این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
سنجش از دور و Gis ایران، جلد ۱۴، شماره ۳، صفحات ۱۰۵-۱۲۱
عنوان فارسی طبقه‌بندی شیءگرای مناطق شهری با تلفیق تصاویر سنتینل‌ـ ۱ و سنتینل‌ـ ۲
چکیده فارسی مقاله نقشه‌های کاربری زمین، توزیع فضایی منابع طبیعی، مناظر فرهنگی و سکونتگاه‌های انسانی را توصیف می‌کنند که به‌منزله ابزار برنامه‌ریزی مهمی برای تصمیم‌گیرندگان عمل می‌کند؛ بنابراین دقت نقشه‌های حاصل از طبقه‌بندی تصاویر ماهواره‌ای در عدم قطعیت به‌منظور ‌مدیریت شهری بسیار تأثیرگذار است. با توجه به کیفیت یکنواخت تصاویر در مناطق بزرگ در مراحل زمانی منظم، تصاویر سنجش از دور ورودی ضروری در تولید نقشه‌های کاربری زمین شمرده می‌شوند. هدف اصلی از این تحقیق پیشنهاد‌کردن روشی به‌منظور ایجاد نقشه پوشش اراضی دقیق در مناطق شهری، با استفاده از تلفیق داده‌های سنتینل‌ـ 1 و سنتینل‌ـ 2 است. به این منظور، ویژگی‌های ضریب بازپراکنش راداری VV و دو پارامتر حاصل از روش تجزیه H-α (آنتروپی، آلفا) از تصاویر راداری سنتینل‌ـ 1 و ویژگی‌های باند آبی، سبز، قرمز، شاخص‌های NDVI، NDWI، MNDWI و SWI از تصاویر اپتیک سنتینل‌ـ 2 استخراج و به منزله مؤلفه‌های تأثیرگذار در طبقه‌بندی منطقه شهری استفاده شد. در این مطالعه، با هدف جداسازی مناطق کشاورزی از سایر پوشش‌ها، از شاخص رطوبت SWI استفاده شد. همچنین داده‌های ارتفاعی برای تفکیک بهینه کلاس‌های پیچیده با توپوگرافی متفاوت به‌کار رفت. استخراج شاخص‌های تأثیرگذار از این دو مجموعه داده، در رویکردی شیءگرا مبتنی بر الگوریتم‌­های ماشین بردار پشتیبان و جنگل تصادفی، برای طبقه‌بندی کاربری زمین ارزیابی شد. نتایج نشان داد که به‌کارگرفتن ویژگی‌های استخراج‌شده از تصاویر راداری و اپتیک به‌طور هم‌زمان، در روش‌ طبقه‌بندی شیء‌گرا، می‌تواند ویژگی‌های شیء را به‌طور کامل در ناحیه مورد مطالعه استخراج کند. در مورد هر دو الگوریتم طبقه‌بندی، زمانی که از داده‌های اپتیک و راداری به‌طور هم‌زمان استفاده شد، دقت کلی طبقه‌بندی افزایش داشت. در مورد روش جنگل تصادفی که بیشترین دقت‌ها را دربر داشت، دقت کلی برای رویکرد ترکیب داده‌های راداری و اپتیک به‌میزان 13 و 5%، به‌ترتیب به نسبت رویکرد تنها ویژگی راداری و تنها رویکرد ویژگی اپتیک، افزایش پیدا کرده است. همچنین اختلاف معنی‌داری در دقت طبقه‌بندی، در تمامی سطوح، بین الگوریتم طبقه‌بندی ماشین بردار پشتیبان و جنگل تصادفی دیده می‌شود. نتایج نشان داد که دقت کلی درمورد روش طبقه‌بندی جنگل تصادفی و ماشین بردار پشتیبان به‌ترتیب برابر 3/83 و 8/79% و ضریب کاپا به‌ترتیب 72/0 و 68/0% بوده است.
کلیدواژه‌های فارسی مقاله سنجش از دور، سنتینل‌ـ 1، سنتینل‌ـ 2، طبقه‌بندی مبتنی بر شیء، ماشین‌ بردار‌ پشتیبان، جنگل تصادفی،
عنوان انگلیسی Object-Oriented Classification of Urban Areas Using a Combination of Sentinel-1 and Sentinel-2 Images
چکیده انگلیسی مقاله Land use maps describe the spatial distribution of natural resources, cultural landscapes, and human settlements that are essential for decision-makers. Therefore, the accuracy of maps obtained from the classification of satellite images is very effective in uncertainty for urban management. Due to the uniform quality of images in large areas at regular intervals, remote sensing images are essential for land use maps. The primary purpose of this study is to present a proposed method to create an accurate land cover map in urban areas using a combination of Sentinel-1 and Sentinel-2 data. For this purpose, the features of the backscattering coefficient VV and the two parameters obtained from the H-α decomposition method (entropy, alpha) of Sentinel-1 radar images and the features of the blue, green, red band, NDVI, NDWI, MNDWI, and SWI were extracted from Sentinel-2 Multispectral images and used as influential components to classify the urban area. To separate agricultural areas from other coatings, the SWI index was used. Elevation data have also been used to optimally distinguish complex classes with different topographies. We evaluated the extraction of effective indicators from these two datasets in an object-oriented approach based on support vector machine algorithms and random forest for land use classification. The results showed that using properties extracted from radar and Multispectral images simultaneously in the object-oriented classification method could altogether determinate the object's properties in the study area. When optical and radar data were used simultaneously for both classification algorithms, the overall accuracy classification increased. For the stochastic forest method, which provided the highest accuracy, the overall accuracy for the radar and optics data combination approach increased by 13% and 5%, respectively, compared to the radar feature approach and the optics feature approach alone. There was also a significant difference in classification accuracy at all levels between the support vector machine classification algorithm and the random forest. The results showed that the random forest classification method's overall accuracy and support vector machines were 83.3 and 79.8%, respectively, and the kappa coefficient was 0.72 and 0.68%, respectively. 
کلیدواژه‌های انگلیسی مقاله سنجش از دور, سنتینل‌ـ 1, سنتینل‌ـ 2, طبقه‏بندی مبتنی بر شیء, ماشین‏ بردار‏ پشتیبان, جنگل تصادفی
نویسندگان مقاله رضا شاه حسینی |
استادیار دانشکدة مهندسی نقشه‌برداری و اطلاعات مکانی، دانشکدگان فنی دانشگاه تهران

کمال عزیزی |
کارشناس ارشد دانشکدة مهندسی نقشه‌برداری و اطلاعات مکانی، دانشکدگان فنی دانشگاه تهران

ارسطو زارعی |
کارشناس ارشد دانشکدة مهندسی نقشه‌برداری و اطلاعات مکانی، دانشکدگان فنی دانشگاه تهران

فاطمه مرادی |
کارشناس ارشد دانشکدة مهندسی نقشه‌برداری و اطلاعات مکانی، دانشکدگان فنی دانشگاه تهران

نشانی اینترنتی https://gisj.sbu.ac.ir/article_102349_85431b563fed64614a111f2b38c5fd95.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات