosine بدترین و روش تصحیح c بهترین نتایج را در تصحیح اثرات توپوگرافی تصویر نشان داد. تصحیح توپوگرافی 3 درصد صحت کلی طبقه بندی را در حالت پیکسل پایه افزایش داد. و در روش بیشترین شباهت، صحت کلی طبقه بندی از 73.86 به 76.81 و در الگوریتم کمترین فاصله صحت طبقه بندی از 62.67 به 63.38 رسید. اضافه کردن dem به فرآیند طبقه بندی در تفکیک کلاس هایی که از نظر طیفی مشابه، اما در ارتفاعات مختلفی قرار گرفته اند بویژه تفکیک کشاورزی از مرتع کمک می کند. با وارد کردن داده های ارتفاعی صحت کلی طبقه بندی در روش بیشترین شباهت به 77.97 و در طبقه بندی کننده کمترین فاصله به 68.39 رسید. در ادامه برای تشخیص بهتر کلاس های غیریکنواخت مانند کلاس کاربری شهری، داده های بافت تصویر وارد شد و ترکیب بهینه و مستقل از این پارامترها بهمراه پارامترهای طیفی و ارتفاعی با استفاده از الگوریتم ژنتیک انتخاب شد. ترکیب بهینه طیفی ارتفاعی بافتی انتخابی دو الگوریتم مختلف و همچنین قبل و بعد از تصحیح توپوگرافی متفاوت است. با اضافه شدن داده های متن تصویر صحت کلی طبقه بندی در ترکیب بهینه در روش بیشترین شباهت به 83.28 و در روش کمترین فاصله به 68.72 رسید. همچنین نتیجه طبقه بندی ترکیب بهینه حاصل شده با الگوریتم ژنتیک در مقایسه با ترکیب مستقل یافت شده با تحلیل مولفه های اصلی 9 درصد بالاتر است. در تمام حالات استفاده از رویکرد شئ گرا صحت طبقه بندی بالاتری نسبت به روش بیشترین شباهت در رویکرد پیکسل پایه حاصل شد. تصحیح توپوگرافی در تمام سطوح و حالات باعث بهبود صحت طبقه بندی گردید. صحت طبقه بندی با 4 باند طیفی، قبل و بعد از تصحیح توپوگرافی به ترتیب 75.35 و 77.07 حاصل شد. استفاده از داده های ارتفاعی صحت طبقه بندی را به 81.09 رساند. با اضافه کردن پارامترهای بافت تصویر به ترکیب طیفی ارتفاعی صحت طبقه بندی به مقدار 86.35 افزایش یافت که در مقابل حالت مشابه در رویکرد پیکسل پایه 3 درصد افزایش صحت دارد.