maximum likelihood algorithm
در نشریات گروه کشاورزی-
مجله تحقیقات حمایت و حفاظت جنگلها و مراتع ایران، سال بیست و دوم شماره 2 (پیاپی 44، پاییز و زمستان 1403)، صص 199 -219سابقه و هدف
امروزه بررسی و ارزیابی تغییرات ناشی از آشفتگی ها با استفاده از تصاویر ماهواره ای به یکی از زیرشاخه های مهم در علوم منابع طبیعی تبدیل شده است و ابزاری برای نظارت و کنترل در اکوسیستم جنگل و مرتع می باشد. ازجمله این تغییرات و آشفتگی ها به ویژه در سطح مراتع مناطق خشک و نیمه خشک می توان به چرای علفخواران و آتش سوزی اشاره نمود. در مطالعات متعدد استفاده از سنجش ازدور به منظور تهیه نقشه از مناطق سوخته شده موردبررسی قرارگرفته است. شاخص های طیفی یکی از پرکاربردترین ابزارهای سنجش ازدوری هستند که به منظور پایش و نظارت بر تغییرات پوشش گیاهی مراتع به ویژه در زمان های مختلف پس از وقوع آتش و تهیه نقشه های مناطق سوخته شده استفاده می شوند. با توجه به وسعت مراتع کشور و صعب العبور بودن غالب مراتع کوهستانی به منظور شناسایی و تفکیک مراتع دچار حریق شده از داده های سنجش ازدور چند طیفی استفاده گردید. پژوهش حاضر باهدف، تعیین موثرترین داده های کمکی به منظور افزایش دقت طبقه بندی به منظور شناسایی و تفکیک مراتع نیمه استپی سوخته شده همچنین تعیین وسعت این مراتع جهت اتخاذ برنامه های مدیریتی مناسب پس از وقوع آتش با استفاده از تصاویر ماهواره لندست-8 انجام گردید.
مواد و روشابتدا با توجه به اطلاعات و داده های موجود در بخش حفاظت و حمایت اداره کل منابع طبیعی استان چهارمحال بختیاری همچنین اطلاعات افراد محلی آگاه و بهره برداران، نسبت به انتخاب سایت های مرتعی دچار حریق شده اقدام شد. درمجموع، 17 سایت آتش سوزی شده بر اساس قدمت آتش (یک تا سه سال و سه تا پنج سال پس از آتش سوزی) همچنین شدت چرای زیاد و متوسط، انتخاب و محدوده ی سایت ها توسط دستگاه موقعیت یاب GPS به صورت پلی گون ثبت گردید. سپس جهت بررسی امکان شناسایی و تفکیک محدوده های مرتعی سوخته شده از مناطق مجاور آن از الگوریتم طبقه بندی حداکثر احتمال (MLC) توسط نرم افزار Idrisi TerrSet استفاده شد. همچنین برای تعیین موثرترین داده های کمکی نظیر باندهای خام Pan-sharpen (توان تفکیک مکانی 15 متر)، شاخص روشنایی تبدیل تسلدکپ (TC-B)، مدل رقومی ارتفاع (DEM)، سه مولفه اول شاخص PCAs و شاخص آتش NBRT در افزایش دقت طبقه بندی کلاس های آتش، علاوه بر ارزیابی و محاسبه ی مقادیر دقت کلی و دقت کاپای موجود در ماتریس خطا از آزمون رتبه بندی فریدمن استفاده گردید.
نتایج و یافته هانتایج پژوهش حاضر نشان داد که از بین داده های کمکی مورداستفاده جهت افزایش دقت طبقه بندی کلاس های مختلف آتش مجموع داده ی کمکی DEM-NBRT با توجه به ماهیت مطالعه موردنظر بیشترین اثرگذاری را برافزایش دقت طبقه بندی کلاس های مختلف آتش سوزی با شدت های مختلف چرایی در مراتع نیمه استپی با میزان دقت کلی (66%) و دقت کاپای (63%) را به خود اختصاص داده است. شاخص آتش NBRT با توجه به این که مبتنی بر باند های طیفی مادون قرمز نزدیک (NIR)، مادون قرمز با طول موج کوتاه 1 و2 (SWIR1,2) همچنین مادون قرمز حرارتی (Thermal1) است بنابراین می تواند به عنوان شاخصی مهم و کارآمد در تفکیک و جداسازی مراتع نیمه استپی سوخته شده با قدمت های مختلف آتش و شدت های چرایی متفاوت مورداستفاده قرار گیرد.
نتیجه گیرینتایج به دست آمده بیانگر توانایی و قابلیت داده های سنجش ازدور چند طیفی تصاویر ماهواره لندست-8 و تاثیرات کاربرد ترکیبی لایه های کمکی در افزایش دقت شناسایی و تفکیک مراتع نیمه استپی سوخته شده می باشد. همچنین به قابلیت الگوریتم طبقه بندی حداکثر احتمال باوجود شباهت رفتار طیفی پوشش گیاهی احیاء شده پس از گذشت زمان نسبت به مناطق مجاور آن می توان اشاره نمود. توانایی شاخص طیفی NBRT در شناسایی و تفکیک مراتع نیمه استپی سوخته شده را می توان ناشی از سه مولفه ی اصلی تشکیل دهنده ی این شاخص یعنی باند های طیفی مادون قرمز نزدیک (NIR)، مادون قرمز با طول موج کوتاه 1 و2 (SWIR1,2) همچنین مادون قرمز حرارتی (Thermal1) و حساسیت بالای این باندها به تغییرات پوشش گیاهی پس از وقوع آتش سوزی نسبت داد.
کلید واژگان: الگوریتم حداکثر احتمال، تفکیک پذیری، شاخص آتش، لندست-8، مراتع نیمه استپیBackground and objectivesThe evaluation of disturbances using satellite imagery is a crucial sub-field in natural resource science, serving as a tool for monitoring changes such as fire and livestock grazing in forest and pasture ecosystems. Grazing intensity and fires are significant disturbances in arid and semi-arid rangelands. Remote sensing for burned area mapping has been extensively studied. Spectral indices are widely used to monitor vegetation cover changes, particularly post-fire, and to generate burned area maps. Given the vastness and inaccessibility of Iran's mountain rangelands, multi-spectral remote sensing data was employed to identify burned areas. This research aimed to determine the most effective auxiliary data to enhance classification accuracy for identifying and delineating burned semi-steppe rangelands, and to estimate burned pasture extent for post-fire management using Landsat-8 imagery.
MethodologyBurned rangeland sites were selected based on information from the Chaharmahal and Bakhtiari Province Department of Natural Resources Protection and local expert input. Old fire occurrence and grazing intensity at selected sites were determined. Twenty-seven burned sites, representing old fire occurrences and high to medium grazing intensity, were delineated using GPS polygons. Maximum likelihood classification (MLC) in Idrisi TerrSet software was used to identify burned pasture areas. Auxiliary data, including pan-sharpened raw bands, Tasseled Cap transformation components, digital elevation model (DEM) derivatives, principal component analysis (PCA) components, and the Normalized Burn Ratio-Thermal (NBRT) index, were evaluated to improve classification accuracy. Overall and Kappa accuracies were assessed using error matrices, and Friedman's rank test was used to compare the effectiveness of different data combinations.
ResultsThe combination of DEM derivatives and the NBRT index significantly improved the classification accuracy of burned areas with varying grazing intensities, achieving an overall accuracy of 66% and a Kappa accuracy of 63%. The NBRT index, based on near-infrared (NIR), short-wave infrared (SWIR1 and SWIR2), and thermal infrared (Thermal1) bands, effectively distinguished burned semi-arid rangelands with different fire ages and grazing intensities. The high sensitivity of these bands to post-fire vegetation changes contributes to the NBRT index's effectiveness.
ConclusionMulti-spectral remote sensing data, particularly Landsat-8 imagery, combined with auxiliary data layers, effectively identifies and delineates burned semi-steppe pastures. MLC demonstrated capability despite spectral similarities between regenerated vegetation and surrounding areas. The NBRT index's effectiveness stems from the high sensitivity of its constituent bands (NIR, SWIR1, SWIR2, and Thermal1) to post-fire vegetation changes, enabling accurate identification of burned semi-steppe grasslands.
Keywords: Maximum Likelihood Algorithm, Separability, Burn Index, Landsat-8, Semi-Arid Rangelands -
پوشش گیاهی به عنوان یک جزء طبیعی در افزایش نفوذپذیری، اصلاح خاک، کاهش تبخیر و کاهش حجم رواناب و در نتیجه کاهش احتمال جاری شدن سیل در بوم سازگان های طبیعی نقش به سزایی دارد. استفاده از فناوری های نوین مانند سنجش از دور و سامانه اطلاعات جغرافیایی برای مطالعه بوم سازگان های گیاهی و تهیه نقشه های پوشش زمین، لازمه ی شناخت کارآیی این ابزار و شناسایی بهترین روش های کاربرد آن ها است. هدف از پژوهش حاضر، مقایسه کارایی سه روش طبقه بندی نظارت شده روش حداکثر احتمال، حداقل فاصله از میانگین و متوازی السطوح در بررسی پوشش گیاهی با بهره گیری از تصاویر ماهواره ای سنجنده های TM و ETM ماهواره لندست در سال های 1365، 1375 و 1384 و مقایسه کمی مقادیر NDVI در سال های 1387 (2008) و 1397 (2018) به عنوان دو مقطع زمانی با فاصله ده ساله است. داده های فوق با استفاده از نرم افزار ENVI4.2 آماده سازی و مورد تجزیه و تحلیل قرار گرفت و میزان کارایی هر روش با شاخص صحت کلی و ضریب کاپا مورد بررسی قرار گرفت. براساس نتایج در روش حداکثر احتمال میزان صحت کلی 35/90% و ضریب کاپا 878/0 ، در روش حداقل فاصله از میانگین میزان صحت کلی 32/74% و ضریب کاپای آن 675/0 و در روش متوازی السطوح صحت کلی 09/67% و ضریب کاپا 593/0 محاسبه شد. براساس نتایج روش حداکثر احتمال بیش ترین میزان دقت را در طبقه بندی گروه داده های ماهواره ای دارد. هم چنین نتایج نشان داد که در بازه 10 ساله در حوضه آبریز دز، کارون و کرخه به ترتیب بازتاب طیفی مرتبط با پوشش گیاهی 4/7، 64/10 و 83/13 درصد کاهش داشته است. نتایج این پژوهش می تواند برای استفاده عملی از تحلیل هایی که انجام شد در رابطه با مطالعات بحث رواناب و سیل کارایی داشته باشد، باتوجه به روند تغییرات پوشش گیاهی به علل عوامل طبیعی یا انسانی مدیریت صحیح در این منطقه ضروری به نظر می رسد.
کلید واژگان: الگوریتم حداکثر احتمال، حوزه کارون بزرگ، شاخص NDVI، طبقه بندی نظارت شده، لندستVegetation as a natural component plays a significant role in increasing permeability, improving soil, reducing evaporation, and reducing the runoff and thus reducing the possibility of flooding. The use of new technologies such as remote sensing and geographic information system to study plant ecosystems and prepare land cover maps is necessary to know the effectiveness of these tools and to identify the best methods of their use. The purpose of this research is to investigate the vegetation cover using the NDVI and compare the performance of three supervised classification methods, the maximum likelihood method, the minimum distance from the mean, and the parallelepiped method in a part of the Great Karun watershed. To this end, TM and ETM images of Landsat satellite were used in one interval and NDVI in a 10-year interval (May 2008 to May 2018) with the help of supervised classification and maximum likelihood algorithm. The above data were prepared and analyzed using ENVI4.2 software, and the effectiveness of each method was evaluated with the overall accuracy index and Kappa coefficient. Based on the results in the maximum likelihood method, the overall accuracy rate is 90.35% and the Kappa coefficient is 0.878, in the minimum distance method, the distance from the mean is 74.32% and its Kappa coefficient is 0.675, and in the parallelepiped method, the overall accuracy is 67.09% and the Kappa coefficient was calculated as 0.593. Based on the results, the maximum likelihood method has the highest level of accuracy in satellite data group classification. Moreover, the results showed that in the 10-year period in Dez, Karun, and Karkheh watersheds, the spectral reflectance related to vegetation has decreased by 7.4%, 10.64%, and 13.83%, respectively. The results of this research can be effective for the practical use of the analysis that was done in relation to the studies of runoff and flood. According to the process of vegetation changes due to natural or human factors, the need for proper management in this area seems necessary.
Keywords: Maximum likelihood Algorithm, Great Karun basin, NDVI Index, Supervised Classification, Landsat -
مجله مدیریت بیابان، پیاپی 25 (بهار 1402)، صص 95 -116تغییر نوع استفاده از زمین از موضوع های اساسی سیاست های حفاظت از منابع آبی است. هدف از پژوهش حاضر بررسی ارتباط وضعیت کمی و کیفی آبخوان دشت ایسین با روند تغییرات الگوی کشت طی دوره 1399-1382 است. به منظور بررسی وضعیت آبخوان اقدام به درون یابی کمیت و کیفیت آب زیرزمینی برای شناسایی مناطق با کمینه افت سطح ایستابی و بیشینه هدایت الکتریکی گردید. همگام با درون یابی، از الگوریتم طبقه بندی بیشینه احتمال نظارت شده و داده های ماهواره ای چند طیفی لندست 8-5 و سنتینل 2 در سال های 1399-1382 برای تحلیل رقومی و نمایش نوع استفاده از زمین استفاده شد. نتایج بیانگر هم خوانی بیشینه میانگین کاهش سطح ایستابی به مقدار 18.53m- سینتینل 2، 17.15m- لندست 8 با موقعیت مکانی کاربری کشاورزی بخصوص باغ ها و کاربری زمین های شور در دشت ایسین شرقی بود و در دشت ایسین غربی بیشینه میانگین کاهش سطح ایستابی به مقدار 25.67m- سینتینل 2، 25.62m- لندست 8 با کاربری سبزیجات انطباق داشت. نتایج برآمده از داده های لندست 8 و تغییرات مکانی هدایت الکتریکی بیانگر این بود که در دشت ایسین شرقی بیشترین میانگین هدایت الکتریکی به مقدار 4610µS/cm در کاربریProsopis Cineraria and Juliflora و در دشت ایسین غربی بیشترین میانگین هدایت الکتریکی به مقدار 5151.15µS/cm در کاربری نواحی مسکونی و صنعتی وجود داشت. همچنین در داده های حاصل از سینتینل 2 میانگین هدایت الکتریکی در کاربری زمین های بایر- ایسین شرقی به مقدار 4475.22µS/cm و در کاربری زمین های شور - ایسین غربی به مقدار 5155.61µS/cm چشمگیر است. بنابراین افزایش وسعت کاربری کشاورزی بخصوص باغ ها و سبزیجات و هم خوانی با پهنه هایی با بیشینه افت سطح ایستابی نشان دهنده استخراج بی رویه آب زیرزمینی برای مصارف کشاورزی است. از طرفی وسعت قابل توجه زمین های بایر و روند افزایشی زمین های شور و نواحی مسکونی و صنعتی و هم خوانی با پهنه هایی با هدایت الکتریکی بالا و انطباق میانگین بیشینه هدایت الکتریکی با کاربری گونه های Prosopis Cineraria and Juliflora می تواند هشداری برای وضعیت نامناسب آبخوان دشت ایسین باشد.کلید واژگان: سطح ایستابی، هدایت الکتریکی، لندست، سنتینل 2، الگوریتم بیشینه احتمال، درون یابیStudy of The Relation Between the Status of The Isin Bandar Abbas Plain Aquifer and Land Use ChangesIntroductionGroundwater is among the most precious natural resources for human health, economic development and environmental diversity. Since the measurement of groundwater parameters and water quality is difficult, costly and far from being available, interpolation techniques are an easy solution. At the same time, there is a strong correlation between groundwater quality and land use in areas with sensitive aquifers. Changes in land use caused by factors such as rapid growth and expansion of urban centers, rapid population growth, and the lack of land, the need for increased production and the evolution of technologies are important concerns. The literature review shows that the quantitative and qualitative decline in groundwater is a global crisis. As a result, the factors affecting the quantitative and qualitative decline in groundwater range from climate factors to socio-economic factors.In the current research, find an answer to the poor condition of the Isin Plain aquifer by looking at the relationship between some hydrological factors and changes in cultivation pattern of the region is the main goal. For this purpose, the water table and EC of groundwater were interpolated using geostatistical methods. Using satellite imagery, the trend of culture pattern changes over time was obtained. Finally, the relation between the factors on the Isin plain was established. Material and MethodsFor this purpose, the quantity and quality of groundwater in eastern and western Isin plains were interpolated using the Kriging and IDW methods, during the four statistical years of 2004, 2011, 2018, and 2021 and the time series of 2004-2021. The RMSE statistic was used to evaluate the performance of the methods.Then, satellite images and ground truth data was used for land use change classes to investigate the land use changes during the cropping season, along with the determination of changes in the quantity and quality of groundwater in the eastern and western Isin plains for the mentioned years. Satellite data including Landsat 5 multi-temporal satellite images in 2004, 2011, and 2018 and Landsat 8 and Sentinel 2 images for February 2021 were obtained from the USGS.Following preparation of the related images using the flash module, atmospheric and radiometric corrections were performed. Then, the corrections information was extracted into the text file appended to each image. With field survey, the coordinates of the representative pixels were determined and seven land use classes of gardens, vegetables, bare lands, residential and industrial areas, saline lands, and Prosopis Cineraria and Juliflora species were determined. The maximum likelihood classification method was used to separate seven main land use classes based on 127 training samples. For the purpose of assessing accuracy, an error matrix was created for the producer's accuracy, the user's accuracy, the overall accuracy, and the kappa coefficient calculation. Finally, to examine the relationship, the land use map and the groundwater and EC interpolation maps were overlapped into the Arc Map software environment. Results and DiscussionBy comparing the interpolation methods of IDW and Kriging with the RMSE validation technique, it was found that the best interpolation method for estimating water table and EC is Kriging, followed by the IDW method. A review of the land use maps of the Eastern and Western Plains of Isin showed the increase and decrease of different land use categories over the years under study. The overall accuracy and Kappa coefficient were over 82% and 0.79, indicating the acceptable accuracy of the classification and maps obtained. The results of overlapping land use maps and spatial changes in ground water indicate that the location of agricultural land, especially gardens in the eastern Isin plain and vegetables in the western Isin plain, is compatible with the areas of having low water table. The results of overlapping the land use map obtained from Landsat 8 data and EC spatial changes showed the highest amount of EC in can be observed in Prosopis Cineraria and Juliflora species and residential and industrial uses in eastern and western Isin plain. The results obtained from Sentinel2 indicate that the value of EC was significant in the bare lands of eastern Isin and in the saline lands of western Isin. However, the increase in agricultural use, especially for gardens and vegetables, and the pairing with areas with the lowest water table indicates an over-extraction of groundwater for agricultural purposes. On the other hand, the significant extent of bare lands and the upward trend of saline lands, residential and industrial areas, and matching with areas with high EC and the adaptation of maximum EC with Prosopis Cineraria and Juliflora species uses may be a warning for poor condition of the Isin plain aquifer.Keywords: Water table, Electrical conductivity, Landsat, Sentinel2, maximum likelihood algorithm, Interpolation
-
بررسی تغییرات مکانی و زمانی ترکیب گونه ها و جوامع گیاهی یک گام اساسی در ارزیابی شرایط سلامت مرتع، درک فرآیندهای تکاملی اکوسیستم محلی و توسعه استراتژی های مدیریت مرتع است. هدف از پژوهش حاضر ارزیابی قابلیت طبقه بندی نظارت شده تصاویر ماهواره ای لندست 8 در تهیه نقشه جوامع گیاهی مراتع جنوب استان یزد می باشد. بدین منظور از 90 نمونه تعلیمی از مناطقی که تا حداقل شعاع 60 متر از نقطه مرکزی ترکیب همگنی از گونه های گیاهی را نشان می دادند؛ در سال 1394 نمونه برداری شد و سپس جوامع گیاهی بر اساس چیرگی درصد تاج پوشش تفکیک شدند. داده های ماهواره ای شامل باندهای 1 تا 7 سنجنده OLI ماهواره لندست 8 در تاریخ 29 اردیبهشت 1394 می باشد که پس از انجام تصحیحات هندسی، اتمسفری و رادیومتریکی مورد استفاده قرار گرفت. در پژوهش حاضر دقت شش الگوریتم طبقه ب ندی متوازی السطوح، کمترین فاصله، فاصله ماهالانوبیس، حداکثر تشابه، شبکه عصبی و ماشین بردار پشتیبان با کرنل شعاعی در تفکیک و تعیین محدوده جامعه گیاهی مورد بررسی قرار گرفت. بر اساس نتایج، الگوریتم حداکثر تشابه و شبکه عصبی در طبقه بندی تصویر ماهواره لندست 8 به ترتیب با دقت کلی 4/96 و 8/84 و ضریب کاپای 95/0 و 82/0 از بالاترین دقت و الگوریتم طبقه بندی متوازی السطوح به ترتیب با دقت کلی 7/18 و ضریب کاپای 07/0 از کمترین دقت برخوردار بود. به طور کلی نتایج این تحقیق نشان داد به منظور تفکیک و طبقه بندی جوامع گیاهی مختلف در منطقه مورد مطالعه الگوریتم حداکثر تشابه دارای نتایج مطلوبی می باشد و تلفیق مطالعات میدانی با سنجش از دور قابلیت بسیار مناسبی در تفکیک و طبقه بندی تیپ ها و جوامع گیاهی ایجاد می کند.
کلید واژگان: جامعه گیاهی، حداکثر تشابه، طبقه بندی نظارت شده، لندست 8، یزدInvestigating spatial and temporal changes in the composition of plant species and communities is an essential step in assessing pasture health conditions, understanding the evolutionary processes of the local ecosystem, and developing rangeland management strategies. The aim of this study is to evaluate the ability of supervised classification of Landsat 8 satellite images in mapping the plant communities in the southern rangelands of Yazd province. To do so, we selected and sampled 90 training samples from areas that showed a homogeneous composition of plant species up to a minimum radius of 60 meters from the central point in 2015, and then; plant communities were separated based on the prevalence of the percentage of cover crown. A Landsat 8 satellite image of OLI sensor on May 29, 2015 was used after geometric, atmospheric and radiometric corrections. In the present study, the final accuracy of six supervised classification algorithms including parallel classification algorithms, the minimum distance, the Mahalanobis distance, the maximum likelihood, the neural network and support vector machine with radial kernel were examined in the separation and determination of the range of the plant community. Based on the results, the maximum likelihood algorithm and the neural network had the highest accuracy with the final accuracy of 96.4% and 84.8% and Kappa coefficient of 0.95 and 0.82, respectively. In general, the results of this study showed that in order to differentiate and classify different plant communities in the study area, the maximum likelihood algorithm has good results and combining field studies with remote sensing is a very suitable capability in segregating and classifying the plant types and communities.
Keywords: Landsat 8 satellite, Maximum likelihood algorithm, Plant community, Supervised Classification, Yazd -
تغییر کاربری اراضی، نتیجه تعامل پیچیده بین بسیاری از فرایندها هستند. به منظور درک این پویایی ها، مدل های بسیاری در دهه های اخیر تولید شده اند. مطالعه حاضر با به کارگیری تصاویر ماهواره ای Landsat و استفاده از الگوریتم طبقه بندی حداکثر احتمال، به بررسی الگوی کاربری اراضی حوضه آبخیز سیمینه رود در سال های 1379، 1384، 1389 و 1396 پرداخته و سیر تبدیلات تاریخی آنها را مشخص می کند. در نهایت، سناریوهای مختلف تغییرات کاربری اراضی در سال 1419، با بهره گیری از آخرین نسخه موجود مدل Dyna-CLUE بررسی شده است. نتایج حاصل از مدل سازی بیانگر کارایی مدل Dyna-CLUE در تحلیل و پیش بینی الگوهای کاربری اراضی در سطح حوضه ای بوده و ضرایب واسنجی و اعتبارسنجی آن در سال های 1384 و 1389 به ترتیب 84/0 و 69/0 است. تحلیل تغییرات کاربری اراضی طی سال های 1379 تا 1396 نشان داده که بیشترین تغییر، تبدیل اراضی مرتعی به کشت آبی است؛ به طوری که حدود 343 کیلومترمربع از اراضی مرتعی (معادل 13 درصد) کاهش یافته و اراضی کشاورزی آبی حدود 127 درصد رشد داشته است. همچنین، آرایش مکانی کلاس های کاربری اراضی در سال 1419 در قالب سه سناریوی خوش بینانه، بدبینانه و ادامه روند گذشته بررسی و خروجی های آن نشان داده است که الگوی آتی غالب کلاس های کاربری اراضی منطقه نسبت به الگوهای فضایی تاریخی تغییر زیادی نکرده و پیشروی به صورت مجاورتی بوده است. نتایج مطالعه حاضر می تواند به عنوان ابزاری کارآمد، برنامه ریزان محیط زیست را در تجهیز مدیریتی زیرساخت های آتی حوضه سیمینه رود یاری دهد.
کلید واژگان: الگوریتم حداکثر احتمال، اراضی مرتعی، اراضی کشاورزی آبی، مدل سازی کاربری اراضیLand use change are the result of complex interactions between many processes. Many models have been developed in recent decades to understand these dynamics. The present study, using Landsat satellite images and applying the maximum probability classification algorithm, examined the land use pattern of Simine River basin in 2000, 2005, 2010 and 2017 and identifies the historical transformations of them. Finally, the various scenarios of land use change in 2040 will be examined using the latest version of the Dyna-CLUE land use model. The results of modeling indicate Dyna-CLUE model performance in analyzing and predicting future land use patterns at the basin level and its calibration and validation coefficients in 2005 and 2010 are 0.84 and 0.69, respectively. Analysis of land use changes between 2000 and 2017 has shown that the most change was the conversion of rangeland lands to irrigated lands; So that about 343 square kilometers of rangeland lands (equivalent to 13%) decreased and irrigated agricultural lands increased by about 127%. Also, the spatial arrangement of land use classes in 2040 in the form of three optimistic, pessimistic and the continuation of the previous trend scenarios and its outputs have shown that the future pattern of most land use classes in the region has not changed much compared to historical spatial patterns and shows a marginal spatial expansion. The results of this study can be used as an effective tool for environmental planners to manage the future infrastructure of the Simine River basin.
Keywords: Land use modeling, Maximum Likelihood Algorithm, Rangeland, Irrigated Agricultural Land -
نشریه سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، سال یازدهم شماره 1 (بهار 1399)، صص 84 -103
فن آوری سنجش از دور یکی از ابزارهای کارآمد برای پایش، مطالعه و تعیین سطح زیر کشت محصولات کشاورزی و باغی بویژه در سطوح وسیع می باشد. برنامه ریزان، مجریان و کشاورزان با آگاهی از نوع رقم و سطح زیر کشت محصولات کشاورزی می توانند سیاست های مدیریتی و اجرایی مناسبی اتخاذ نمایند. هدف از پژوهش حاضر ارزیابی قابلیت طبقه بندی نظارت شده تصاویر ماهواره ای چند باندی لندست-8 و سنتینل-A2 در تعیین محدوده، سطح زیر کشت و نوع رقم چهار نوع پسته اکبری، کله قوچی، احمد آقایی و فندوقی در یک مزرعه مطالعاتی در استان یزد می باشد. دقت چهار الگوریتم طبقه بندی متوازی السطوح، کمترین فاصله، فاصله ماهالانوبیس و بیشترین تشابه و همچنین بهترین زمان در تفکیک ارقام پسته مورد بررسی قرار گرفت. بر اساس نتایج، الگوریتم حداکثر تشابه در طبقه بندی تصویری در تاریخ 22 خرداد 1397 ماهواره لندست-8 با دقت نهایی و ضریب کاپای به ترتیب 76.8 درصد و 0.67 از بالاترین دقت و الگوریتم طبقه بندی متوازی السطوح به ترتیب با دقت نهایی و ضریب کاپای 7/64 و 47/0 از کمترین دقت برخوردار بود. همچنین بر اساس نتایج، بهترین زمان برای تفکیک ارقام پسته مورد بررسی اواخر خرداد می باشد. به طوری که ضریب کاپای طبقه بندی با الگوریتم حداکثر تشابه در تصویر تاریخ 22 خرداد 1397 ماهواره لندست، 0.67 و به ترتیب در تاریخ های 23 تیر، 24 مرداد و 25 شهریور 0.64، 0.63 و 0.63 بدست آمد. دقت نهایی و ضریب کاپای طبقه بندی با استفاده از الگوریتم حداکثر تشابه در تصویر تاریخ 24 خرداد 1397 ماهواره سنتینل-A2 به ترتیب 80 درصد و 0.71 بدست آمد. با انجام عمل فیلتر میانه با اندازه پنجره سه در سه بر روی تصویر طبقه بندی شده سنتیل-A2 میزان دقت نهایی و ضریب کاپا به ترتیب به 82.6 و 0.75 افزایش یافت. دقت نهایی و ضریب کاپای طبقه بندی و تفکیک ارقام پسته در تصاویر سنتینل-A2 نسبت به تصاویر لندست 8 بالاتر بود. در مجموع بر اساس نتایج، تکینک های طبقه بندی سنجش از دور و نیز تصاویر ماهواره ای چند باندی، از قابلیت مناسبی برای نقشه برداری کشاورزی و باغی برخوردار می باشند.
کلید واژگان: طبقه بندی نظارت شده، طبقه بندی الگوریتم حداکثر تشابه، ارقام پسته، ضریب کاپا، سنجش از دورRemote sensing technique is one of the most effective tools for monitoring, studying and determining the cultivation area of agricultural and horticultural crops, especially on a large scale. Planners, managers, and farmers, with knowledge of the type and extent of crop cultivation, can adopt appropriate management and enforcement policies. The purpose of the present study was to evaluate the supervised classification ability to classify Landsat 8 and Sentinel-2A multi-band satellite imagery in determining the cultivated area and type of four varieties of Pistachio namely such as; Akbari, Kalle Ghuchi, Ahmad Aghaei and Fandooki in an orchard in the Yazd province. In the present study, the accuracy of four classification algorithms, namely: Parallelepiped classification, Minimum distance, Mahalanobis distance and Maximum likelihood, as well as the optimum time in the separation of pistachio cultivars, were investigated. According to the classification results of a Landsat-8 image, on June 12, 2018, the Maximum likelihood algorithm with a final accuracy and Kappa coefficient of 76.8% and 0.67% and Parallelepiped classification algorithm with the final and Kappa coefficients of 64.7 and 0.47, were of highest and lowest accuracy among others, respectively. Also, according to the results, the best time for the separation of Pistachio cultivars was in late June. The Kappa coefficient of maximum likelihood classification algorithm on June 22, July 23, August 24 and September 25 of 2018 were 0.67, 0.64, 0.63 and 0.63, respectively. The final accuracy and Kappa coefficient of maximum likelihood classification algorithm on the Sentinel-2A Satellite images on 12 June 2018, were 80% and 0.71, respectively. By applying the median filter with a 3×3 dimensional kernel window size on the classified image, the final accuracy and Kappa coefficient was increased to 82.6% and 0.75, respectively. The final accuracy and Kappa coefficient of classification and separation of Pistachio cultivars in Sentinel-2A images were higher than in Landsat-8 images. Overall, based on our results, the remote sensing classification techniques, as well as multi-spectral satellite imagery, are suitable for agricultural and horticultural mapping.
Keywords: Supervised classification, Maximum likelihood algorithm, Pistachio cultivars, Kappa coefficient, remote sensing -
الگوریتم های شناسایی تغییرات در تصاویر سنجش ازدور به دو دسته پیکسل پایه و شیءگرا بر پایه حداقل واحد پردازش تقسیم می شوند. هدف از این پژوهش مقایسه عملکرد روش های پیکسل پایه و شیءگرا در طبقه بندی کاربری اراضی در دشت های اصفهان- برخوار، نجف آباد و چادگان و بررسی تغییر کاربری اراضی در طول دوره آماری با استفاده از تصاویر لندست (TM (1985 و (OLI (2015 است. طبقه بندی کاربری اراضی شامل قطعه بندی داده های تصویری با استفاده از الگوریتم قطعه بندی چندمقیاسه در محیط نرم افزار eCognition انجام شد. سپس این قطعات انتخاب شده و با استفاده از الگوریتم نزدیک ترین همسایه شیءگرا طبقه بندی شدند. طبقه بندی پیکسل پایه نظارت شده شامل انتخاب نمونه های تعلیمی با استفاده از الگوریتم حداکثر احتمال انجام شد. ارزیابی صحت در هر دو روش انجام شد. نتایج نشان داد که طبقه-بندی شیءگرا با صحت کلی بالای 90 درصد نسبت به طبقه بندی پیکسل پایه از دقت بالاتری برخوردار است. نقشه های کاربری اراضی نشان داد به ترتیب در دشت های اصفهان- برخوار، نجف آباد و چادگان مساحت کاربری مسکونی برابر با 2.09، 9.66، 3.74 درصد افزایش و کاربری مرتعی برابر با 7.48، 10.94 و 17.73 درصد کاهش در طول دوره موردمطالعه داشته اند. همچنین در دشت چادگان سطح اراضی زراعی و تحت آیش به ترتیب به میزان 8.31 و 5.64 درصد افزایش داشته اند.کلید واژگان: پیکسل پایه، شیءگرا، طبقه بندی حداکثر احتمال، طبقه بندی نزدیک ترین همسایه، کاربری اراضیChange detection algorithms of remote sensing image can be divided into two categories: pixel-based and object-oriented, according to the minimum processing unit. This paper deals with the comparison between application of pixel-based and object-oriented approaches in land use classification in Isfahan-Borkhar, Najafabad and Chadegan plains and evaluation of land use changes with Landsat TM (1985) and OLI (2015) data during the study period. The object-oriented approach involved the segmentation of image data into objects with multi-resolution segmentation algorithm by eCognition software. Then objects were assigned and classified with the nearest neighbour algorithm in object-oriented classification The supervised pixel-based classification involved the selection of training areas and a classification using a maximum likelihood algorithm. Accuracy assessments of both classifications were undertaken. The results show better overall accuracy (higher 90%) of the object-oriented classification over the pixel-based classification. The land use maps indicate that residential area is increased 2.09, 9.66 and 3.74% and rangeland area is decreased 7.48, 10.94 and 17.73% in Isfahan-Borkhar, Najafabad and Chadegan plains in the study period, respectively. In Chadegan plain the increase in agriculture and fallow land use has been equal to 8.31 and 5.64%, respectively.Keywords: Pixel-based, Object-oriented, Maximum likelihood algorithm, Nearest neighbour algorithm, Land use
-
هدف از انجام این تحقیق بررسی و مقایسه تغییرات تالاب بین المللی شادگان طی دو دهه گذشته است. بدین منظور روند تغییرات تالاب بین المللی شادگان و پدیده های مختلف مرتبط آن با استفاده از تصاویر ماهواره لندست از محدوده مطالعاتی و پردازش آن ها در محیط نرم افزار ENVI®4.8 به کمک روش طبقه بندی نظارت شده و الگوریتم شباهت طی یک دوره زمانی 20 ساله (1990-2011) بررسی گردید. برای تعیین علت تغییرات رخ داده در تالاب، کیفیت آب ورودی به تالاب به کمک شاخص ارزیابی ریسک و آسیب پذیری آلودگی منابع آب (WRASTIC)، در مقیاس حوزه آبریز تالاب مورد بررسی قرار گرفت. نتایج این تحقیق، کاهش 6 درصدی مساحت تالاب شادگان در طی این سال ها و کاهش مساحت بخش های آبی و خاکی (اراضی بایر و گل و لای) تالاب به میزان 61/ 1796 کیلومتر مربع (71/ 25%) و افزایش مساحت پوشش گیاهی تالاب به میزان 7/ 1796 (9%) را نشان می-دهد. پوشش گیاهی در تالاب به سرعت رو به افزایش بوده که نشان از آلودگی آب، افزایش پدیده تغذیه گرایی و از بین رفتن زودهنگام این تالاب بین المللی دارد. نتیجه محاسبه شاخص WRASTIC نشان دهنده تاثیر زیاد اجزاء حوزه آبریز تالاب شادگان در ایجاد آلودگی آب تالاب می باشد. با توجه به سیر تحولات ناخوشایند تالاب شادگان ادامه روند شرایط کنونی می تواند موجودیت و یکپارچگی تالاب شادگان را با خطر جبران ناپذیری مواجه نماید.
کلید واژگان: تالاب شادگان، سنجش از دور، الگوریتم حداکثر شباهت، شاخص WRASTICThe goal of this paper is reviewing and comparing of Shadegan international wetland changes during last two decades. To achieve this goal, the trend of changes in Shadegan international wetland and the relative consequences were examined by supervised classification of LandSat satellite images. For this purpose, maximum likelihood algorithm, in ENVI®4.8 software was utilized during 20 years period (1990-2011). WRASTIC index, one of the existing methods for evaluating risk and vulnerability of the surface water, was used for finding inflow water quality to the wetland. Results of this study show six percent decrease in area of Shadegan wetland during these years, about 1796.61 Km2 (25.71%) declination in water and soil areas, and by 1796.76 (9%) increase in the total area of vegetation cover. Growing vegetation cover denotes water pollution, eutrophication, and early devastation of this international wetland. A result of calculation WRASTIC index showed that wetland basin components have the great impact on pollution of inflow water to wetland. Continuing of this trend, make irreparable effects on this existence and integrity of this wetland.Keywords: Shadegan wetland, Remote sensing, Maximum likelihood algorithm, WRASTIC index -
آشکار سازی تغییرات، فرآیند شناسایی اختلاف در وضعیت یا حالت یک پدیده به وسیله مشاهده آن در زمان های مختلف می باشد. دو ویژگی خاک و توپوگرافی، تغییرات بلندمدت دارند و می توان آنها را جزو عوامل ایستا محسوب کرد. اما تغییر در واکنش هیدرولوژیک یک حوزه در مقیاس زمانی میان مدت به تغییر در نوع و توزیع پوشش گیاهی بستگی دارد. در50 سال اخیر حدود3700 واقعه سیل در کشور گزارش شده که حدود 53 درصد آن در سال های 1381-1371 اتفاق افتاده و دلیل آن، افزایش جمعیت، استفاده بیش از حد از اراضی و تبدیل جنگل به اراضی دیگر می باشد. در این تحقیق از تصاویر سنجنده های MSS و LISSIII به ترتیب مربوط به سال های 1977 و 2007 برای حوزه کسیلیان استفاده شد. پس از تصحیحات اتمسفری، ترکیبات باندی مختلف در هر دو تصویر با الگوریتم حداکثر احتمال طبقه بندی شدند که بهترین ترکیب باندی با توجه به ضریب کاپا در هر دو تصویر MSS و LISSIII مربوط به باند سبز، شاخص NDVI و باند قرمز به ترتیب با ضریب کاپای 81/0 و 84/0 می باشد. نتایج نشان داد که طی این دوره 30 ساله 94/251 هکتار از سطح جنگل های منطقه کاسته شده است.
کلید واژگان: آشکار سازی تغییرات، تصحیحات اتمسفری، طبقه بندی کننده حداکثر احتمال، سنجش از دور، کسیلیانChange detection is the process of identifying differences in the state of an object or phenomenon by observing it at different times. Soil and topography have long-term changes and can be considered static. However, changes in hydrological response of a watershed over a medium time scale depends on change in the type and distribution of vegetation cover. Over last 50 years, about 3700 floods have occurred in Iran that 53 percent of them have happened in 1992-2002 period due to population growth, change and over use of the land. In this research, MSS and LISSIII images of 1977 and 2007 related to Kasilian Watershed were used. After atmospheric corrections, different false color composites of both images were classified with maximum likelihood algorithm. The best kappa coefficient of both images were related to Green band, NDVI and Red band of false color composites as 0.81 and 0.84, respectively. The results showed that over the 30 year study period; about 251.94 hectare of forest area has been decreased.Keywords: Change detection, Atmospheric corrections, Maximum likelihood algorithm, Remote sensing, Kasilian Watershed
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.