مقـایسه‌ی روش های فازی و حداکثر احتمـال برای تهیه نقشه پوشش اراضی تالاب گندمـان با استفاده از تصاویر ماهواره لندست

نوع مقاله: مقاله پژوهشی

نویسندگان

1 کارشناسی ارشد ارزیابی و آمایش سرزمین، دانشگاه پیام نور، تهران،ایران. *(مسوول مکاتبات)

2 استادیار، گروه منابع طبیعی و محیط زیست، دانشگاه پیام نور، تهران، ایران.

چکیده

تهیه نقشه­های کاربری و پوشش زمین به منظور اطلاع از کاربری ها و برنامه ریزی در جهت مدیریت بهینه­ی کاربری اراضی از­جمله اقدامات اساسی برای دست­یابی به توسعه پایدار است، این مساله در خصوص مناطق حساس و به­خصوص تالاب­ها به علت وابستگی عملکردهای هیدرولوژیکی و بیوژئولوژیکی آن ها به جریانات سطحی و زیرزمینی و موقعیت آن ها در سیمای سرزمین از اهمیت بیش تری برخوردار است. امروزه الگوریتم­های زیادی جهت مقایسه نقشه­های کاربری/ پوشش اراضی، توسعه یافته است. هدف از این مطالعه مقایسه دو روش حداکثر احتمال و فازی، جهت تهیه نقشه  پوشش اراضی  تالاب بین المللی گندمان و اراضی پیرامون با استفاده از تصاویر ماهواره لندست می­باشد. برای این منظور، از تصاویر سال 2014 مربوط به سنجنده OLI ماهواره لندست 8 استفاده شد. بر اساس نتایج به دست آمده، منطقه­ی مورد مطالعه به طبقات تالاب، اراضی کشاورزی، اراضی بایر و مرتع تقسیم گردید و دقت کلی و ضریب کاپا برای نقشه­های کاربری اراضی محاسبه شد که بر اساس نتایج به دست آمده می­توان بیان کرد نقشه­ی کاربری اراضی حاصل از الگوریتم فازی با دقت کلی 70/86 و ضریب کاپای 79/0 نسبت به الگوریتم حداکثر احتمال با دقت کلی 20/81  و ضریب کاپای 71/0 از دقت بالاتری برخوردار بوده است.

کلیدواژه‌ها


 

 

 

 

 


 

 

فصلنامه انسان و محیط زیست، شماره 48، بهار 98

 

مقـایسه­ی روش های فازی و حداکثر احتمـال برای  تهیه نقشه پوشش اراضی تالاب گندمـان   با استفاده از تصاویر ماهواره لندست

 

لیلا سمیعی [1] *

nskleilasamiee@yahoo.com

مرضیه علی خواه اصل [2]

محمد رضوانی 2

 

تاریخ دریافت: 17/11/1394

تاریخ پذیرش:01/04/1395

 

چکیده

تهیه نقشه­های کاربری و پوشش زمین به منظور اطلاع از کاربری ها و برنامه ریزی در جهت مدیریت بهینه­ی کاربری اراضی از­جمله اقدامات اساسی برای دست­یابی به توسعه پایدار است، این مساله در خصوص مناطق حساس و به­خصوص تالاب­ها به علت وابستگی عملکردهای هیدرولوژیکی و بیوژئولوژیکی آن ها به جریانات سطحی و زیرزمینی و موقعیت آن ها در سیمای سرزمین از اهمیت بیش تری برخوردار است. امروزه الگوریتم­های زیادی جهت مقایسه نقشه­های کاربری/ پوشش اراضی، توسعه یافته است. هدف از این مطالعه مقایسه دو روش حداکثر احتمال و فازی، جهت تهیه نقشه  پوشش اراضی  تالاب بین المللی گندمان و اراضی پیرامون با استفاده از تصاویر ماهواره لندست می­باشد. برای این منظور، از تصاویر سال 2014 مربوط به سنجنده OLI ماهواره لندست 8 استفاده شد. بر اساس نتایج به دست آمده، منطقه­ی مورد مطالعه به طبقات تالاب، اراضی کشاورزی، اراضی بایر و مرتع تقسیم گردید و دقت کلی و ضریب کاپا برای نقشه­های کاربری اراضی محاسبه شد که بر اساس نتایج به دست آمده می­توان بیان کرد نقشه­ی کاربری اراضی حاصل از الگوریتم فازی با دقت کلی 70/86 و ضریب کاپای 79/0 نسبت به الگوریتم حداکثر احتمال با دقت کلی 20/81  و ضریب کاپای 71/0 از دقت بالاتری برخوردار بوده است.

کلمات کلیدی: تالاب، روش فازی، روش حداکثر احتمال، کاربری/ پوشش اراضی.

 


 

Human & Environment., No. 48, Spring 2019

 

 

 

 

 


Comparing fuzzy and maximum likelihood methods to land cover mapping in Gandoman wetland using Landsat satellite data

 

Leila Samiee [3]*(Corresponding Author)

Vheidadri56@gmail.com

Marzieh Alikhah-Asl [4]

Mohammad Rezvani 2

 

Abstract

Preparation of land use and land cover maps in order to inform from land use and planning with optimal planning one of the basic measures to achieve sustainabll developement. This issue is more important in sensitive areas and particularly in wetland due to dependence of hydrologic and biogeological performance of them to surface and groundwater flows and their status in the landscape. Nowdays, many algorithms have developed to compare maps of land use / cover maps. The aim of this study is comparison of two methods of maximum likelihood and fuzzy method for preparation of land use/cover maps in Gandoman international wetland and the land around it using Landsat images. For this study, Images (2014) were used related to landsat. Based on obtained results the study area was classified into farmland, bare land, rangeland and lagoon. Thereafter overall accuracy and kappa computed for each land use. Finally results showed that fuzzy method more accurately produced land were used than maximum probability method. The result can be staded maps of land use fuzzy algorithm with overall accuracy 86،70 and kappa coefficient 0.79 to maximum likelihood in overall accuracy 81.20 and kappa coefficient is 0.71, higher accuracy.

Key Words: Wetland, Fuzzy method, Maximum likelihood method, Land use and land cover.

 

 

 

 

 


مقدمه

 

داده­های  ماهواره­ای یکی از سریع­ترین و کم هزینه ­ترین روش­های در اختیار محققان جهت تهیه نقشه­ی کاربری اراضی می باشد (1). تجزیه وتحلیل این داده­ها می­تواند بینش­های صحیح جهت تعامل انسان با محیط طبیعی فراهم کند. به خصوص تجزیه وتحلیل تصاویر چند طیفی می­تواند به انسان جهت شناسایی پوشش زمین کمک کند (2). ارزیابی روند تغییرات کاربری زمین  فرایند ی است که به ایجاد درک صحیحی ازنحوۀ تعامل انسان و محیط زیست منجر  می شود . تهیة نقشه های کاربری و پوشش زمین به منظور اطلاع از کاربری ها و برنامه ریزی در جهت کاربری های دلخواه از جمله اقدامات  اساسی  برای استفادة  بهینه از  منابع  زمین است. این مسأله در خصوص مناطق حساس و به خصوص تالاب ها به علت وابستگی عملکردهای هیدرولوژیکی و بیوژئولوژیکی آن ها به جریانات سطحی و زیرزمینی و موقعیت آن ها در سیمای سرزمین از اهمیت بیش تری برخوردار است (1،3، 4). از آنجا که تغییرات در کاربری / پوشش اراضی در سطوح وسیع و گسترده صورت می­گیرد، لذا تکنولوژی سنجش از دور یک ابزار با ارزش در ارزیابی تغییرات به دلیل پوشش و برداشت مکرر از منابع می­باشد (5). چیت ساز (6) بیان داشت که با توجه به قابلیت بالای تصاویر ماهواره­ای بهنگام بودن، چند طیفی بودن، تکراری بودن، پوشش وسیع و افزایش روزافزون توان تفکیک طیفی و مکانی آن­ها، می­توان جهت مطالعه و بررسی تالاب­ها استفاده نمود. در مطالعات آشکارسازی تغییرات کاربری اراضی، روش­های مبتنی بر طبقه بندی اطلاعات دقیقی درباره­ی انواع پوشش های زمین قبل و بعد از تغییر فراهم می کنند و وجود چنین اطلاعاتی در مطالعات پایش اهمیت دارد، بنابراین انتخاب روش­ها به این دسته محدود می­شوند و به طور گسترده مورد استفاده قرار می­گیرند (7). امروزه الگوریتم های زیادی جهت طبقه بندی و تهیه نقشه­ی کاربری / پوشش اراضی توسعه یافته است. از متداول­ترین و دقیق­ترین روش­های طبقه­بندی مورد استفاده برای این منظور می توان به روش­های آماری نظیر طبقه­بندی حداکثر احتمال اشاره نمود. اما مشکلاتی از قبیل فرضیات مورد نیاز این روش­ها، منجر به ایجاد روش­های جدیدتر و استفاده بیش تر از آن­ها شده است. روش­های جدید طبقه بندی از جمله فازی توجه زیادی را به خود جلب کرده­اند. محققان زیادی به بررسی و مطالعه روش­های پایش تغییرات پوشش گیاهی با استفاده از تصاویر ماهواره­ای و تکنیک­های سنجش از دور پرداخته­اند. از مطالعات صورت گرفته می­توان به تحقیقات علوی پناه و مسعودی (1380) اشاره کرد که برای طبقه بندی تصاویر ماهواره لندست جهت تهیه نقشه کاربری اراضی منطقه موک استان فارس از روش حداکثر احتمال استفاده نمودند. نتایج حاصل ارزیابی دقت طبقه بندی کارایی روش مذکور را درتولید نقشه کاربری اراضی نشان  داده براساس تحقیقات آن ها با توجه کوهستانی بودن منطقه انتخاب راهبرد مناسب برای طبقه بندی تصاویر ماهواره ای ضروری می باشد (8). رحیمی وهمکاران (1391) تغییرات پدیده های محیط زیستی تالاب بین المللی شادگان با کمک تصاویر ماهوارة لندست، روش طبقه بندی نظارت شده و الگوریتم شباهت در یک دورة زمانی 20 ساله بررسی کردند. آن‌ها با بررسی سیر تحولات ناخوشایند تالاب شادگان و ادامة آن روند، خطر جبران ناپذیر موجودیت و یکپارچگی تالاب را هشدار دادند (9).

رفیعی و همکاران (1390) با استفاده از تصاویر چندزمانة سنجندTM  تغییرات محیط زیستی تالاب نی­ریز را بررسی کردند. آن­ها به منظور یافتن مقدار و علت تغییرات در این تالاب طی سال‌های 1998 تا  2009 از روش های سنجش از دور در پردازش تصاویر ماهوار ة لندست استفاده کردند. نتایج طبقه بندی نظارت شده و الگوریتم حداکثر احتمال، نشان دهندة دقت کلی بالایی بوده است(10). از دیگر مطالعات انجام شده می­توان به دهستانی (11)، رفیعیان و همکاران (12)، (نیازی و همکاران (13)، ویلسون (14)، ژانک و فودی (15)، فودی (16)، سونار اربیک و همکاران (17) و  وربیک و همکاران (18) اشاره کرد. با توجه به این که تغییرات کاربری و پوشش اراضی باعث ایجاد تغییرات زیادی در تالاب گندمان گردیده  و از آنجا که از مهم­ترین مشکلات پایش تغییرات کاربری اراضی در این منطقه، عدم وجود اطلاعات مکان دار دقیق و به­روز است که این عوامل به­طور دقیق و با روش­های جدید مورد مطالعه قرار نگرفته­اند، لزوم انجام این مطالعه را نشان می­دهد. هدف از این مطالعه مقایسه­ دو روش طبقه­بندی حداکثر احتمال و فازی جهت استخراج نقشه­ی کاربری اراضی تالاب بین­المللی گندمان چهار محال و بختیاری از تصاویر ماهواره لندست می­باشد.

روش بررسی

داده‌های مورد استفاده

در این تحقیق از داده‌های رقومی ماهواره لندست 8 مربوط به 30 می 2014 به شماره گذر و ردیف 164 -38 از سنجنده OLI استفاده شده است. در این مطالعه از باندهای 1 تا 8 استفاده شده است.


 

جدول 1- باندهای طیفی OLI و TIRS

نام سنجنده

باند طیفی

طول موج (میکرومتر)

قدرت تفکیک (متر)

عرض تصویر برداری (کیلومتر)

OLI

باند1- باند Coastal/Aerosol

433/0-453/0

30

185

 

باند2- آبی

450/0-515/0

30

باند3- سبز

525/0-600/0

30

باند4- قرمز

630/0-680/0

30

باند 5- مادون قرمز نزدیک

845/0-885/0

30

باند6- مادون قرمز کوتاه

560/1-660/1

30

باند7- مادون قرمز طول موج کوتاه

10/2-30/2

30

باند8- Panchromatic

50/0-68/0

15

باند9- Cirrus

36/1-39/1

30

TIRS

باند10- مادون قرمز حرارتی

30/10-30/11

100

باند 11- مادون قرمز حرارتی

50/11-50/12

100

 


منطقه­ی مورد مطالعه

 

منطقه مورد بررسی، اراضی محدوده تالاب گندمان با وسعت حدود  14 هزار هکتار می­باشد که با ارتفاع حدود 2219 متر از سطح دریا در استان چهار محال و بختیاری در بخش گندمان با فاصله تقریبی 90 کیلومتری از مرکز استان واقع شده و نزدیکترین شهر به آن شهر گندمان می­­باشد که با فاصله 4 کیلومتری از آن قرار گرفته است. بر مبنای سیستم مختصات  UTM این منطقه در زون 39 شمالی قرار دارد و مختصات آن در این سیستم طول و عرض جغرافیایی بیضوی مبنای WGS84 به شرح ذیل است:

طول جغرافیایی ً28´ 27˚ 51 تا  ً08´66 ˚50 شرقی و عرض جغرافیایی ً322´ 17 ˚35 تا  ً399´ 25 ˚32 شمالی می­باشد.



 

شکل1 - موقعیت منطقه مورد مطالعه در استان چهارمحال و بختیاری و ایران (منبع: نگارندگان)


پیش‌پردازش تصاویر

 

پیش‌پردازش‌های لازم بر روی تصاویر شامل بررسی تصحیح هندسی و تصحیح رادیومتریک می‌باشد. با انجام تصحیح هندسی علاوه بر حذف و کاهش خطاهای هندسی یک سیستم مختصات مشخص را نیز  به  تصویر  اعمال کرده و  تا حدی خصوصیات یک نقشه را از نقطه­نظر هندسی به تصویر می­دهد (19، 20). در این تحقیق از روش کلی برای تصحیح هندسی استفاده شد. به منظور زمین مرجع سازی تصاویر پانکروماتیک نقاط کنترل زمینی از روی نقشه های 1:25000 جمع آوری شد و در انتخاب نقاط کنترل سعی گردید تا از عوارضی مانند تقاطع راه­ها، کوچه­ها، محل پل­ها و نقاطی که در تصویر و نقشه قابل شناسایی هستند استفاده گردد. زمین مرجع سازی با استفاده از رابطه درجه دوم و روش نمونه­گیری مجدد نزدیک­ترین همسایه انجام شد. تصاویر چند طیفی از طریق تطابق تصویر به تصویر،  با تصاویر پانکروماتیک مورد مطابقت قرار گرفتند. میزان تطابق هندسی با استفاده از لایه برداری جاده­ها مورد بررسی قرار گرفت. تصاویر پانکروماتیک با تعداد 25 نقطه  کنترل زمینی و بکارگیری رابطه تطابق  درجه دوم با RMSE  برابر 86/0  زمین مرجع  شد. همچنین تصاویر چند طیفی با استفاده تصاویر تطابق یافته و از تلفیق روش دستی و خودکار RMSE برابر 65/0 در جهت محور Y و 60/0 در جهت محور X و به­کارگیری رابطه تطابق درجه دوم زمین مرجع شد. میزان تطابق هندسی تصاویر پانکروماتیک با استفاده از لایه برداری جاده­ها مورد بررسی قرار گرفت و تطابق هندسی مناسبی را نشان دادند. همچنین به منظور تصحیح رادیومتریک ازروش کاهش تیرگی پدیده در تصویر استفاده شد. به منظور کاهش تیرگی و اثرات پخش اتمسفری ، از متد چاوز  که عبارت است از روش کم کردن ارزش­های پیکسل­های تیره  استفاده و ارزش پیکسل­های تیره در تصویر کاهش داده شد تا فرآیند طبقه­بندی از صحت بالایی برخوردار باشد. این روش به راحتی در نرم افزار Envi  قابل اجراست (21) .

پردازش و بارزسازی تصویر

به منظور استخراج هر چه کامل‌تر اطلاعات از تصاویر ماهواره‌ای از روش‌های مناسب تبدیل، بارزسازی تصویر نظیر ترکیب‌های رنگی مختلف، نسبت‌گیری طیفی، ادغام تصاویر چند طیفی با پانکروماتیک، شاخص‌های پوشش گیاهی و تبدیل تسلدکپ می‌توان استفاده کرد (2، 22،4). در این مرحله اقدام به تهیه ترکیب­های رنگی مختلف کرده و ترکیب 543 برای تصویر سنجنده OLI به عنوان  بهترین ترکیب برای استفاده در مراحل بعدی انتخاب شد. معمولاً  در طبقه­بندی و استخراج بهتر اطلاعات در فضای n بعدی، تعدادی باند مورد استفاده قرار می­گیرد. برای انتخاب مناسب­ترین ترکیبات باندی از شاخص فاکتور مطلوبیت (OIF) [5] استفاده شد. استفاده از تعداد باندهای مختلف و متعدد در طبقه­­بندی، میزان اطلاعات دریافتی و همچنین دقت طبقه ­بندی را  افزایش می­دهد. در این تحقیق علاوه بر باندهای طیفی اصلی، باندهای مختلف مصنوعی نیز برای شرکت در طبقه­بندی تهیه شدند. بدین صورت که یک مقدار آماری تحت عنوان فاکتور مطلوبیت وجود دارد که براساس بالاترین مجموع انحراف از معیارها  و پایین­ترین میزان همبستگی بین هر دو باند، برای هر ترکیبی از سه باند محاسبه می­شود و هر ترکیب از سه باند که مقدار
بالاتری داشته باشد به نحو مطلوب­تری در تصویر مرکب، پدیده­ها را تفکیک می کند. یعنی فاکتور مطلوبیت بالاتر مقدار اطلاعات بیش تر و اطلاعات تکراری کم تری را در ترکیب باند مورد نظر نشان می­دهد (2). به منظور جداسازی پوشش‌گیاهی از غیرگیاهی، در این تحقیق از شاخصNDVI که یکی از پر کاربردترین شاخص­ها به منظور تفکیک پوشش گیاهی است، به همراه باندهای حاصل از ادغام، استفاده شد. این شاخص گیاهی که از معروف­­ترین و ساده­ترین شاخص­های گیاهی مورد استفاده است، بر حسب دو باند قرمز و مادون قرمز نزدیک به صورت زیر تعریف می­شود (4):

محدوده­ی شاخص پوشش گیاهی نرمال شده بین1- و1+ است. نواحی سترون صخره­ای، ماسه­ای یا برفی معمولا شاخص های ndvi بسیار پایینی (به عنوان مثال 1/0 با کم تر) را نشان می­دهد. پوشش گیاهی پراکنده نظیر درختچه­ها، چمنزارها یا محصولات پیر و فرسوده ممکن است به مقادیر متوسط (تقریبا 2/0 تا 5/0)، NDVI منجرشود. ارزش های  بالای NDVI (تقریبا 6/0 تا 9/0) با پوشش­های گیاهی متراکم  از قبیل آن چه که در جنگل­های حاره­ای و معتدله ویا محصولات در مرحله­ی اوج رشد یافت شده است، مطابقت دارد .

 

 

 

شکل 2- نمودار روند کلی مراحل انجام پژوهش (منبع: نگارندگان)

 


طبقه­بندی تصاویر

 

به منظور شناسایی  و ایجاد کاربری­ها و همچنین تهیه نقشه کاربری در منطقه مورد مطالعه از روش­های طبقه­بندی نظارت شده استفاده شد.

به منظور تفکیک کاربری­ها یک طرح طبقه بندی با توجه به مشاهدات میدانی و تفسیر بصری تصاویر ایجاد شد و تصاویر Landsat به چهار کلاسه به منظور تعیین کاربری تقسیم گردیدند.

نمونه­های تعلیمیو تفکیک پذیری آن­ها

در طبقه­بندی نظارت شده، اساس کار طبقه­بندی کننده­ها روی نمونه­های تعلیمی و خصوصیات طیفی آن­ها استوار می­باشد. در مطالعات دورسنجی به منظور ارزیابی صحت نقشه­های تولید شده، نقشه واقعیت زمینی (نقشه مبنا) را می­توان به صورت بصری از روی عکس­های هوایی بزرگ مقیاس و یا از روش میدانی تهیه کرد (23، 20، 8). برای تهیه نقشه واقعیت زمینی دقیق از تمام کاربری­ها در منطقه مورد مطالعه، با استفاده از GPS، نمونه­های تعلیمی به صورت پراکنده و تصادقی برداشت شد و در حین برداشت موقعیت این نقاط بر روی تصویر منطقه مورد مطالعه که چاپ شده بود، نیز مشخص گردید. سپس در تصویر تصحیح شده این نقاط بر روی تصویر مشخص گردید.

 

جدول2- تعداد نمونه­های تعلیمی

 (منبع: نگارندگان)

نمونه تعلیمی

کاربری

نقاط شاهد

نقاط رفرنس

تالاب

اراضی کشاورزی

اراضی بایر

مراتع

10

27

18

15

30

80

60

50

       

 

از طریق معیار تفکیک واگرایی جفریز- ماتوسیتا بهترین مجموعه کلاس­ها برای طبقه­بندی تعیین شد (24). حد تفکیک معیار واگرایی[6] و فاصله جفریز- ماتوسیتا[7] بین 2-0 می­باشد. اگر در کلاس­ها حد تفکیک پذیری بیش از 9/1 باشد نشان­دهنده این است که  کلاس­ها  تفکیک پذیری  خوبی دارند و در صورتی که حد تفکیک پذیری کم تر از 1 باشد، نشان دهنده این است که تفکیک پذیری پایین دارند و باید توسط گزینه Merge با هم ادغام ­شوند ( 25، 26،13). که اراضی بایر و رهاشده حد تفکیک پایینی داشتند و با یکدیگر ادغام گردیدند.

روش حداکثر احتمال و فازی

در روش حداکثر احتمال  ارزش بازتابی  هر پیکسل ناشناخته  بر اساس واریانس و کوواریانس آن به طبقه واکنش طیفی ویژه تجزیه و تحلیل می­شود. در این روش فرض بر این است که توزیع داده­های هر طبقه بر اساس توزیع نرمال در اطراف پیکسل میانگین آن طبقه قرار گرفته­اند(27). در این روش ارزش بازتابی هر پیکسل ناشناخته بر اساس واریانس و کوواریانس آن به طبقه واکنش طیفی ویژه تجزیه و تحلیل می­شود. و الگوریتم فازی برای کمک به داده­هایی که ممکن است در یک طبقه قرار نگیرند، طراحی شده است. این طبقه­بندی بر اساس یک تابع  عضویت عمل می­نماید  که در آن ارزش     یک پیکسل با نزدیکی آن به یک کلاس یا کلاسی دیگر تعیین می­شود. طبقه یندی فازی دارای مرز مشخصی نیست و هر پیکسل می­تواند متعلق به چندین کلاس متفاوت باشد (2، 20، 28و 29). در این طبقه بندی همانند طبقه­بندی نظارت شده نمونه­­های تعلیمی مورد استفاده قرار می­گیرد اما بزرگ ترین تفاوت آن با روش نظارت شده آن است که قادر است اطلاعات را از کلاس های مختلفی  که در پیکسل­های  مخلوط یافت می­شوند به دست آورد و علاوه  برآن در طبقه ­بندی فازی  مکان های تعلیمی نبایست پیکسل­ های کاملا  مشابه داشته باشند (30).

ارزیابی صحت طبقه­بندی

برآورد  صحت برای درک  نتایج به ­دست آمده و  به­کار بردن این نتایج برای تصمیم­گیری خیلی مهم هستند. معمول­ترین پارامترهای برآورد  صحت شامل ، صحت کلی ، صحت      تولید کننده، صحت کاربر و ضریب کاپا هستند(20، 31). صحت اطلاعات در واقع میزان احتمال درستی اطلاعات است (33،32). صحت کلی از جمع عناصر قطر اصلی ماتریس خطا تقسیم بر کل پیکسل­ها محاسبه گردید. صحت کلی به عنوان یک معیار ارزش­گذاری صحت طبقه­بندی، از طریق تقسیم مجموعه پیکسل­های صحیح طبقه بندی شده تمامی طبقات به مجموعه پیکسل­های تصویر می­باشد. در این معیار فقط از پیکسل­های صحیح طبقه­بندی استفاده شده و از شرکت دادن پیکسل­هایی که به غلط طبقه­بندی شده­اند صرف­نظر می­شود. در نتیجه این معیار فقط به عنوان صحت کلی نقشه حاصله خواهد بود(34،15). رابطه آن به شرح زیر است:

 

ضریب کاپا نشان­دهنده توافق حاصل طبقه­بندی با داده­های واقعیت زمینی می­باشد. دامنه این ضریب بین 1-0 است که عدد 1 بیان گر همسویی یا توافق صد درصد نقشه طبقه­بندی شده با واقعیت زمینی می­باشد (درویش صفت، 1377).(12) معادله ضریب کاپا برابر است با:

 

در تصاویر Landsat از 258 نمونه تعلیمی در تعیین کاربری برای انجام طبقه بندی  استفاده شد و 30 درصد  از هر طبقه  به عنوان نقشه واقعیت زمینی نمونه­ای برای استفاده در ارزیابی صحت نتایج طبقه­بندی در نظر گرفته شد.

یافته­ها

پس از اعمال الگوریتم های طبقه بندی حداکثر احتمال و فازی بر روی تصاویر سنجنده OLI  ماهواره لندست 8 نقشه­ی پوشش/کاربری اراضی تهیه گردید. (شکل 4و 5). سپس صحت طبقه­بندی با 30 درصد از نمونه های تصادفی جمع آوری شده مورد ارزیابی قرار گرفت. با استفاده از صحت کلی و ضریب کاپا دقت نقشه­های تولیدی مشخص گردید که نتایج آن­ در جدول (3) ارایه شده است. بر اساس نتایج به دست آمده می­توان بیان کرد نقشه­ی کاربری اراضی حاصل از الگوریتم فازی با دقت کلی 70/86 و ضریب کاپای 79/0  نسبت به الگوریتم حداکثر احتمال با دقت کلی 20/81 و ضریب کاپای 71/0 از دقت بالاتری برخوردار بوده است. دقت تولید کننده احتمال یک پیکسل در تصویر طبقه­بندی در همان کلاس در روی زمین است و دقت کاربر احتمال یک کلاس مشخص در روی زمین در همان کلاس  بر روی تصویر طبقه­­بندی شده می­باشد و برای 4 کلاس تعیین شده در این مطالعه بیش ترین دقت را برای نقشه­ی کاربری اراضی به­دست آمده از روش فازی داشته­اند.

 

 

 

 

شکل3- نقشه کاربری اراضی به روش حداکثر احتمال (منبع: نگارندگان)

 

جدول 3- صحت نقشه کاربری اراضی  به روش حداکثر احتمال (منبع: نگارندگان)

نوع کاربری

دقت نرم افزار

دقت کاربر

تالاب

00/100

00/80

اراضی کشاورزی

32/65

76/70

اراضی بایر

73/71

45/81

مراتع

89/86

23/95

صحت کلی20/81

ضریب کاپا7140/0

 


 

 

شکل4- نقشه کاربری اراضی به روش فازی (منبع: نگارندگان)

 

جدول 4- صحت نقشه کاربری اراضی به روش فازی  (منبع: نگارندگان)

نوع کاربری

دقت نرم افزار

دقت کاربر

تالاب

00/90

00/100

اراضی کشاورزی

34/80

89/78

اراضی بایر

4/76

27/89

مراتع

14/90

23/98

صحت کلی70/86

ضریب کاپا7921/0

 

 

 

مساحت هریک از کلاس­های نقشه کاربری اراضی به­دست آمده از دو طبقه­بندی حداکثر احتمال و نظارت شده در نمودار (1) نشان داده شده است. همان طورکه نتایج نشان می­دهد مساحت کلاس­های طبقه­بندی شده تا حدودی متفاوت بوده که ناشی از تفاوت دقت طبقه­بندی با الگوریتم­های حداکثر احتمال و فازی می­باشد.

 

 

 

نمودار 1- مساحت کاربری­های با استفاده از دو روش طبقه­بندی حداکثر احتمال و فازی بر حسب هکتار (منبع: نگارندگان)

 

جدول 5- مساحت هر کاربری با استفاده از طبقه­بندی فازی و حداکثر احتمال (منبع: نگارندگان)

نوع کاربری

مساحت حاصل از طبقه­بندی فازی (هکتار)

مساحت حاصل از طبقه­بندی حداکثر احتمال (هکتار)

درصد مساحت به روش فازی

درصد مساحت به روش حداکثر احتمال

تالاب

76/248

35/298

90/1

‏28/2‏

اراضی کشاورزی

91/4869

45/4257

22/37

55/32‏

اراضی بایر

67/4190

05/5026

04/32

42/38‏

مراتع

00/3771

49/3479

82/28

6/26‏

کل

34/13079

34/13079

100

100

 


بحث و نتیجه­گیری

 

طبقه­بندی پوشش زمین با استفاده از تصاویر ماهواره­ای یکی از مهم­ترین کاربردهای سنجش از دور است و بسیاری از الگوریتم­ها برای این منظور توسعه یافته­اند. این پژوهش کارایی روش­های حداکثر احتمال و فازی را در طبقه­بندی و تعیین نقشه کاربری اراضی مقایسه کرده است. وجود خطای هندسی در تصاویر ماهواره­ای استفاده شده در این تحقیق بر لزوم  تصحیح هندسی آن قبل از بکار­بردن آن ها در تجزیه و تحلیل­ها دلالت می­کند. این مطلب مورد تأکید سایر پژوهش­گران نیز می­باشد (35). خطای میا نگین ریشه مربعات  باید کم­تر از 1 باشد که در این تحقیق نیز معیار مزبور مورد توجه قرار گرفت. تهیه اطلاعات به روز و تشکیل بانک اطلاعاتی با استفاده از داده­های ماهواره­ای با قدرت تفکیک مکانی متوسط راه حل مناسبی برای مطالعه تغییرات پدیده­های زمینی به نظر می­رسد انتخاب گروه باندی مناسب به داده­های سنجش از دور امکان استفاده بیش­تری می­دهد برای انتخاب گروه باندی سه تایی مناسب برای ترکیب رنگی RGB به منظور تفسیر و طبقه­بندی از باندهای 5، 4و3 استفاده شده است که نتایج جعفر زاده (1389) نیز موید این موضوع می­باشد. همچنین از ترکیب شاخص پوشش گیاهی و باندهای حاصل از ادغام به عنوان مناسب­ترین ترکیب باندی برای طبقه­بندی استفاده شد(36).  فتاحی (1386)، در تحقیقی با مقایسه 4 روش طبقه­بندی و تهیه نقشه­های پوشش زمین و استفاده از اراضی، داده­های سنجنده ETM+ و سنجنده LISSIII را مورد بررسی قرار داد. نتایج این تحقیق نشان داد که در طبقه­بندی استفاده از شاخص­های گیاهی NDVI، RVI بهترین پاسخ و بالاترین دقت را دارد که با نتایج تحقیق ما مطابقت دارد(37). همچنین در مطالعات عباسی و ریاحی (2012) نیز این موضوع تاکید شده است.در این بررسی سعی شده است که در انتخاب نمونه­های تعلیمی حداکثر دقت به عمل آید و بهترین مجموعه نمونه­های تعلیمی انتخاب شد. بنابراین نمونه­های تعلیمی مربوط به چهارکلاس تالاب، اراضی کشاورزی، اراضی بایر و مراتع طوری انتخاب شدند که علاوه بر داشتن شرایط انتخاب یک نمونه تعلیمی، از حداکثر تفکیک­پذیری برخوردار باشند(38). شایان ذکر است که نقاط تعلیمی اراضی کشاورزی و دیم و صخره در منطقه به تفکیک برداشت شد، اما در نهایت با انجام دستور شاخص واگرایی جفریز- ماتوسیتا به منظور تعیین میزان تفکیک نمونه های تعلیمی، نتایج مربوطه مشاهده و با توجه به پایین بودن تفکیک پذیری اراضی کشاورزی دیم و آبی این دو کلاس ادغام و همچنین به دلیل پایین بودن شاخص واگرایی صخره­ها و اراضی بایر این دو نیز  ادغام گردیدند و بدین ترتیب نمونه­ها اصلاح شدند، که این نتیجه با نتایج اکبر پور و همکاران (1385) مطابقت دارد(39).

از آنجا که واقعیت زمینی نیز با دقت بسیار بالایی تهیه و انتقال داده شده، تطابق هندسی  با دقت خوبی  با  استفاده از   خطوط جاده­های نقشه توپوگرافی انجام شده است. در بین روش­های  طبقه­بندی تصاویر ماهواره­ای، استفاده از الگوریتم حداکثر احتمال در اکثر موارد دارای دقت بیش تری نسبت به طبقه­بندی با الگوریتم­های حداقل فاصله و متوازی السطوح است (15 ،2، 22، 23، 28، 40و41). دراین پژوهش با توجه به شرایط خاص منطقه و به منظور بهبود نتایج طبقه­بندی، طبقه بندی پیکسل های مخلوط و همچنین تعیین روش مناسب تر طبقه­بندی، همانند مطالعه­ی مبینی و همکاران (1392) از روش فازی که یکی از روش های طبقه بندی نرم است، استفاده شد(42). روش های فازی  از جمله روش­هایی هستند که قادرند نتایجی ارایه دهند که با واقعیت زمینی تطابق بهتری دارند. نتایج این مطالعه حاکی از افزایش صحت و ضریب کاپای روش فازی نسبت به روش حداکثر احتمال می باشد و می­توان گفت که با توجه به ناهمگنی منطقه این روش درچنین مناطقی کارایی بالاتری دارد. علی خواه اصل و فروتن (1392) برای تهیه­ی نقشه ی کاربری اراضی یکی از زیر حوزه های آبخیز حبله رود، از روش فازی استفاده نمودند و به این نتیجه رسیدند که این روش دارای دقت بالایی می باشد(43). ژانگ و فودی (1992) از بین روش های شبکه عصبی مصنوعی  و فازی، روش فازی را دارای کارایی بالایی در تهیه­ی نقشه­های کاربری اراضی معرفی کردند(15). اکبرپور و همکاران  (1385) هم طی مطالعه ای  به مقایسه روش های فازی و حداکثر احتمال در تهیه نقشه­ی کاربری اراضی پرداختند و روش فازی دارای صحت بالاتری نسبت به روش حداکثر احتمال بود. دقت بالای الگوریتم فازی نسبت به حداکثر احتمال را می­توان این طور بیان کرد که طبقه­بندی فازی مرزهای مشخصی ندارد و هر پیکسل می­تواند متعلق به چندین کلاس باشد و پیکسل های مخلوط هم در طبقه بندی به کار می روند در صورتی که در روش حداکثر احتمال پیکسل فقط به یک رده تعلق می­گیرد و پیکسل­های مخلوط طبقه­بندی نمی­شوند(39). تهیه­ی نقشه کاربری و پوشش اراضی از نیازهای اساسی برای مدیریت و نظارت زیست محیطی است، که به منظور مدیریت و حفاظت و تداوم زیست بوم ها، مورد نیاز سازمان های مسئوول است.

 

 

 

منابع

  1. جهانی شکیب، فاطمه، ملک محمدی، بهرام، یاوری، احمد رضا، شریفی، احمد رضا، عادلی ،یونس، ارزیابی روند تغییرات کاربری زمین و تغییر اقلیم در سیمای سرزمین تالاب چغاخور با تأکید بر آثار محیط زیستی، محیط شناسی، 1393، شماره  3، صفحه 631-643.
  2. شتایی جویباری، شعبان، تهیه نقشه جنگل به کمک تصاویر ماهواره­ای به روش رقومی، پایان نامه دکتری، دانشگاه تهران، 1382، 155ص.
  3. Zhao, H; Cui, B; Zhang, H; Fan, X; Zhang, Z; Lei, X (2010); Alandscape approach for wetland change detection (1979-2009) in the Pearl River Estuary; Procedia Environmental Sciences; 2, 1265-1278
  4. زبردست، لعبت، جعفری، حمیدرضا ، ارزیابی روند تغییرات تالاب انزلی با استفاده از سنجش از دور و ارائة راه حل مدیریتی، مجله محیط شناسی،1390، شماره 57، صفحه 57 -64.
  5. Song, C., C. E. Woodcock, K. C. Seto, M. P. Lenney, and S. A. Macomber, 2001. Classification and change detection using landsat tm data: When and how to correct atmospheric effects? Remote Sensing of Environment, 74:230–244
  6. چیتساز، وحید ، تهیه نقشه شوری و قلیایت خاک در منطقه شرق اصفهان با استفاده از داده های رقومیTM، پایان­نامه کارشناسی ارشد بیابان­زدایی، دانشگاه صنعتی اصفهان، دانشکده منابع طبیعی1378، ص140،.
  7. رمضانی، نفیسه، جعفری، رضا، ایزانلو، اسماعیل ، بررسی تغییرات کاربری اراضی خراسان شمالی در 4 دهه گذشته. مجله سنجش از دور و Gis ایران، 1390، شماره2، صفحه 19-37.
  8. علوی­پناه، سید کاظم، احسانی، امیر هوشنگ ، تشخیص تغییرات و بیابانزایی با استفاده از سامانة اطلاعات جغرافیایی داده­های ماهوارهای چندطیفی، پژوهشهای جغرافیایی،1384، شمارة ۵۱ ، صفحه 50
  9. رحیمی بلوچی، لیلا، زرع کار، آمنه، ملک محمدی، بهرام ،  بررسی تغییرات زیست محیطی با استفاده از سنجش از دور و شاخص کیفیت آب ( مطالعة موردی: تالاب بین المللی شادگان) کاربرد سنجش از دور و GIS در علوم منابع طبیعی،1392، سال سوم، شمارة 4، صفحه 43-55.
  10. رفیعی یوسف، بهرام، ملک محمدی، اکبر، آبکار علی، احمدرضا، یاوری، مجید، رمضانی مهریان، و حمید، ظهرابی، بررسی تغییرات زیست محیطی تالاب ها و مناطق حفاظت شده با استفاده از تصاویر چند زمانه سنجنده TM )مطالعه موردی: تالاب نیریز( . مجله محیط شناسی،1390، شماره 57، صفحه 65-76.
  11. دهستانی، طبقه بندی تصاویر چندطیفی سنجش از دور با استفاده از شبکه­ی عصبی، پایان نامه کارشناسی ارشد، دانشگاه تربیت مدرس1377، 167ص.
  12. رفیعیان، امید، درویش صفت، علی اصغر، نمیرانیان، منوچهر ،  تعیین تغییرات گستره­ی جنگلهای شمال کشور بین سالهای 73 تا 80 با استفاده از تصاویر سنجنده ETM+ . مطالعه موردی:  (جنگلهای بابل). . مجله علوم و فنون کشاورزی منابع طبیعی، 1385، شماره 3، صفحه286-277.
  13. نیازی. یعقوب.، اختصاصی، محمد رضا . ملکی نژاد، حسین.، حسینی،سید زین العابدین، جعفر، مرشدی، مقایسه دو روش طبقه­بندی حداکثر احتمال و شبکه عصبی مصنوعی در استخراج نقشة کاربری اراضی مطالعه موردی: حوزه سد ایلام. مجله جغرافیا و توسعه، 1389، شماره 20، صفحه 133-119 
  14. Wilson, J.D. 1992. A comparison of procedures for classifying remotely sensed data using simulated dada sets in corporating autocorrelation between spectral responses. Int. J. Remote Sensing, 13(2):432-475
  15. Zhang J and Foody GM. 2001. Fully- fuzzy supervised classification of sub-urban land cover from remotely sensed imagery: statistical and artificial neural network approaches. International Journal of Remote Sensing, 22(4): 615-628
  16. Foody GM. 2002. Hard and soft classifications by a neural network with a non-exhaustively defined set of classes. International Journal of Remote Sensing, 23(18): 3853-3864.
  17. Sunar Erbek F, Ozkan C and Taberner M 2004. Comparison of maximum likelihood classification method with supervised artificial neural network algorithms for land use activities. International Journal of Remote Sensing, 25(9): 1733-1748.
  18. Verbek LPC, Vancoillie FMB and De Wulf RR. 2004. Reusing back-propagating artificial neural network for land cover classification in tropical savannahs. International Journal of Remote Sensing, 25(14): 2747-2771
  19. رشیدی، فرحناز ، بررسی صحت طبقه­بندی تیپ­های جنگل با استفاده از ادغام داده­های ماهواره­ای ( مطالعه موردی: طرح جنگلداری آذر رود، سواد کوه مازندران)، 1387، شماره 1، صفحه 11-21.
  20. علیمحمدی، عباس، نوابی ، ایرما ، شیرکوند، محمد، بهینه سازی الگوریتم SPARK برای تهیه نقشه کاربری اراضی از تصاویر ماهواره ای. نقشه برداری،1380، شماره  65، صفحه 5-12
  21. Chavez, P.S. and Kwarteng, A.Y.1989. Extracting spectral contrast in landsat thematic mapper image using selective principle component analysis. Photogrammetric Eng. & Remote Sens, 55(3): 339-348 pp.
  22. شتایی، شعبان، عبدی، امید، تهیه نقشه کاربری اراضی در مناطق کوهستانی زاگرس  با استفاده از داده­های سنجنده TM  (منطقه مورد مطالعه :حوزه سرخاب خرم آباد لرستان)، مجله علوم کشاورزی و منابع طبیعی، 1386، 1:14، 129-138.
  23. عرب مومنی، اسماعیل ، برآورد تاج پوشش جنگل­های شهری با استفاده از روش­های آماربرداری زمینی، داده­های Quickbird و UltraCamD، پایان نامه کارشناسی ارشد، دانشگاه علوم کشاورزی و منابع طبیعی ساری،1391، 109ص.
  24. Hua, Z., Guo, H. H., Dunling, W. and Xiaodong, Z., 2011. Uncertainty assessment of climate change impacts on the hydrology of small prairie wetlands. J HYDROL, 396, 94–103
  25. Bhaskaran, s., Paramananda, S., Ramnarayan, M. (2010).  Per-pixel and object-oriented classification methods for mapping urban features using Ikonos satellite data. Applied Geography. 30, 650- 665
  26. Alavi Panah, S.k., Goosens R. 1999: The role of TM thermal band in describing the state/stress of remote sensing in Iranian Desert. Proceeding of remote sensing in the 21 century; Economic and environmental applications. 19th EARSel Symposium, University of Vallodolid, Spain, 31 May-2 June, 31-37 p                 
  27. Ridd MK and Liu J. 1998. A comparison of four algorithms for change detection in an urban environment. Remote Sensing of Environment, 63(2): 95-100.
  28. عالیشاه ارات بنی ، فاطمه، ارزانی، حسین، حسینی، زین العابدین، بابایی کفاکی، ساسان، میر آخورلو، خسرو، بررسی قابلیت داده­هایماهواره­ای IRS-LissIII در تفکیک اراضی مرتعی از کاربری های دیگر (مطالعه موردی، حوزه آبخیز سرخ آباد- مازندران)، 1390، شماره 2، صفحه 154-147.
  29. هادیان، فاطمه.، جعفری، رضا. بشری، حسین، سلطانی، سعید.، بررسی گروههای مختلف شاخص­های گیاهی سنجش از دوری در مطالع تیپ­های مرتعی ( مطالعه موردی: سمیرم، اصفهان)، مجله مرتع، 1390، شماره4، صفحه 429-420.
  30. سفیانیان، علیرضا، خداکرمی، لقمان ، تهیه نقشه کاربری اراضی با استفاده از روش طبقه­بندی فازی (مطالعه موردی سه زیر حوزه آبخیز کبودر آهنگ، رزن –قهقاوند و خونجین- تلخاب در استان همدان)، فصلنامه آمایش سرزمین،1390، شماره 4، صفحه 95-114.
  31. Congalton, R.G. and K., Green.1999. Assessing the accuracy of remotely sensed data: Principles and practices, Boca Rotan, Florida’ Lewis Publishers. 365-386.
  32. Wang, Y.Q., et al. 2009. Remote sensing of land-cover change and landscape context of the national parks: A case study of the Northeast Temperate Network. Remote Sensing of Environment, 113, 1453–1461.
  33. Stehman SV. 2004. A critical evaluation of the normalized error matrix in map accuracy assessment. Photogrammetric Engineering and Remote Sensing, 70(6): 743-751.
  34. Richards, J.A., X., Jia. 2006. Remote Sensing Digital Image Analysis: An Introduction, Springer Verlag, Berlin.
  35. فاطمی، سید باقر، رضایی، یوسف، مبانی سنجش از دور، انتشارات آزاده، 1385، 257صفحه.
  36. جعفر زاده، علی اکبر ، مدل سازی تخریب جنگل­های زاگرس با استفاده از تکنیک­های سنجش از دور و Gis، پایان نامه کارشناسی ارشد ، دانشگاه علوم  کشاورزی و منابع طبیعی ساری، دانشکده منابع طبیعی، 1389، 91ص.
  37. فتاحی، محمد مهدی ، مقایسه چهار روش طبقه­بندی و تهیه نقشه­های استفاده از اراضی و پوشش زمین با استفاده از داده های سنجش از دور. پنجمین همایش علوم آبخیزداری ، بهار 1388، کرج، ایران.
  38. Abbasi, M., Riyahi Bakhtyari, H.R. 2012.  Extraction of Forest stands parametrs from ASTER data in open forest. The XXII Congress of the international Society for photogrammetry and remote sensing. 25 Agust – 1 September.
  39. اکبر پور، ابوالفضل، شریفی، محمدباقر، معماریان خلیل آبادی، هادی ، مقایسه روش­های فازی و حداکثر احتمال با کمک داده­های ETM (مطالعه­ی موردی: حوزه ابخیز کامه)، فصلنامه تحقیقات مرتع و بیابان ایران ، 1385، جلد13، شماره 1، صفحه 27-38.
  40. Sepehry A and Liu G. 2006. Flood induced land cove change detection using multitemporal ETM+ imagery. Proceedings of the 2nd Workshop of the EARSeL SIG on Land Use and Land Cover: Application and Development, Bonn, Germany, 28-30 September, 399-406.
  41. Yuan, F., Sawaya, K. E., Loeffelholz, B. C., & Bauer, M. E. (2005). Land cover classification and change analysis of the Twin Cities (Minnesota) Metropolitan Area by multitemporal Landsat remote sensing. Remote sensing of Environment, 98(2), 317-328.
  42. مبینی، مریم، آسیایی، مریم،کرمشاهی، عبدالعلی، مقایسه­ی روش حداکثر احتمال و فازی در تهیه نقشه کاربری جنوب خوزستان با استفاده از تصاویر لندست، مجله کاربرد سنجش از دور و Gis  در منابع طبیعی، 1390، شماره 12، صفحه 69-80.
  43. علی خواه اصل، مرضیه.، فروتن، الهام، استفاده از روش طبقه بندی فازی برای تهیه نقشه کاربری اراضی (مطالعه موردی: زیر حوزه آبخیز حبله رود)، فصلنامه انسان و محیط زیست، 1392 ، شماره 1. صفحه 41-47.

 

 

 

 



1- کارشناسی ارشد ارزیابی و آمایش سرزمین، دانشگاه پیام نور، تهران،ایران. *(مسوول مکاتبات)

2- استادیار، گروه منابع طبیعی و محیط زیست، دانشگاه پیام نور، تهران، ایران.

1- MSc in Assessment and Land Use Planning, Natural Resources and Environmental Engineering Department, Faculty of Agricultural Science, Payame Noor University (PNU), Tehran, Iran. *(Corresponding Author)

2- Assistant Professor, Natural Resources and Environmental Engineering Departmnt, Faculty of Agricultural Sciences, Payame Noor University, Tehran, Iran.

1- Optimized Index Factor

1-Transformed Divergence

2- Jeffries-Matusita

  1. جهانی شکیب، فاطمه، ملک محمدی، بهرام، یاوری، احمد رضا، شریفی، احمد رضا، عادلی ،یونس، ارزیابی روند تغییرات کاربری زمین و تغییر اقلیم در سیمای سرزمین تالاب چغاخور با تأکید بر آثار محیط زیستی، محیط شناسی، 1393، شماره  3، صفحه 631-643.
  2. شتایی جویباری، شعبان، تهیه نقشه جنگل به کمک تصاویر ماهواره­ای به روش رقومی، پایان نامه دکتری، دانشگاه تهران، 1382، 155ص.
  3. Zhao, H; Cui, B; Zhang, H; Fan, X; Zhang, Z; Lei, X (2010); Alandscape approach for wetland change detection (1979-2009) in the Pearl River Estuary; Procedia Environmental Sciences; 2, 1265-1278
  4. زبردست، لعبت، جعفری، حمیدرضا ، ارزیابی روند تغییرات تالاب انزلی با استفاده از سنجش از دور و ارائة راه حل مدیریتی، مجله محیط شناسی،1390، شماره 57، صفحه 57 -64.
  5. Song, C., C. E. Woodcock, K. C. Seto, M. P. Lenney, and S. A. Macomber, 2001. Classification and change detection using landsat tm data: When and how to correct atmospheric effects? Remote Sensing of Environment, 74:230–244
  6. چیتساز، وحید ، تهیه نقشه شوری و قلیایت خاک در منطقه شرق اصفهان با استفاده از داده های رقومیTM، پایان­نامه کارشناسی ارشد بیابان­زدایی، دانشگاه صنعتی اصفهان، دانشکده منابع طبیعی1378، ص140،.
  7. رمضانی، نفیسه، جعفری، رضا، ایزانلو، اسماعیل ، بررسی تغییرات کاربری اراضی خراسان شمالی در 4 دهه گذشته. مجله سنجش از دور و Gis ایران، 1390، شماره2، صفحه 19-37.
  8. علوی­پناه، سید کاظم، احسانی، امیر هوشنگ ، تشخیص تغییرات و بیابانزایی با استفاده از سامانة اطلاعات جغرافیایی داده­های ماهوارهای چندطیفی، پژوهشهای جغرافیایی،1384، شمارة ۵۱ ، صفحه 50
  9. رحیمی بلوچی، لیلا، زرع کار، آمنه، ملک محمدی، بهرام ،  بررسی تغییرات زیست محیطی با استفاده از سنجش از دور و شاخص کیفیت آب ( مطالعة موردی: تالاب بین المللی شادگان) کاربرد سنجش از دور و GIS در علوم منابع طبیعی،1392، سال سوم، شمارة 4، صفحه 43-55.
  10. رفیعی یوسف، بهرام، ملک محمدی، اکبر، آبکار علی، احمدرضا، یاوری، مجید، رمضانی مهریان، و حمید، ظهرابی، بررسی تغییرات زیست محیطی تالاب ها و مناطق حفاظت شده با استفاده از تصاویر چند زمانه سنجنده TM )مطالعه موردی: تالاب نیریز( . مجله محیط شناسی،1390، شماره 57، صفحه 65-76.
  11. دهستانی، طبقه بندی تصاویر چندطیفی سنجش از دور با استفاده از شبکه­ی عصبی، پایان نامه کارشناسی ارشد، دانشگاه تربیت مدرس1377، 167ص.
  12. رفیعیان، امید، درویش صفت، علی اصغر، نمیرانیان، منوچهر ،  تعیین تغییرات گستره­ی جنگلهای شمال کشور بین سالهای 73 تا 80 با استفاده از تصاویر سنجنده ETM+ . مطالعه موردی:  (جنگلهای بابل). . مجله علوم و فنون کشاورزی منابع طبیعی، 1385، شماره 3، صفحه286-277.
  13. نیازی. یعقوب.، اختصاصی، محمد رضا . ملکی نژاد، حسین.، حسینی،سید زین العابدین، جعفر، مرشدی، مقایسه دو روش طبقه­بندی حداکثر احتمال و شبکه عصبی مصنوعی در استخراج نقشة کاربری اراضی مطالعه موردی: حوزه سد ایلام. مجله جغرافیا و توسعه، 1389، شماره 20، صفحه 133-119 
  14. Wilson, J.D. 1992. A comparison of procedures for classifying remotely sensed data using simulated dada sets in corporating autocorrelation between spectral responses. Int. J. Remote Sensing, 13(2):432-475
  15. Zhang J and Foody GM. 2001. Fully- fuzzy supervised classification of sub-urban land cover from remotely sensed imagery: statistical and artificial neural network approaches. International Journal of Remote Sensing, 22(4): 615-628
  16. Foody GM. 2002. Hard and soft classifications by a neural network with a non-exhaustively defined set of classes. International Journal of Remote Sensing, 23(18): 3853-3864.
  17. Sunar Erbek F, Ozkan C and Taberner M 2004. Comparison of maximum likelihood classification method with supervised artificial neural network algorithms for land use activities. International Journal of Remote Sensing, 25(9): 1733-1748.
  18. Verbek LPC, Vancoillie FMB and De Wulf RR. 2004. Reusing back-propagating artificial neural network for land cover classification in tropical savannahs. International Journal of Remote Sensing, 25(14): 2747-2771
  19. رشیدی، فرحناز ، بررسی صحت طبقه­بندی تیپ­های جنگل با استفاده از ادغام داده­های ماهواره­ای ( مطالعه موردی: طرح جنگلداری آذر رود، سواد کوه مازندران)، 1387، شماره 1، صفحه 11-21.
  20. علیمحمدی، عباس، نوابی ، ایرما ، شیرکوند، محمد، بهینه سازی الگوریتم SPARK برای تهیه نقشه کاربری اراضی از تصاویر ماهواره ای. نقشه برداری،1380، شماره  65، صفحه 5-12
  21. Chavez, P.S. and Kwarteng, A.Y.1989. Extracting spectral contrast in landsat thematic mapper image using selective principle component analysis. Photogrammetric Eng. & Remote Sens, 55(3): 339-348 pp.
  22. شتایی، شعبان، عبدی، امید، تهیه نقشه کاربری اراضی در مناطق کوهستانی زاگرس  با استفاده از داده­های سنجنده TM  (منطقه مورد مطالعه :حوزه سرخاب خرم آباد لرستان)، مجله علوم کشاورزی و منابع طبیعی، 1386، 1:14، 129-138.
  23. عرب مومنی، اسماعیل ، برآورد تاج پوشش جنگل­های شهری با استفاده از روش­های آماربرداری زمینی، داده­های Quickbird و UltraCamD، پایان نامه کارشناسی ارشد، دانشگاه علوم کشاورزی و منابع طبیعی ساری،1391، 109ص.
  24. Hua, Z., Guo, H. H., Dunling, W. and Xiaodong, Z., 2011. Uncertainty assessment of climate change impacts on the hydrology of small prairie wetlands. J HYDROL, 396, 94–103
  25. Bhaskaran, s., Paramananda, S., Ramnarayan, M. (2010).  Per-pixel and object-oriented classification methods for mapping urban features using Ikonos satellite data. Applied Geography. 30, 650- 665
  26. Alavi Panah, S.k., Goosens R. 1999: The role of TM thermal band in describing the state/stress of remote sensing in Iranian Desert. Proceeding of remote sensing in the 21 century; Economic and environmental applications. 19th EARSel Symposium, University of Vallodolid, Spain, 31 May-2 June, 31-37 p                 
  27. Ridd MK and Liu J. 1998. A comparison of four algorithms for change detection in an urban environment. Remote Sensing of Environment, 63(2): 95-100.
  28. عالیشاه ارات بنی ، فاطمه، ارزانی، حسین، حسینی، زین العابدین، بابایی کفاکی، ساسان، میر آخورلو، خسرو، بررسی قابلیت داده­هایماهواره­ای IRS-LissIII در تفکیک اراضی مرتعی از کاربری های دیگر (مطالعه موردی، حوزه آبخیز سرخ آباد- مازندران)، 1390، شماره 2، صفحه 154-147.
  29. هادیان، فاطمه.، جعفری، رضا. بشری، حسین، سلطانی، سعید.، بررسی گروههای مختلف شاخص­های گیاهی سنجش از دوری در مطالع تیپ­های مرتعی ( مطالعه موردی: سمیرم، اصفهان)، مجله مرتع، 1390، شماره4، صفحه 429-420.
  30. سفیانیان، علیرضا، خداکرمی، لقمان ، تهیه نقشه کاربری اراضی با استفاده از روش طبقه­بندی فازی (مطالعه موردی سه زیر حوزه آبخیز کبودر آهنگ، رزن –قهقاوند و خونجین- تلخاب در استان همدان)، فصلنامه آمایش سرزمین،1390، شماره 4، صفحه 95-114.
  31. Congalton, R.G. and K., Green.1999. Assessing the accuracy of remotely sensed data: Principles and practices, Boca Rotan, Florida’ Lewis Publishers. 365-386.
  32. Wang, Y.Q., et al. 2009. Remote sensing of land-cover change and landscape context of the national parks: A case study of the Northeast Temperate Network. Remote Sensing of Environment, 113, 1453–1461.
  33. Stehman SV. 2004. A critical evaluation of the normalized error matrix in map accuracy assessment. Photogrammetric Engineering and Remote Sensing, 70(6): 743-751.
  34. Richards, J.A., X., Jia. 2006. Remote Sensing Digital Image Analysis: An Introduction, Springer Verlag, Berlin.
  35. فاطمی، سید باقر، رضایی، یوسف، مبانی سنجش از دور، انتشارات آزاده، 1385، 257صفحه.
  36. جعفر زاده، علی اکبر ، مدل سازی تخریب جنگل­های زاگرس با استفاده از تکنیک­های سنجش از دور و Gis، پایان نامه کارشناسی ارشد ، دانشگاه علوم  کشاورزی و منابع طبیعی ساری، دانشکده منابع طبیعی، 1389، 91ص.
  37. فتاحی، محمد مهدی ، مقایسه چهار روش طبقه­بندی و تهیه نقشه­های استفاده از اراضی و پوشش زمین با استفاده از داده های سنجش از دور. پنجمین همایش علوم آبخیزداری ، بهار 1388، کرج، ایران.
  38. Abbasi, M., Riyahi Bakhtyari, H.R. 2012.  Extraction of Forest stands parametrs from ASTER data in open forest. The XXII Congress of the international Society for photogrammetry and remote sensing. 25 Agust – 1 September.
  39. اکبر پور، ابوالفضل، شریفی، محمدباقر، معماریان خلیل آبادی، هادی ، مقایسه روش­های فازی و حداکثر احتمال با کمک داده­های ETM (مطالعه­ی موردی: حوزه ابخیز کامه)، فصلنامه تحقیقات مرتع و بیابان ایران ، 1385، جلد13، شماره 1، صفحه 27-38.
  40. Sepehry A and Liu G. 2006. Flood induced land cove change detection using multitemporal ETM+ imagery. Proceedings of the 2nd Workshop of the EARSeL SIG on Land Use and Land Cover: Application and Development, Bonn, Germany, 28-30 September, 399-406.
  41. Yuan, F., Sawaya, K. E., Loeffelholz, B. C., & Bauer, M. E. (2005). Land cover classification and change analysis of the Twin Cities (Minnesota) Metropolitan Area by multitemporal Landsat remote sensing. Remote sensing of Environment, 98(2), 317-328.
  42. مبینی، مریم، آسیایی، مریم،کرمشاهی، عبدالعلی، مقایسه­ی روش حداکثر احتمال و فازی در تهیه نقشه کاربری جنوب خوزستان با استفاده از تصاویر لندست، مجله کاربرد سنجش از دور و Gis  در منابع طبیعی، 1390، شماره 12، صفحه 69-80.
  43. علی خواه اصل، مرضیه.، فروتن، الهام، استفاده از روش طبقه بندی فازی برای تهیه نقشه کاربری اراضی (مطالعه موردی: زیر حوزه آبخیز حبله رود)، فصلنامه انسان و محیط زیست، 1392 ، شماره 1. صفحه 41-47.