ولی شاه قلی ۱، علی شمس­الدینی۲*، علی موسیوند۳

ali.shamsoddini@modares.ac.ir


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

 



مطالب مرتبط