این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مرتع، جلد ۱۴، شماره ۲، صفحات ۲۷۲-۲۸۵
عنوان فارسی مقایسه دقت روش‌های طبقه‌بندی پیکسل پایه و شیءگرا در تهیه نقشه تیپ‌های گیاهی (مطالعه موردی: مرجن بروجن)
چکیده فارسی مقاله یکی از روش‌های تهیه نقشه تیپ‌های گیاهی، استفاده از تکنیک‌های مختلف طبقه‌بندی تصاویر ماهواره‌ای است. هدف مطالعه حاضر، مقایسه دقت روش‌های طبقه‌بندی پیکسل‌پایه و طبقه‌بندی شیءگرا در تهیه و تفکیک نقشه پوشش گیاهی در مرتع مرجن شهرستان بروجن است. در این مطالعه علاوه بر تصاویر ماهواره لندست 8 مربوط به سال 2017، از تصاویر گوگل ارث نیز به عنوان داده‌های مرجع (با استفاده از تفسیر چشمی) جهت طبقه‌بندی اولیه 6 تیپ‌گیاهی موجود در منطقه (شامل Astragalus verus، Bromus tomentellus، Scariola orientalis، Astragalus verus-Bromus tomentellus، Astragalus verus-Stipa hohenikeriana، Bromus tomentellus-Stipa hohenikeriana) و یک تیپ کاربری اراضی کشاورزی استفاده شد. سپس تصاویر لندست با استفاده از تکنیک طبقه‏بندی شی‌ءگرا و پیکسل‌پایه (بیشترین شباهت) در نرم‌افزار TerrSet طبقه‌بندی شدند. برای پردازش طبقه‌بندی تصاویر ماهواره‌ای به روش شیءگرا، تصویر با اندازه کرنل (پهنای پنجره) 3 و تحمل تشابه (دامنه شباهت) 10 و با مقیاس و فشردگی 5/0 استفاده شد. سپس مهم‌ترین روش‌های ارزیابی صحت شامل ماتریس خطا، دقت کل و ضریب کاپای طبقه‌بندی استخراج شدند. با مقایسه نتایج به دست آمده و مقایسات آماری تی-جفتی دو روش می‌توان نتیجه گرفت که روش شی‌ءگرا با ضریب کاپای 63/0 و دقت کل 80/0 نسبت به روش نظارت شده (بیشترین شباهت) با ضریب کاپای 59/0 و دقت کل 77/0 از دقت بالاتری برخوردار است و برای طبقه‌بندی پوشش­گیاهی روش مناسب­تری می‌باشد.
کلیدواژه‌های فارسی مقاله سنجش‌از دور، پوشش گیاهی، تصاویر ماهواره‌ای، مرتع.
عنوان انگلیسی Accuracy of pixel v.s. object-based classification methods in mapping vegetation types (Case study: Marjan Boroujen)
چکیده انگلیسی مقاله One of the methods of vegetation mapping is using satellite image's classification techniques. The objective of the present study is to compare the pixel and object-based classification methods on rangelands vegetation mapping at Marjan, Boroujen. To do so, Landsat-8 satellite imagery of 2017 as well as Google Earth images (as reference data by visual interpretation) were used to accurately map six vegetation types: (Astragalus- Bromus tomentelus, Astragalus-Stipa hohenikeriana, Bromus tomentelus-Stipa hohenikeriana) and an agricultural land cover. Then the Landsat images were classified by pixel-based classification (i.e., maximum likelihood) and object-based techniques using TerrSet software. Kernel size (window width) of 3, similarity tolerance of 10, weight mean factor and weight variance factor of 0.5 were used for object-based classification of satellite images. Then, the most important indicators of accuracy assessment, including overall kappa index and overall accuracy extracted from error matrix were calculated to compare the methods. Results indicates that the object-based method with 0.63 overall kappa index and overall accuracy of 0.80 is a superior method relative to the supervised classification method (maximum likelihoodwith overall kappa index of 0.59 and overall accuracy of 0.77. Therefore, object-based classification of remotely sensed images is recommended for vegetation mapping.
کلیدواژه‌های انگلیسی مقاله Remote sensing, Vegetation, Satellite Images, Rangeland
نویسندگان مقاله الهام کشاورز | Elham Keshavarz
Department of Range Mamnagement, Faculty of Natural Resources and Earth Science, University of Shahrekord, Shahrekord
گروه مرتعداری، دانشکده منابع طبیعی و علوم زمین، دانشگاه شهرکرد، شهرکرد

عطاالله ابراهیمی | Ataollah Ebrahimi
Department of Range Mamnagement, Faculty of Natural Resources and Earth Science, University of Shahrekord, Shahrekord
گروه مرتعداری، دانشکده منابع طبیعی و علوم زمین، دانشگاه شهرکرد، شهرکرد

علی‌اصغر نقی‌پور | Aliasghar Naghipoor
Department of Range Mamnagement, Faculty of Natural Resources and Earth Science, University of Shahrekord, Shahrekord
گروه مرتعداری، دانشکده منابع طبیعی و علوم زمین، دانشگاه شهرکرد، شهرکرد

نشانی اینترنتی http://rangelandsrm.ir/browse.php?a_code=A-10-287-150&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده تخصصی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات