Netshahr

چکیده

مطالعات روستایی ایران به طور علمی از سال ۱۳۳۰ به بعد شروع شده است و در آن دوره اغلب به صورت منوگرافی و توصیف مسائل روستایی بوده است.با پیشرفت علم،روش های مطالعات روستایی وارد دوره جدیدی شده و از فناوری سنجش از دور نیز برای بررسی مسائل روستایی به خصوص مسائل مربوط به جغرافیای روستایی استفاده می شود،در میان روش های پردازش تصویر به منظور استخراج اطلاعات از تصاویر ماهواره ای، پردازش شیء گرای تصاویر[۱] به علت استفاده از اطلاعات طیفی و اطلاعات مربوط به بافت و محتوا در فرآیند طبقه بندی از دقت بالاتری برخوردار است.در مطالعات و بررسی های جغرافیایی به منظور نتیجه گیری مطلوب و تسهیل در امر بررسی،گروه بندی و یا سطح بندی پدیده ها امری اجتناب ناپذیر است..در این تحقیق با توجه به پردازش تصاویر ماهواره ای و تجزیه تحلیل عوامل محیطی و جمعیتی به تیپ بندی برخی از روستاهای شهرستان شبستر و تبریز پرداخته شده است،برای پردازش شیء گرای تصاویر ماهواره ای از نرم افزار eCognition 8.7 استفاده شده است، سگمنت سازی[۲] تصاویر ماهواره ای با استفاده از الگوریتم Multiresolution Segmentation انجام شد و با روش طبقه بندی نزدیک ترین همسایه و الگوریتم های فازی به طبقه بندی تصاویر ماهواره ای پرداختیم،دقت کلی طبقه بندی ۲۰/۹۵ درصد و ضریب کاپای طبقه بندی ۹۳/۰ می باشد.در انتها نیز به تیپ بندی و تجزیه و تحلیل روستاهای منطقه پرداخته شده است.

کلید واژه: تیپ بندی روستاها،پردازش شیء گرا،الگوریتم Multiresolution Segmentation،الگوریتم های فازی،نرم افزار eCognition 8.7

مقدمه

در ایران به دلیل تنوع توپوگرافی، معیشت، اوضاع اجتماعی، اقتصادی، زبان، مذهب، قومیت، مالکیت، منابع آب، نوع خاک و جنس زمین، یافتن روستاهایی که از هر لحاظ مشابه هم باشند بسیار بعید و مشکل است.تیپ بندی روستاها بر اساس عوامل مختلفی انجام می شود که این عوامل عبارت اند از شکل استقرار روستاها، عوامل طبیعی، ارتفاع، اقلیم، آب، خاک، عوامل انسانی، توسعه یافتگی(مهدوی،۱۳۷۶: ۲۳).بسترهای طبیعی(شیب، ارتفاع و…) شرایط لازم را برای استقرار سکونتگاههای روستایی ایجاد می کنند. هر یک از این بسترها یا عوامل هم به طور انفرادی و هم در رابطه با یکدیگر تفاوت هایی را نشان می دهند وجود چنین تفاوت هایی است که ویژگی های مناطق مختلف را سبب می شود(غلامی راد و شریعت پناهی،۱۳۹۲: ۷۶-۵۵).تحول و دگرگونی هر یک از جنبه های خاص زندگی در عرصه های روستایی نه تنها ارتباط تنگاتنگ با روندهای عمومی توسعه سکونتگاههای روستایی دارد، بلکه جدا از سمت گیری های عام در سطح ملی نیست. بنابراین هر گونه اقدامی در راستای دگرگونی جنبه های زندگی روستایی می تواند و باید جزئی از ساماندهی فضایی به شمار آید.البته موفقیت در دگرگون سازی و پیشرفت روستاها و نهایتاً ساماندهی فضایی آنها منوط است به فرآیند برنامه های توسعه در تمام نقاط یک کشور و اقداماتی هماهنگ و از پیش سنجیده شده برای برقراری تعادل منطقی میان سکونتگاههای روستایی و شهری و از بین بردن نا برابری های موجود از لحاظ استانداردهای کیفی زندگی (سعیدی، ۱۳۸۶: ۱۵۰). در حال حاضر فناوری سنجش از دور یکی از تکنیک های برتر موجود برای استخراج نقشه های کاربری اراضی و همچنین تیپ بندی روستاها محسوب می شود، افزون بر آن در استخراج اطلاعات از تصاویر ماهواره ای، روش پردازش شیء گرای تصاویر ماهواره ای در مقایسه با روش پردازش پیکسل پایه از دقت و اعتبار بیشتری برخوردار است.

پیشینه نظری تحقیق

مطالعه پیشینه تحقیق نیز نشان دهنده افزایش استفاده از روش های شیء گرا در پردازش تصاویر ماهواره ای برای استخراج اطلاعات از تصاویر ماهواره ای می باشد، همچنین به ندرت از فناوری سنجش از دور برای تیپ بندی روستاها استفاده شده است.(غضنفرپور و همکاران،۱۳۹۲: ۱۴۲-۱۲۵) به بررسی تاثیر عوامل جغرافیایی در الگوی مساکن روستایی استان کرمان پرداختند، آنها به این نتیجه رسیدند که استان کرمان با توجه به وسعت زیاد، توزیع و پراکندگی متنوع سکونتگاههای روستایی، نیازمند تهیه الگوهای خاص مسکن با توجه به شرایط جغرافیایی است.نتایج تحقیق نشان می دهد تفاوت های قابل ملاحظه ای در الگوی مسکن روستایی استان وجود دارد.چهار پهنه با شرایط متمایز، نشان دهنده تاثیر عوامل جغرافیایی در الگوهای مسکن روستایی استان است، عوامل جغرافیایی و محیطی تاثیر عمده ای در الگوی مسکن روستایی دارد، تاثیر محیط را در شکل یابی و شکل پذیری سکونتگاهها و نوع معماری، نوع مصالح و نوع معیشت می توان دید.با توجه به شاخص هایی که پهنه بندی جغرافیایی بر اساس آن صورت پذیرفته (ارتفاع، شیب، جهات شیب) نشان می دهد که حدود ۶۵ درصد از پهنه استان در دشت و جلگه قرار دارد و سکونتگاههای دشتی بخش عمده ای از سکونتگاههای استان را تشکیل می دهد که باید بخش عمده ای از برنامه ریزی ها بر اساس این پهنه سکونتگاهی صورت گیرد و پهنه کوهستانی و میانکوهی در رتبه های بعدی قرار دارند.(نوروزیآورگانی و صیدایی،۱۳۸۹: ۶۸-۵۳) به تحلیل الگوهای استقرار فضایی سکونتگاههای روستایی در استان چهارمحال و بختیاری پرداختند، در انجام این مطالعه ابتدا اطلاعات مورد نیاز در زمینه موضوع و منطقه جمع آوری و سپس بر اساس روشی فرآیندی و با استفاده از رایانه، تجزیه و تحلیل و جمع بندی داده ها و همچنین تلفیق و ترکیب لایه های اطلاعاتی صورت گرفته و علاوه بر این جهت تطبیق نتایج و درک صحیح تر مساله، مطالعات میدانی نیز به عمل آمده است.نتایج نشان می دهد الگوی استقرار فضایی سکونتگاههای روستایی استان بیشتر تحت تاثیر عوامل طبیعی (ناهمواری ها، اقلیم، رودخانه ها) و همچنین عوامل انسانی (ساختار و سازمان اجتماعی ایلات و عشایر و مالکیت آنان) و در مواردی تاثیر ترکیبی چند عامل، سامان گرفته اند و الگوی پراکنش آنها عمدتاً از نوع خطی است.(فیضی زاده،۱۳۸۶: ۱۰۳-۹۷)روش های طیقه بندی پیکسل پایه و شیء گرا را در تهیه نقشه های کاربری اراضی جلگه شرقی دریاچه ارومیه مورد مقایسه قرار داده است.این محقق در طبقه بندی پیکسل پایه از الگوریتم های حداقل فاصله از میانگین، متوازی السطوح و حداکثر احتمال استفاده نموده و طبقه بندی شی گرا را با الگوریتم نزدیک ترین همسایه انجام داده و سپس به مقایسه نتایج اقدام نموده و نتیجه می گیرد که در بین روش های طبقه بندی پیکسل پایه، الگوریتم طبقه بندی حداکثر احتمال با ضریب کاپای ۸۶/. و دقت کلی ۶۷/۸۷ درصد در مقایسه با الگوریتم های متوازی السطوح و حداقل فاصله از میانگین، از دقت بالاتری برخوردار است، اما خود این الگوریتم نیز در مقایسه با الگوریتم نزدیک ترین همسایه در طبقه بندی شیء گرای تصاویر از دقت کمتری برخوردار است چرا که ضریب کاپای طبقه بندی با الگوریتم نزدیک ترین همسایه در روش شیء گرا معادل ۹۳/. و دقت کلی نیز معادل ۲۰/۹۴ درصد محاسبه شده بود بر این اساس این محقق نتیجه می گیرد که طبقه بندی شیء گرا به علت استفاده از اطلاعات مکانی در استخراج نقشه های کاربری اراضی در مقایسه با روش های پیکسل پایه از دقت بالایی برخوردار است.(Chen و همکاران،۲۰۰۹: ۴۸۹-۴۷۷) با استفاده از تصاویر ماهواره ای SPOT نسبت به مقایسه روش های طبقه بندی پیکسل پایه و شیء گرا در استخراج اطلاعات از تصاویر ماهواره ای اقدام نمودند این محققین در پردازش شیء گرای تصاویر ماهواره ای از مدل رقومی ارتفاع (DEM)، اطلاعات مکانی شامل بافت و شکل به عنوان عاملی به منظور افزایش دقت طبقه بندی شیء گرا استفاده نمودند و پس از انجام طبقه بندی با دو روش پیکسل پایه و شیء گرا نتیجه می گیرند که الگوریتم طبقه بندی فازی در روش طبقه بندی شیء گرا با دقت کلی ۴۲/۹۶ درصد در مقایسه با الگوریتم طبقه بندی حداکثر احتمال در روش طبقه بندی پیکسل پایه با دقت کلی ۷۹/۷۷ درصد، در طبقه بندی تصاویر ماهواره ای، از دقت بالاتری برخوردار است.(Im و همکاران،۲۰۰۸: ۴۲۳-۳۹۹) در تحقیقی نسبت به انجام آشکارسازی تغییرات بر اساس همبستگی بین سگمنت سازی تصویر و تحلیل شیء گرای تصاویر ماهواره ای اقدام نمودند آنها انواع روش های سگمنت سازی و ارتباط آن را با دقت طبقه بندی مورد مطالعه قرار دادند و در نهایت با نقشه کاربری اراضی با استفاده از روش طبقه بندی شیء گرا و مقایسه آن با نقشه های سنوات متوالی روند تغییرات اراضی را مورد مطالعه قرار دادند.(Huang و Ni،۲۰۰۸: ۲۱۸-۲۱۱) در تحقیق خودشان تحت عنوان ” طبقه بندی شیء گرای تصاویر ماهواره ای با تفکیک بالا برای دست یابی به دفت بهتر ” از تصاویر ماهواره ای Quickbird استفاده نمودند و طبقه بندی های شیء گرا و پیکسل پایه را به ترتیب در محیط نرم افزارهای eCognition و ERDAS IMAGINE انجام دادند و با مقایسه نتایج حاصله تاکید می کنند که نقشه کاربری اراضی حاصل شده از روش طبقه بندی شیء گرا از دقت بیشتری برخوردار بوده و دارای وضوح بیشتری می باشد.

منطقه مورد مطالعه

روستاهای مورد مطالعه در استان آذربایجان شرقی قرار داشته و جز شهرستان های شبستر و تبریز محسوب شده و شامل ۲۳ روستا می باشد که در منطقه ای از ساحل شرقی دریاچه ارومیه تا کناره های دامنه های سهند کشیده شده است.شهرستان شبستر در غرب استان آذربایجان شرقی با وسعت ۲۷۵۰ کیلومتر مربع قرار گرفته و در بین شهرستانهای مرند، تبریز، ورزقان، اسکو، خوی، سلماس و دریاچه ارومیه قرار گرفته است.شهرستان تبریز مرکز استان آذربایجان شرقی بوده و مساحت آن ۱۷۸۱ کیلومتر مربع می باشد و از شمال به شهرستان اهر، از جنوب به شهرستان اسکو، از شرق به شهرستان های هریس و بستان آباد و از غرب و شمال غرب به شهرستان شبستر محدود می شود.ارتفاع بزرگترین روستای منطقه از سطح دریا ۱۴۲۶ متر و کمترین ارتفاع در روستاهای مورد مطالعه ۱۲۹۱ متر می باشد.

E:\darsi\Karshenasi Arshad\93-94\term1\Dr Feizizadeh\paper\cartography.png

شکل ۱- موقعیت منطقه مورد مطالعه (مأخذ: نگارندگان)

مواد و روش ها

در این تحقیق از یازده گروه اصلی داده و نرم افزار، شامل تصویر ماهواره ای Quickbird منطقه مربوط به سال ۲۰۱۵، مدل رقومی ارتفاعی (DEM)[3] مربوط به سنجنده Aster با قدرت تفکیک مکانی ۳۰ متر، Shapefile روستاهای منطقه، نقشه شیب منطقه حاصل از DEM، نقشه جهت شیب منطقه حاصل از DEM، نقشه های توپوگرافی ۲۵۰۰۰/۱، داده های به دست آمده از GPS مدل Vista Garmin، اطلاعات جمعیتی روستاها (اخذ شده از سازمان برنامه و بودجه)، نرم افزار eCognition 8.7، نرم افزار Arc GIS 10.3، نرم افزار PCI Geomatica 9.1 .برای تیپ بندی روستاها ابتدا تصویر خود را طبقه بندی می کنیم، برای این کار ابتدا عملیات پردازش بر روی تصویر ماهواره ای در سه مرحله پیش پردازش، پردازش و پس پردازش انجام شد.پس از اعمال مراحل پیش پردازش بر روی تصویر ماهواره ای، در مرحله پردازش پس از اعمال انواع روش های آشکارسازی، تصاویر در محیط نرم افزار eCognition 8.7 با استفاده از الگوریتم نزدیک ترین همسایه طبقه بندی شد و در مرحله بعدی نسبت به ارزیابی دقت طبقه بندی اقدام شد.در ادامه تصویر طبقه بندی شده به لایه Vector تبدیل شده و در محیط نرم افزار Arc GIS 10.3 همراه با لایه DEM، شیب و جهت شیب و جمعیت مورد بررسی و تحلیل قرار گرفت و نسبت به تیپ بندی روستاها اقدام شد.

E:\darsi\Karshenasi Arshad\93-94\term1\Dr Feizizadeh\paper\high.png E:\darsi\Karshenasi Arshad\93-94\term1\Dr Feizizadeh\paper\slope.png

E:\darsi\Karshenasi Arshad\93-94\term1\Dr Feizizadeh\paper\aspect.png

شکل ۲- ویژگی های توپوگرافی منطقه مورد مطالعه. الف- ارتفاع ب- شیب ج- جهت شیب (مأخذ: نگارندگان)

تصحیح هندسی

معمولاً تصاویر رقومی دارای انحراف هایی هستند،به طوری که این گونه تصاویر نمی توانند به عنوان نقشه مورد استفاده قرار گیرند.منظور از تصحیح هندسی نیز جبران انحراف ها است، به نحوی که شکل تصحیح شده قابلیت انطباق با نقشه را داشته باشد(علوی پناه،۱۳۸۲: ۴۵).تصحیحات هندسی مورد نیاز بر روی تصاویر ماهواره ای Quickbird قبل از رسیدن به دست کاربران به وسیله شرکت Digital Globe انجام می شود، اما تصحیح هندسی این تصاویر متناسب با موقعیت ماهواره انجام شده است و از نقاط کنترل زمینی استفاده نشده است.بر این اساس، در این تحقیق از نقشه های توپوگرافی ۲۵۰۰۰/۱ استفاده شده و تصاویر زمین مرجع گردید.برای انجام تصحیح هندسی ۵۰۰ نقطه کنترل با پراکنش مناسب از سطح منطقه مورد مطالعه جمع آوری گردیده و در محیط نرم افزار PCI Geomatica 9.1 بر سطح تصویر پیاده شد در ادامه برای نمونه گیری ارزش مجدد پیکسل ها از روش نزدیک ترین همسایه استفاده و تصاویر با خطای RMS معادل ۴۲/۰ پیکسل زمین مرجع گردید.

تصحیح اتمسفری

ارزش عددی هر پیکسل در تصاویر حاصل از سنجش از دور ثبت واقعی تابندگی پدیده های سطح زمین نیست.زیرا بر اثر جذب، علامت ها تضعیف شده و یا اینکه بر اثر پراکنش مسیر آن تغییر می کند(نجفی دیسفانی،۱۳۷۷: ۳۷).این موضوع در رابطه با تصاویر ماهواره ای Quickbird نیز وجود دارد.بر این اساس در این مرحله اقدام به تصحیحات اتمسفری بر روی تصویر شد و با توجه به استاندارد شرکت Digital Globe برای تصحیح اتمسفری از رابطه زیر استفاده شد:

qDet,Band = p_(Det,Band- 〖A(T,t)〗_(Det,Band) )/B_(Det,Band)

رابطه ۱- رابطه تصحیح اتمسفری تصاویر Quickbird qDet,Band =

در رابطه فوق:

PDet,Band : نشان دهنده مقدار ارزش عددی پیکسل، qDet,Band : نشان دهنده ارزش عددی اصلاح شده پیکسل، A(T,t)Det,Band : نشان دهنده دما و زمان و BDet,Band : نشان دهنده مقدار Gain می باشد.

انواع پوشش و کاربری اراضی موجود در منطقه مورد مطالعه

سطح کاربری مورد استفاده در این تحقیق شامل ۳ سطح است: ۱- روستا ۲- باغات و مزارع کشاورزی ۳- زمین های بایر.در مرحله پردازش تصاویر، برای بارز شدن تصویر به منظور تفسیر بصری و شناسنایی مطمئن طبقات در سطح تصویر از روش های مختلف آشکارسازی تصویر[۴] شامل بسط تباین خطی، نسبت گیری طیفی و کشیدگی کنتراست استفاده شد تا طبقات مورد نظر بارزتر گردد.در بین روش های استفاده شده برای آشکارسازی تصویر مشخص شد که کشیدگی کنتراست در شناسنایی و بارزسازی باغات و مزارع کشاورزی نتیجه مطلوبی را ارائه می دهد علاوه بر این بسط تباین خطی امکان شناسنایی بهتر زمین های بایر و نسبت گیری طیفی امکان شناسنایی بهتر نقاط روستایی را فراهم می آورد.

پردازش شیء گرای تصاویر ماهواره ای

طبقه بندی تصاویر ماهواره ای بر اساس اطلاعات طیفی دارای محدودیت هایی است بنابراین برای افزایش دقت طبقه بندی باید از منابع اطلاعاتی دیگری استفاده شود(Chen و همکاران،۲۰۰۹: ۴۸۹-۴۷۷).برای این منظور در این پژوهش از پردازش شیء گرای تصاویر ماهواره ای استفاده شده و به منظور افزایش دقت طبقه بندی در پردازش شیء گرای تصاویر علاوه بر اطلاعات طیفی از اطلاعات مربوط به بافت و شکل نیز استفاده شده است.چرا که در این روش تصویر بر اساس پارامترهای طیفی، فیزیکی و هندسی پدیده های زمینی ثبت شده بر روی تصویر، سگمنت سازی شده و واحدهای پردازش تصاویر از پیکسل به پدیده های تصویری یا سگمنت ها تغییر می یابد و در نتیجه آن با پردازش جامع تر این اطلاعات، اشیا و پدیده های دنیای واقعی را با دقت بالاتری می توان استخراج نمود.فرآیند و نتیجه این نوع از تحلیل تصاویر، در سه بخش قابل تقسیم است که عبارتند از: سگمنت سازی، طبقه بندی و ارزیابی صحت.در این قسمت از تحقیق این سه مرحله در انجام این پژوهش مورد بحث قرار می گیرد.

سگمنت سازی

سگمنت سازی اولین و مهمترین مرحله، در ریز طبقه بندی تصویر به واحدهای تصویری مجزا می باشد (Huang & NI، ۲۰۰۸: ۲۱۸-۲۱۱).سگمنت به معنی گروهی از پیکسل های همسایه در داخل یک ناحیه است که شباهت (نظیر ارزش عددی و بافت) مهمترین معیار مشترک آنها است (فیضی زاده،۱۳۸۶: ۱۰۳-۹۷).تصاویر موضوعی در سنجش از دور تصاویری هستند که اغلب همگن بوده و به وسیله سگمنت ها مشخص می شوند.بنابراین تعداد عناصری که برای طبقه بندی تصویر نیاز است به طور قابل توجهی کاهش می یابد.در طول فرآیند سگمنت سازی، تمام تصویر سگمنت سازی شده و شیء های تصویری بر اساس معیار همگنی در رنگ و شکل تولید می شوند.تنظیم پارامتر مقیاس مستقیماً در میانگین اندازه شیء های تصویری تاثیر می گذارد و ارزش بزرگ اجازه ایجاد شیء های تصویری بزرگ را داده و برعکس با انتخاب عددی کوچک به عنوان مقیاس، سگمنت های کوچکتری تولید می شود(فیضی زاده و همکاران،۱۳۸۷: ۲۴-۱۷).علاوه بر پارامتر مقیاس، ترکیب باندی مناسب برای طبقه بندی نیز یکی دیگر از پارامترهای موثر در کیفیت سگمنت سازی است، در تحلیل شیء گرای تصاویر علاوه بر امکان استفاده از بهترین ترکیب باندی برای سگمنت سازی، امکان اعمال وزن برای هر کدام از باندها نیز وجود دارد.یکی از پر کاربردترین الگوریتم ها جهت سگمنت سازی تصاویر، الگوریتمMultiresolution Segmentation می باشد.الگوریتم Multiresolution Segmentation با به حداقل رساندن میانگین مکانی ناهمگنی ها در تصویر اقدام به ایجاد Object ها می کند.این الگوریتم قابلیت اجرا در سطح Object‌ و همچنین در سطح Pixcel را دارد. این الگوریتم با به هم پیوستن (Merge)‌ کردن متوالی پیکسل ها اقدام به ایجاد Object ها می کند(Baatz & Schape، ۲۰۰۰: ۳۶-۲۵).

C:\Users\meisam\Desktop\2.png C:\Users\meisam\Desktop\1.png

ب-سگمنت سازی با مقیاس۲۰۰ الف-تصویر قبل از سگمنت سازی

C:\Users\meisam\Desktop\3.png

ج-سگمنت سازی با مقیاس ۵۰

شکل۳- نتایج سگمنت سازی در مقیاس های مختلف (مأخذ: نگارندگان)

در تحقیق حاضر با تفسیر منحنی های انعکاس طیفی و همچنین ارزیابی هیستوگرام همبستگی باندها، ترکیب باندی ۳-۲-۱ به عنوان بهترین ترکیب فوق برای طبقه بندی انتخاب شد.با توجه به اینکه استخراج روستاها یکی از مهمترین اهداف تحقیق حاضر می باشد، در فرآیند سگمنت سازی اقدام به اعمال وزن برای ترکیب باندی منتخب گردید و به باند ۳ وزن بیشتری از سایر باندها داده شد، وزن انتخابی باندها به شرح جدول ۱ می باشد.با در نظر گرفتن این موضوع که در اعمال وزن برای باندهای تصویر، مجموع وزن های انتخاب شده بایستی ۱۰۰ باشد، لذا از سه باند منتخب برای طبقه بندی، به باند۳ اهمیت بیشتری داده شد و برای این باند ۴۰ از ۱۰۰ در نظر گرفته شد.علاوه بر اعمال وزن برای ترکیب باندی منتخب، در سگمنت سازی با مطالعه ویژگی های تصویر منطقه مورد مطالعه و شناسایی پدیده ها بر سطح تصویر، بر اساس تجربه مفسر با در نظر گرفتن مقیاس تصویر و ویژگی های هندسی طبقات مورد نظر تحقیق، در فرآیند سگمنت سازی، معیار همگنی برای شکل ۶/۰، و فشردگی ۴/۰ در نظر گرفته شد.علاوه بر این پارامترها، مقیاس سگمنت سازی یکی دیگر از مهمترین مواردی است که در طبقه بندی شیء گرای تصاویر مورد استفاده قرار می گیرد.مقیاس بزرگ اجازه ایجاد شیء های تصویری بزرگ را داده و برعکس با انتخاب عدد کوچک برای مقیاس شیء های تصویری کوچکتری ایجاد می گردد.با توجه به هدف تحقیق که جداسازی روستاها، باغات و زمین های بایر در تصویر می باشد مقیاسهای عددی ۴۰ و ۷۰ برای سگمنت سازی انجام شد که در نهایت مقیاس ۴۰ برای این کار مناسب تشخیص داده شد.الگوریتم های مختلفی برای سگمنت سازی وجود دارد که در این تحقیق از الگوریتم Multiresolution Segmentation به علت دقت بالا و کاربرد زیاد آن استفاده کردیم.

D:\fp\img.png D:\fp\40segment.png

الف: تصویر قبل از سگمنت سازی ب: مقیاس ۴۰، ضریب شکل ۶/۰، فشردگی ۴/۰

D:\fp\70segment.png

ج: مقیاس ۷۰، ضریب شکل ۴/۰، فشردگی ۶/۰

شکل ۴- تصویر اصلی و سگمنت سازی در مقیاس، ضریب شکل و فشردگی مختلف (مأخذ: نگارندگان)

طبقه بندی

طبقه بندی فازی در محیط نرم افزار eCognition 8.7 متناسب با شرایطی است که مفسر برای هر کلاس تعیین می کند.در تعریف شرایط طبقه بندی مفسر می تواند از پارامترهای طیفی و بصری (شامل بافت، شکل، تن رنگ و…) استفاده کند،این شرایط به وسیله توابعی که برای کلاس ها بیان می گردد، تعریف می شود که می تواند به صورت تابع عضویت، شبیه سازی کلاس ها یا نزدیک ترین همسایه باشد.در نرم افزار eCognition 8.7 تعریف شرایط مناسب برای هر کلاس، مبنای طبقه بندی فازی را تشکیل می دهد.با تعیین ویژگی های مربوط به اطلاعات طیفی و ویژگی های هندسی کلاس ها در طی فرآیند پردازش تصویر، می توان از عملگرهای منطق فازی شامل Or ، Max عملگری با حداکثر ارزش بازگشتی از ارزش فازی، میانگین حسابی ارزش فازی، میانگین هندسی ارزش فازی و And عملگر بازگشتی به عنوان حاصل ضربی از ارزش فازی استفاده نموده و شرایط مناسب برای طبقه بندی را تعریف نمود.

C:\Users\meisam\Desktop\1.png

ب- طبقه بندی اراضی بایر بر اساس ارتفاع بالاتر از ۱۲۹۰ متر،

شیب ۰ تا ۱۰ درصد و عملگر فازی And

C:\Users\meisam\Desktop\2.png

الف- تصویر اصلی

C:\Users\meisam\Desktop\1.png

د- طبقه بندی باغات بر اساس ۱٫۲۵- ۱٫۴Shape index و عملگر فازی And

C:\Users\meisam\Desktop\1.png

ج- طبقه بندی روستاها بر اساس ۸۰- ۹۰ Brightness، ۲/۰ – ۷/۰ NDVI و عملگر فازی OR

شکل ۵- طبقه بندی شیء گرای تصاویر ماهواره ای بر اساس الگوریتم های فازی(الف-تصویر اصلی ب-طبقه بندی اراضی بایر ج-طبقه بندی روستاها د-طبقه بندی باغات)(مأخذ:نگارندگان)

در تعریف شرایط طبقه بندی مفسر می تواند از پارامترهای طیفی و بصری (شامل بافت، شکل، تن رنگ و…) استفاده نموده و با تعریف یکی یا مجموعه ای از این عوامل و همچنین تعیین نسبت اهمیت هر یک از این عوامل در فرآیند طبقه بندی، شرایط مناسب برای طبقه بندی کلاس ها را تعریف نماید.در تعریف شرایط طبقه بندی برای هر یک از طبقات علاوه بر اطلاعات طیفی، اطلاعات مربوط به موقعیت، محتوا، بافت و سایر ویژگی های بصری نیز استفاده شده است.به عنوان نمونه بافت منحصر به فرد باغات و مزارع کشاورزی بر روی تصویر شناسایی آنها را از سایر طبقات میسر می ساخت.عامل شکل نیز به عنوان عاملی مناسب برای جداسازی طبقه روستا در نظر گرفته شد،عامل بافت و تن رنگ و زمینه نیز به عنوان عاملی موثر در جداسازی زمین های بایر مورد استفاده قرار گرفت.همچنین از الگوریتم نزدیک ترین همسایه در طبقه بندی شیءگرا برای تمامی کلاس ها استفاده شده است.عوامل به کار رفته در طبقه بندی تصویر در جدول ۱ نشان داده شده است.

جدول ۱- عوامل به کار رفته در طبقه بندی تصویر

ارزش میانگین باندها

Layer Mean Values

انحراف معیار باند ۳

Layer Standard deviation value

ارتفاع

Height

شیب

Slope

جهت شیب

Aspect

محدوده

Extent

شکل

Shape

مساحت بافت شکل

Shape Texture Area

تراکم بافت شکل

Shape Texture Density

عدم تقارن بافت شکل

Shape Texture Asymmetry

جهت بافت شکل

Shape Texture Direction

GLCM همه جهته

GLCM All Directions

C:\Users\meisam\Desktop\3.png

ب- طبقه بندی باغات و مزارع کشاورزی بر اساس شکل ۱٫۸۲۰

C:\Users\meisam\Desktop\2.png

الف- طبقه بندی مناطق روستایی بر اساس ارزش میانگین باند ۱: ۱۲۷٫۲۳ باند۲: ۱۲۲٫۹۷ باند۳: ۱۲۳٫۸۸

C:\Users\meisam\Desktop\4.png

ج- طبقه بندی زمین های بایر بر اساس GLCM همه جهته: ۱۲۸٫۰۴

شکل ۶- طبقه بندی تصاویر بر اساس عوامل طیفی و بصری مختلف. الف- مناطق روستایی ب- مناطق کشاورزی و باغات ج- زمین های بایر (مأخذ: نگارندگان)

ارزیابی صحت طبقه بندی

هیچ طبقه بندی تا زمانی که دقت آن مورد ارزیابی قرار نگرفته است تکمیل نیست و برای کسب اطمینان از نسبت صحت تصویر طبقه بندی شده دقت آن باید مورد ارزیابی قرار گیرد (Lillesand،۲۰۰۱: ۲۱۰).دقت طبقه بندی بیانگر سطح اعتماد به تصویر طبقه بندی شده می باشد(Anderson و همکاران،۱۹۷۶: ۸۵-۸۰).در طبقه بندی شیء گرا می توان با استفاده از دقت کلی طبقه بندی و ضریب کاپا به ارزیابی دقت طبقه بندی پرداخت. لازمه استفاده از هر نوع اطلاعات موضوعی، آگاهی از میزان صحت و درستی آن است. برای ارزیابی دقت و صحت طبقه بندی انجام شده، ضریب آماری کاپا و همچنین دقت کلی طبقه بندی استخراج شد.دقت کلی طبقه بندی معادل ۲۰/۹۵ درصد محاسبه شده و ضریب کاپای طبقه بندی نیز معادل ۹۳/۰ برآورد شده است.همانگونه که دقت ارزیابی شده نشان می دهد تصویر طبقه بندی شده از دقت بالایی برخوردار است.

انتقال به محیط GIS

پس از انجام طبقه بندی در محیط نرم افزار eCognition 8.7 نتیجه با فرمت Shp ذخیره گردید و به محیط نرم افزار Arc GIS 10.3 انتقال یافت که با تعریف روابط توپولوژیکی و تشکیل پایگاه اطلاعات زمینی مساحت هر کدام از طبقات برای هر یک از روستاها استخراج شد.سپس با توجه به لایه DEM، شیب، جهت شیب و جمعیت به تجزیه و تحلیل و تیپ بندی روستاهای منطقه اقدام شد.

نتایج

نتایج تیپ بندی روستاها بر اساس معیارهای شکل، میانگین ارتفاع، شیب و جمعیت و رابطه آنها با مساحت روستا، باغات و زمین های کشاورزی و زمین های بایر در نمودارهای ۱،۲،۳،۴و۵ نشان داده شده است.همانطور که مشاهده می شود تمامی روستاهای منطقه به شکل متمرکز می باشند که علت اصلی آن کوهستانی بودن منطقه می باشد که در نتیجه آن اکثر روستاهای مناطق کوهستانی حالت متمرکز دارند، کم ارتفاع ترین روستا با ارتفاع ۱۲۹۱ متر از سطح دریا روستای زیناب و مرتفع ترین روستا با ارتفاع ۱۴۲۶ متر از سطح دریا روستای نوجه ده می باشد.شیب در روستاهای مورد مطالعه از ۰ تا ۳۴ درجه متغییر می باشد و جهت شیب روستاها اکثراً جنوب یا جنوب غربی می باشد و کم جمعیت ترین روستای منطقه با ۵۶۲ نفر جمعیت روستای باغ معروف و پر جمعیت ترین روستا با ۷۰۸۳ نفر جمعیت روستای مایان سفلی می باشد.کوچکترین روستا از لحاظ وسعت مناطق ساخته شده روستای نوجه ده با ۱۴/۰ کیلومتر مربع می باشد و بزرگترین روستا از این لحاظ روستای بنیس با ۳ کیلومتر مربع می باشد.کم ترین باغات و مزارع کشاورزی مربوط به روستای نوجه ده با ۲۴/۰ کیلومتر مربع و بیشترین میزان باغات و مزارع کشاورزی مربوط به روستای تازه کند با میزان ۳٫۷ کیلومتر مربع می باشد، کم ترین میزان زمین های بایر مربوط به روستای کجا آباد با ۴/۰ کیلومتر مربع و بیشترین میزان زمین های بایر مربوط به روستای ساتللو با ۴٫۳ کیلومتر مربع زمین های بایر می باشد.

D:\fp\20\slope2.png

ب – موقعیت روستاهای منطقه بر حسب شیب (مأخذ: نگارندگان)

D:\fp\20\dem3.png

الف- موقعیت روستاهای منطقه بر حسب ارتفاع (مأخذ: نگارندگان)

D:\fp\20\pop2.png

د – موقعیت روستاهای منطقه بر حسب جمعیت (مأخذ: نگارندگان)

D:\fp\20\aspect.png

ج- موقعیت روستاهای منطقه بر حسب جهت شیب (مأخذ: نگارندگان)

 

شکل ۷- موقعیت روستاهای مورد مطالعه بر اساس شرایط توپوگرافی و جمعیتی (مأخذ: نگارندگان)

نمودار شماره ۱- رابطه جمعیت و ارتفاع روستاها

نمودار شماره ۲- رابطه جمعیت و شیب روستاها

نمودار شماره ۳- رابطه جمعیت و مساحت مناطق ساخته شده

نمودار شماره ۴- رابطه جمعیت و مساحت باغات و زمین های کشاورزی

نمودار ۵- رابطه جمعیت و زمین های بایر

نتیجه گیری

با توجه به دقت طبقه بندی تصاویر ماهواره ای با روش شیء گرا در این تحقیق (دقت کلی ۲۰/۹۵ و ضریب کاپای ۹۳/۰) می توان گفت که روش طبقه بندی شیء گرا یکی از روش های مناسب و مطمئن برای استخراج اطلاعات از تصاویر ماهواره ای می باشد و در این روش با توجه به استفاده از اطلاعاتی نظیر بافت، شکل و… علاوه بر اطلاعات طیفی تصویر، شاهد دقت بالای طبقه بندی می باشیم.کم جمعیت ترین روستای منطقه روستای باغ معروف می باشد که میزان مزارع کشاورزی و باغات آن ۹/۰ کیلومتر مربع می باشد و پرجمعیت ترین روستای منطقه مایان سفلی نیز تقریباً وضعیت مشابهی داشته و میزان مزارع کشاورزی و باغات آن ۸۵/۰ کیلومتر مربع می باشد، همچنین ارتفاع روستای باغ معروف از سطح دریا ۱۳۲۱ متر و ارتفاع روستای مایان سفلی ۱۳۲۵ متر می باشد که این اطلاعات نشان می دهد این دو روستا تقریباً در شرایط مشابهی از لحاظ محیطی قرار دارند و علت پر جمعیت بودن مایان سفلی نسبت به باغ معروف که هر دو از روستاهای شهرستان تبریز، بخش مرکزی می باشند نزدیک بودن روستای مایان سفلی به شهر تبریز و صنعتی بودن این روستا و در نتیجه مهاجر پذیر بودن این روستا می باشد.در نتیجه عوامل محیطی تنها عامل تاثیر گذار در جمعیت روستاها نمی باشد و عوامل انسانی مثل وجود صنایع نیز تاثیر به سزایی در نحوه گسترش و جمعیت روستا دارد. با توجه به اهمیت طبقه بندی روستاها در برنامه ریزی های آتی برای روستاها، و همچنین کاربرد فناوری سنجش از دور در زمینه تیپ بندی روستاها توصیه می شود در برنامه های مربوط به مدیریت روستاها از فناوری سنجش از دور بیشتر استفاده شود.همچنین با توجه به دقت بالای طبقه بندی شیء گرای تصاویر ماهواره ای به علت استفاده از عواملی مثل بافت، شکل و… در طبقه بندی تصاویر می توان این نوع طبقه بندی را مبنای مناسبی جهت طبقه بندی روستاها و تیپ بندی آنها قرار داد.

منابع و مأخذ

  1. علوی پناه،سید کاظم، (۱۳۸۲)، کاربرد سنجش از دور در علوم زمین، انتشارات دانشگاه تهران،چاپ دوم،تهران،۲۷۸٫
  2. سعیدی، عباس (۱۳۸۶)، مبانی جغرافیای روستایی، انتشارات سمت، چاپ نهم، تهران، زمستان ۱۳۸۶، ۱۵۰٫
  3. غضنفرپور،حسین؛کمانداری،محسن؛محمدی سلیمانی،مهرداد، (۱۳۹۲)، تاثیر عوامل جغرافیایی در الگوی مساکن روستایی استان کرمان، فصلنامه جغرافیا و برنامه ریزی شهری چشم انداز زاگرس، سال پنجم، شماره ۱۸، صفحات ۱۴۲-۱۲۵٫
  4. غلامی راد،زهرا؛شریعت پناهی،مجید ولی، (۱۳۹۲)، بررسی جایگاه عوامل طبیعی در استقرار سکونتگاههای روستایی استان کرمانشاه بر اساس مدل فرآیند تحلیل سلسله مراتبی (AHP) با استفاده از GIS، فصلنامه جغرافیایی سرزمین، سال دهم، شماره ۳۷، صفحات ۷۶-۵۵٫
  5. فیضیزاده،بختیار، (۱۳۸۶)،مقایسه روش های پیکسل پایه و شیء گرا در تهیه نقشه های کاربری اراضی،رسولی،علیاکبر؛ولیزادهکامران،خلیل،دانشگاه تبریز،گروه سنجش از دور و GIS.
  6. فیضیزاده،بختیار، جعفری،؛فیروز؛ نظم فر،حسین، (۱۳۸۷)، کاربرد داده های سنجش از دور در آشکارسازی تغییرات کاربری های اراضی شهری، مجله هنرهای زیبا، شماره ۳۴، صفحات ۲۴-۱۷٫
  7. مهدوی، مسعود، (۱۳۷۶)، جغرافیای روستایی ایران، انتشارات دانشگاه پیام نور، چاپ دوم، تهران، ۱۹۳٫
  8. میذر، پدریک، (۱۹۹۵)، پردازش کامپیوتری تصاویر سنجش از دور،دیسفانی،انتشارات سمت،چاپ اول،تهران،۲۳۰٫
  9. نوروزی آورگانی،اصغر؛صیدایی، سیداسکندر، (۱۳۸۹)، تحلیلی بر الگوهای استقرار فضایی سکونتگاههای روستایی در استان چهارمحال و بختیاری، فصلنامه جغرافیا و توسعه، شماره۱۸، صفحات ۶۸-۵۳٫
  10. Anderson, J. R.; Hady; E. Roach, E.J. Wetter T. and Richard. E.(1976) Lands cover classification system for use with remote sensor data. United States Government Printing Office, Washington. Pages 80– ۸۵٫
  11. Chen, M, Su. W, Li.L, Chao.Z, Yue.A and Li.H, (2009), of pixel-based and object-oriented knowledge- based classification methods using SPOT5 imagery, WSEAS TRANSACTIONS on INFORMATION SCIENCE and APPLICATIONS, ISSN: 1790-0832, pages 477-489.
  12. Huang, .L and Ni.L. (2008) Object-oriented classification of high resolution satellite image for better accuracy, Proceedings of the 8th International Symposium on Spatial Accuracy Assessment in Natural Resources and Envir onmental Sciences, Shanghai, P. R.China, June 25-27, 2008, pp. 211-218.
  13. Im, J. Jensen, J. R. and Tullis, J. A, (2008) Object-based changedetection using correlation image analysis and image segmentation,International Journal of Remote Sensing, Volume 29 , Issue 2 (January 2008), Pages 399-423.
  14. Lillesand, T.M. and Kiefer. R.W. (2001) Remote sensing and image interpretation and Sons, inc. USA, Page 210.

 

  1. Object-Based Image Processing

  2. Segmentation

  3. Digital Elevation Model

  4. Image Enhancement

Netshahr Netshahr
مطالب مرتبط