ولی شاه قلی ۱، علی شمسالدینی۲*، علی موسیوند۳
چكيده
نقشه های پوشش زمین شهری به‌عنوان ورودی کار برنامه ریزان شهری و متخصصان محیط‌زیست است. دادههای سنجش‌ازدور به‌عنوان یکی از مهمترین منابع برای تهیهی نقشههای پوشش زمین شمار میآیند. هدف از انجام پژوهش حاضر ترکیب دادهی لیدار و لایههای بافتی با تصویر هوایی و طبقه بندی به روش شیءگرا است. ابتدا تصویر هوایی به‌تنهایی طبقهبندی شد و در مرحلهی بعد داده لیدار و لایههای بافتی با تصویر هوایی ترکیب شدند و اقدام به طبقهبندی شد. نتایج نشان داد که طبقهبندی تصویر هوایی به‌تنهایی دقت کلی و ضریب کاپا به ترتیب ۵۲/۸۵ درصد، ۸۰/۰به دست آمد. در مرحلهی بعد دادهی لیدار و لایه های بافتی با تصویر هوایی ترکیب شدند و اقدام به طبقهبندی شد. نتایج نشان داد که دقت کلی و ضریب کاپای داده های ترکیب‌شده به ترتیب ۳۴/۹۳درصد، ۹۱/۰ به دست آمد. با ترکیب دادهها دقت کلی به میزان ۸/۷ درصد افزایش یافت.
کلمات کلیدی
پوشش زمین شهری، طبقه بندی، روش شیءگرا، لایه های بافتی، دادهی لیدار.
نکات برجسته پژوهش
- استفاده از لایه های بافتی در کنار داده های ارتفاعی لیدار به منظور طبقهبندی با استفاده از روش شیءگرا
۱- مقدمه
شهرها، دارای جمعیت متراکم و فعالیت‌های پیچیده اقتصادی و سبک زندگی‌های متفاوت هستند و به دست آوردن پوشش اراضی شهری امری ضروری است. اطلاعات پوشش زمین شهری، اساس کار برنامه‌ریزان، شهر سازان و برای ارزیابی محیط‌زیست شهری در تمام سطوح است(Bork & Su, 2007). دادههای سنجش‌ازدوری در دهه‌های اخیر برای به دست آوردن پوشش زمین شهری استفاده‌شده‌اند. تحقیقات نشان میدهند که ابتدا طبقهبندی پوشش زمین شهری به‌طورکلی بر اساس خود تصویر بود[۱]، و عملکردهای طبقهبندی تنها با استفاده از اطلاعات طیفی تصویر انجام می‌گرفت، اما به کار نبردن اطلاعات بافتی[۲] و اطلاعات فضایی[۳] در طبقه بندی موجب نارسایی‌هایی درنتیجه‌ی طبقهبندی می‌شد. این نارساییها باعث ایجاد حالت فلفل نمکی و بی‌نظمی در نتیجهی طبقهبندی می‌شد و از دقت ضعیفی برخوردار بود (Kettig & Landgrebe, 1976). برای حل این مشکل روشهای طبقهبندی شئگرا مطرح شدند که به‌طور مؤثر با استفاده از اطلاعات فضایی و بافتی بین پدیده‌های موجود در زمین اقدام به طبقهبندی می‌کرد. اساس روش طبقهبندی شیءگرا این بود که عناصر تصویر را با استفاده از مشخصه‌های مختلف تصویر از قبیل بافت، رنگ، شکل و… طبقهبندی می‌کرد (Zhou, Huang, Troy, & Cadenasso, 2009). برای بهره‌برداری کامل از دادههای با منابع مختلف و تحلیل پیشرفته از آنها تکنیک‌های ترکیب داده گسترش یافت(Alkhatib, Richardson, & Shen, 1990). دادهها و تصاویر ترکیب‌شده توانایی تفسیر دادهها و اعتماد بیش‌تر با ویژگی‌های مختلف را برای دادههای سنجش‌ازدوری فراهم آوردند. این دادههای باقدرت تفکیک‌ها و اطلاعات مختلف، یک دید تازه‌ای را برای مشاهده و طبقهبندی پدیده‌ها ایجاد کردهاند. تعاریف زیادی از ترکیب داده ارائه‌شده که قدیمی‌ترین آن توسط هال در سال ۱۹۹۲ ارائه شد که در اینجا به دو مورد آن اشاره میشود:”ترکیب داده یک فرایندی است که با داده و اطلاعات از منابع مختلف برای به دست آوردن اطلاعات خالص/ بهبودیافته به‌منظور تصمیم‌گیری انجام می‌گیرد”.
“ترکیب داده، ادغام دو یا بیش از دو داده یا تصویر برای به دست آوردن یک تصویر و یا داده جدید با استفاده از الگوریتم مشخص است”(Pohl & Van Genderen, 1998).
با توجه به مطالعات بررسی شده فوق، نتیجه میگیریم که روشهای شیءگرا جهت طبقهبندی دادههای با قدرت تفکیک مکانی بالا مناسب میباشند و همچنین دادههای لیدار به دلیل اینکه حاوی اطلاعات ارتفاعی میباشند در استخراج اراضی شهری می توانند مورد استفاده قرار بگیرند.
۲- داده ها و منطقه مورد مطالعه
۲-۱- داده
- تصویر هوایی
تصویر هوایی با استفاده از دوربین دیجیتال اولتراکم برداشت شده است و فاصله کانونی دوربین برداشت ۴/۶۸ تا ۱۰۴ میلیمتر میباشد. تصاوير هوايي ديجیتال استفاده شده که در اختیار این پژوهش قرار گرفته است شامل ۳ باند آبی، باند قرمز و باند سبز که ابعاد پیکسل آن بر روی زمین معادل ۱۰ سانتیمتر میباشد. ارتفاع متوسط پرواز هواپیما از سطح منطقه ۴۰۰ متر است.
تصحيح هاي راديومتريک و هندسی آن توسط شرکت رایان نقشه آسیا انجام گرديده و به صورت پيش پردازش شده در اختيار محققان قرارگرفته است.
- لیدار هوایی
داده لیدار توسط لیزر اسکنر هوایی Q560 از همان هواپیمایی که تصویر هوایی از آن اخذ شده، برداشت شده است. در نتیجه این دادهها با عکس رقومی هوایی از تظر زمانی اختلاف قابل ذکری ندارد. فواصل افقی متوسط این نقاط ۱ سانتی متر و دقت اسمی مسطحاتی این داده ۱۰ سانتیمتر و دقت ارتفاعی آن ۱۵ سانتی متر است.
دادههای لیدار مورد استفاده در این پژوهش از نوع پالسی با قسمت مادون قرمز طیف الکترومغناطیسی است. ساختار دادهها نامنظم بوده و به طور متوسط ۱ نقطه در هر متر مربع است. دادهها چند بازگشتی بوده به عبارت دیگر دارای بازگشت اول، بازگشت میانی و بازگشت آخر است. فرمت دادهی لیدار به صورت las است. همان طور که بیان شد در این پژوهش از تصویر هوایی اورتوفتو شده و هم مرجع شده با داده-های لیدار استفاده گردیده است که هر دوی آنها در سیستم تصویر UTM و در زون ۳۹ شمالی است.
این دادهها در شهریور ماه سال ۱۳۹۳ از منطقه شهری اصفهان جمع آوری شده است. این داده در دسترس بخشی از یک مجموعه داده بزرگ‌تر است(قسمتی از شهر اصفهان) که توسط شرکت مهندسین مشاور رایان نقشه آسیا تهیه شده است.
- لایههای بافتی
با توجه به اینکه تصویر دارای قدرت تفکیک مکانی بالایی بود و در نتیجه تغییرات طیفی در داخل هر کدام از کلاسها مشهود بود در نتیجه تصمیم گرفته شد که از شاخص بافتی ماتریس هم رخداد سطح خاکستری[۴] استفاده شود. اندازه پنجره ۳۱×۳۱ در نظر گرفته شد. تعداد باندهای به دست آمده از ۳ باند عکس رقومی هوایی ۲۸ عدد بود. با استفاده از روش تحلیل مولفههای اصلی ۳ باند از لایههای بافتی جهت استفاده در تحقیق حاضر انتخاب شدند.
۲-۲- منطقه مورد مطالعه
شهر اصفهان که مرکز استان اصفهان است به عنوان مهمترین شهرهای ایران محسوب میشود. محدودهی مورد مطالعه در پژوهش حاضر قسمتی از شهر اصفهان است که در جنوب شهر اصفهان واقع شده است. محدوده مورد نظر با مساحتی بالغ بر ۱۰۰ هکتار میباشد. از نظر موقعیت جغرافیایی در ۵۱ درجه و ۳۶ دقیقه تا ۵۱ درجه و ۳۷ دقیق شرقی و ۳۲ درجه ۳۷ دقیقه ۵۴ ثانیه تا ۳۲ درجه ۳۷ دقیقه ۵۴ ثانیه شمالی قرار دارد. محدوده ذکر شده به لحاظ توپوگرافی صاف محسوب میشود و ارتفاع آن از سطح دریا به طور متوسط ۱۵۸۸ متر میباشد. این محدوده از طرف شمال به زمینهای کشاورزی و زاینده رود و در دیگر جهات به شهر محدود میشود.
۳- طبقه بندی شیءگرا
روش طبقهبندی بندی شیءگرا در دهه ۱۹۷۰ میلادی معرفی شد(De Kok, Schneider, & Ammer, 1999). در کاربردهای اولیه با محدودیت‌های نرم‌افزاری، سخت‌افزاری، قدرت تفکیک‌های مکانی ضعیف تصاویر و مبانی تفسیری مواجه بود. با پیشرفت سنجدههای باقدرت تفکیک مکانی بالا محققان الگوریتم‌هایی بهبودیافته نیاز داشتند که تنها بر اساس ویژگی‌های طیفی یک پیکسل را تجزیه و تحلیل نکنند، بلکه تحلیل بر اساس پیکسل‌های احاطه شده (بافتی) باشد. علاوه بر این، نیاز به ویژگی‌های فضایی پیکسل‌های احاطه شده است و کاربر پیکسل‌های نواحی(قطعه) مشابه هم (هم‌جنس) و آن‌هایی که تغییریافته‌اند را تشخیص بدهد(Frohn & Hao, 2006). این دو معیار برای تولید اشیای تصویر بر اساس شباهت بافتی پیکسل‌ها در مجموعه داده سنجش‌ازدور با استفاده از عملگر قطعهبندی استفاده میشود(Baatz, Hoffmann, & Willhauck, 2008). عنصر اساسی در این روش طبقهبندی اشیا تصویر است. روش طبقهبندی شیءگرا شامل ۳ قسمت عمده است: قطعهبندی تصویر، استخراج اشیا و طبقهبندی اشیا(Brik, Zerrouki, & Bouchaffra, 2013).
[۱] Pixel based
[۲] Textural information
[۳] Spatial information
[۴] Gray-Level Co-Occurrence Matrix (GLCM)
-۱- قطعه بندی
قطعهبندی فرایندی است که به‌طور کامل یک صحنه[۱] (به‌عنوان‌مثال یک تصویر سنجش‌ازدور) را به نواحی بدون همپوشانی[۲](قطعه‌ها) در فضای صحنه (مثل فضای تصویر) تقسیمبندی[۳] می‌کند. الگوریتم‌های مربوطه با تشخیص الگو و علم دید کامپیوتری در سال ۱۹۸۰ با کاربردهای موفق در پزشکی و ارتباط دوربرد توسعه‌یافته‌اند. اگرچه به دلیل پیچیدگی اساسی مدل‌های عوارض و ناهمگونی دادههای سنجش‌ازدوری در استفاده، کاربرد در زمینه‌های مختلف تنها باهدف پیاده‌سازی در سنجش‌ازدور و فتوگرامتری محدود شده است. با ظهور دادههای باقدرت تفکیک مکانی بالا و چند منبعی علاقه عمومی در روشهای قطعهبندی دوباره ظهور کردند. قطعهبندی اولین مرحله در طبقهبندی شئگرا است. هدف از قطعهبندی تقسیم تصویر به قطعه‌های معنی‌دار است. هر شیء تصویر با مجموعه‌ای از ویژگی‌های طیفی، شکل، بافت، توپولوژی، اندازه و… تعریف میشود. این ویژگیها در قطعهبندی توسط کاربر تنظیم میشوند و بستکی به هدف کاربر، تعداد باند، قدرت تفکیک و کیفیت تصویر دارد(Blaschke, 2010). این قطعه‌ها ممکن است با اشیا دنیای واقعی ارتباط نداشته باشند. به‌عبارت‌دیگر قطعهبندی تصویر به‌عنوان گروهی از پیکسل‌ها در یک مجموعه از n قطعه تعریف شده است(رابطه ۱)
[۱] Scene
[۲] overlaping
[۳]Partition
S=S_1,…,S_n
در اینجا، S برابر است با مجموعه‌ای از قطعه‌های تصویر S1 به‌طوری که(رابطه ۲)
S_i⊆i,∀j≠i,S_i∩S_(J )=ϕ,∪S_i=i.
. که، I مجموعه‌ای از همه پیکسل‌های تصویر است. هر قطعه به‌عنوان یک مجموعه‌ای از پیکسل‌ها است به‌طوری که: رابطه ۳
≤ K ≤ r +1, c – 1 ≤ l ≤ c + 1, if |Si| > 1
r و c سطر و ستون‌های پیکسل‌های تصویر هستند.
– نتایج
۴-۱- نتیجه حاصل از تصویر هوایی
شکل شماره ۲ نتیجه ی طبقه بندی تصویر هوایی را نشان میدهد. همان طور که دیده میشود بین کلاس درخت و زمین کشاورزی اغتشاشات کلاسی وجود دارد. همچنین این اغتشاشات، بین کلاس ساختمان و زمین بایر نیز دیده میشود.
شکل ۱: طبقهبندی تصویر هوایی
جدول ۱: ماتریس خطا، دقت تولید کننده و دقت کاربر حاصل از طبقهبندی تصویر هوایی به روش شیءگرا
|
کلاس |
زمین کشاورزی |
درخت |
ساختمان |
زمین بایر |
معابر |
دقت تولیدکننده |
دقت کاربر |
|
زمین کشاورزی |
۴۲۶۱ |
۸۵۶ |
۱۴۲ |
۱۳۳ |
۴۴۸ |
۰۴/۷۹ |
۱۵/۸۱ |
|
درخت |
۶۵۷ |
۴۶۷۰ |
۲ |
۶۴ |
۵۴ |
۷۸/۷۳ |
۸۰/۷۰ |
|
ساختمان |
۲۲ |
۱ |
۱۸۲۲۶ |
۲۳۷۳ |
۱۸۰ |
۰۷/۹۳ |
۶۷/۹۰ |
|
زمین بایر |
۳۰۲ |
۳۷ |
۱۵۴۲ |
۵۴۱۲ |
۰ |
۰۹/۷۵ |
۸۶/۷۹ |
|
معابر |
۲۲۶ |
۸۵ |
۱۴۹ |
۴ |
۱۱۷۳۴ |
۲۵/۸۸ |
۳۳/۸۹ |
جدول شماره ۱ نتایج طبقه بندی تصویر هوایی را نشان میدهد. بهترین عملکرد مربوط به کلاس ساختمان و ضعیفترین عملکرد مربوط به کلاس زمین بایر است. همچنین دقت کلی و ضریب کاپا به ترتیب ۸۵/۸۵ و ۸۰/۰ به دست آمد
۴-۲- نتیجه حاصل از تصویر هوایی
شکل شمار ۲ نتیجه طبقه بندی تصویر هوایی، لیدار و لایههای بافتی را نشان میدهد. همان طور که در شکل دیده میشود اغتشاشات طیفی بین کلاس ساختمان و زمین بایر و زمین کشاورزی و کلاس درخت کاهش یافت.
شکل ۲: نتایج حاصل از طبقه¬بندی با تصویر هوایی، داده لیدار و لایه¬های بافتی
جدول ۲: ماتریس خطا، دقت تولیدکننده و دقت کاربر حاصل از طبقهبندی تصویر هوایی، داده لیدار و لایههای بافتی به روش شیءگرا
|
کلاس
|
زمین کشاورزی |
درخت |
ساختمان |
زمین بایر |
معابر |
دقت تولیدکننده |
دقت کاربر |
|
زمین کشاورزی |
۵۴۶۸ |
۵۶ |
۰ |
۱ |
۲۰۸ |
۳۷/۹۹ |
۳۸/۹۵ |
|
درخت |
۰ |
۵۰۰۹ |
۰ |
۹۰ |
۹۸۳ |
۶۷/۸۸ |
۳۶/۸۲ |
|
ساختمان |
۰ |
۱۲ |
۱۹۸۰۶ |
۱۰۲۱ |
۲۲۵ |
۷۳/۹۸ |
۰۳/۹۲ |
|
زمین بایر |
۰ |
۰ |
۲۵۵ |
۶۸۶۳ |
۰ |
۹۴/۸۵ |
۹۶/۴۲ |
|
معابر |
۰ |
۵۷۲ |
۰ |
۱۱ |
۱۱۰۰ |
۶۰/۸۸ |
۹۷/۹۴ |
جدول شمار ۲ نتایج طبقهبندی تصویر هوایی، داده لیدار و لایههای بافتی را نشان میدهد. بهترین عملکرد مربوط به کلاس زمین کشاورزی و ضعیفترین عملکرد مربوط به کلاس معابر میباشد.
با ترکیب داده لیدار و لایههای بافتی با عکس رقومی هوایی در مقایسه با نتایج طبقه بندی با تصویر هوایی دقت در کلاس ساختمان ۵ درصد، در کلاس درخت ۹ درصد، در کلاس زمین کشاورزی ۱۹ درصد، در کلاس زمین بایر ۱۱ درصد افزایش یافت. در کلاس معابر با ترکیب هیچ تغییری ایجاد نشد.
دقت کلی و ضریب کاپا نشان داد که نتایج به دست آمده از حاصل ترکیب دادهی لیدار، لایههای بافتی با تصویر هوایی نسبت به نتایج حاصل از طبقهبندی تصویر هوایی به تنهایی، به ترتیب ۸ درصد، ۱۱/۰ افزایش یافت.
۵- بحث و نتیجه گیری
دادههای لیدار در ترکیب با دادههای طیفی موجب بهبود دقت طبقهبندی میشوند. آنتوناراکیس[۱] و همکاران (۲۰۰۸) با استفاده از داده لیدار و شدت اقدام به طبقهبندی به روش شیءگرا برای کلاسهای جنگلی و انواع زمین پرداختند. نتایج نشان داد که استفاده از دادههای لیدار موجب بهبود دقت کلاسهای ارتفاعی به ویژه درختان میشود. ترکیب داده لیدار با دادههای طیفی و طبقه بندی به روش شیءگرا افزایش دقت طبقهبندی در محیط شهری پیچیده را نشان میدهد(Antonarakis, Richards, & Brasington, 2008). ویگی زو با استفاده از مدل ارتفاعی سطح مشتق شده از دادههای لیدار و تصاویر هوایی باقدرت تفکیک مکانی بالا از حومه شهر بالتیمور(Baltimore) آمریکا اقدام به طبقهبندی کردند. روش طبقهبندی که در این پژوهش استفاده شده روش شیءگرا بود(Zhou et al., 2009).
از پژوهش حاضر چنین نتیجه میگیریم که با توجه به اینکه دادههای باقدرت تفکیک مکانی بالا دارای اغتشاشات طیفی هستند، استفاده از لایه های بافتی میتواند در بهبود طبقه بندی کمک کند. همچنین به دلیل پیچیدگی های ارتفاعی در سطح شهر، استفاده از دادهی لیدار موجب میشود که کلاسها (کلاسهای ارتفاعی) به صورت بهینه از هم دیگر تفکیک شوند.
مراجع
[۱]Alkhatib, G., Richardson, C., & Shen, S.-H. (1990). Intracellular processing, glycosylation, and cell-surface expression of the measles virus fusion protein (F) encoded by a recombinant adenovirus. Virology, 175(1), 262-270.
[۲]Baatz, M., Hoffmann, C., & Willhauck, G. (2008). Progressing from object-based to object-oriented image analysis. Object-Based Image Analysis, 29-42.
[۳]Blaschke, T. (2010). Object based image analysis for remote sensing. ISPRS Journal of photogrammetry and remote sensing, 65(1), 2-16.
[۴]Bork, E. W., & Su, J. G. (2007). Integrating LIDAR data and multispectral imagery for enhanced classification of rangeland vegetation: A meta analysis. Remote Sensing of Environment, 111(1), 11-24.
[۵]Brik, Y., Zerrouki, N., & Bouchaffra, D. (2013). Combining Pixel-and Object-Based Approaches for Multispectral Image Classification Using Dempster-Shafer Theory. Paper presented at the Signal-Image Technology & Internet-Based Systems (SITIS), 2013 International Conference on.
[۶]De Kok, R., Schneider, T., & Ammer, U. (1999). Object-based classification and applications in the alpine forest environment. International archives of photogrammetry and remote sensing, 32(Part 7), 4-3.
[۷]Frohn, R. C., & Hao, Y. (2006). Landscape metric performance in analyzing two decades of deforestation in the Amazon Basin of Rondonia, Brazil. Remote Sensing of Environment, 100(2), 237-251.
[۸]Kettig, R. L., & Landgrebe, D. (1976). Classification of multispectral image data by extraction and classification of homogeneous objects. IEEE Transactions on Geoscience Electronics, 14(1), 19-26.
[۹]Pohl, C., & Van Genderen, J. L. (1998). Review article multisensor image fusion in remote sensing: concepts, methods and applications. International journal of remote sensing, 19(5), 823-854.
[۱۰]Zhou, W., Huang, G., Troy, A., & Cadenasso, M. (2009). Object-based land cover classification of shaded areas in high spatial resolution imagery of urban areas: A comparison study. Remote Sensing of Environment, 113(8), 1769-1777.
[۱] Antonarakis
