مقایسه روش های تفسیر چشمی و رقومی در تهیه نقشه کاربری و پوشش اراضی استان اردبیل

سال انتشار: 1396
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 477

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_GIRS-8-3_008

تاریخ نمایه سازی: 25 خرداد 1398

چکیده مقاله:

تهیه نقشه کاربری/ پوشش اراضی یکی از پرکاربردترین موارد استفاده از داده های سنجش از دور است. داده های سنجش از دور به جهت ارائه ی اطلاعات به هنگام، رقومی، پوشش تکراری، کم هزینه بودن، امکان پردازش و پتانسیل بالا برای تهیه نقشه های کاربری و پوشش اراضی در منابع طبیعی، از اهمیت بالایی برخوردار است. در این تحقیق نقشه کاربری و پوشش اراضی با استفاده از تصاویر گوگل ارث و تصویر سنجنده OLI ماهواره Landsat 8 و روش های تفسیر چشمی (تصاویر GE)، طبقه بندی نظارت شده، شبکه عصبی مصنوعی و طبقه بندی شیءپایه، (تصویر لندست 8)، تهیه و با یکدیگر مقایسه شدند. برای ارزیابی صحت طبقه بندی از شاخص های صحت کل، ضریب کاپا، صحت تولیدکننده و صحت کاربر استفاده شد. نتایج نشان داد روش تفسیر چشمی با صحت کلی 4/99 و ضریب کاپای 99/0، نسبت به روش های شیءپایه، نظارت شده و شبکه عصبی مصنوعی (به ترتیب با صحت کلی 94، 82 و 8/60 و ضریب کاپای 92/0، 77/0 و 5/0) از صحت بیشتری برخوردار است. بر اساس نقشه تفسیر چشمی مراتع با مساحت 946687 هکتار و پهنه های آبی با مساحت 4/2177 هکتار به ترتیب بیشترین و کمترین کاربری را به خود اختصاص دادند. در مجموع از نظر صحت، روش تفسیر چشمی با استفاده از تصاویر گوگل ارث از صحت بالایی برخوردار است اما روشی زمان بر و پر هزینه است، در مقابل روش طبقه بندی شیءپایه با صحت قابل قبول و هزینه و زمان کمتر، مناسب ترین روش برای تهیه نقشه کاربری/ پوشش اراضی است.

کلیدواژه ها:

نویسندگان

آزاد کاکه ممی

دانش آموخته کارشناسی ارشد مرتعداری، دانشگاه محقق اردبیلی

اردوان قربانی

دانشیار دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی

فرشاد کیوان بهجو

دانشیار دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی

امیر میرزایی موسیوند

دانش آموخته دکتری مرتعداری، دانشگاه محقق اردبیلی

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • ارزانی، ح.، خ. میرآخورلو و س. ز. حسینی. 1388. تهیه ...
  • اسلمی، ف.، ا. قربانی، ب. سبحانی و م. پناهنده. 1394. ...
  • امیدی پور، ر.، ح. ر. مرادی و ص. آرخی. 1392. ...
  • آرخی، ص. 1393. تهیه نقشه کاربری اراضی دشت عباس ایلام ...
  • تهیه نقشه کاربری اراضی با استفاده ازداده های گوگل ارث ( مطالعه موردی : کرج) [مقاله کنفرانسی]
  • راهداری، و.، س. ملکی نجف آبادی و م. رهنما. 1388. ...
  • طاوسی، ت. و ق. دل آرا. 1389. پهنه­بندی آب و ...
  • فیضی زاده، ب. و ح. هلالی. 1389. مقایسه روش های ...
  • فیضی زاده، ب.، م. پیرنظر، آ. زندکریمی و ح. عابدی ...
  • قربانی، ا.، ف. اسلمی، س. احمدآبادی و س. غفاری. 1394. ...
  • مظاهری، م. ر.، م. اسفندیاری، م. ح. مسیح­آبادی و ا. ...
  • Aplin P, Smith GM. 2011. Introduction to object-based landscape analysis. ...
  • Bey A, Sánchez-Paus Díaz A, Maniatis D, Marchi G, Mollicone ...
  • Blaschke T. 2010. Object based image analysis for remote sensing. ...
  • Du Y, Wu D, Liang F, Li C. 2013. Integration ...
  • Galletti CS, Myint SW. 2014. Land-use mapping in a mixed ...
  • Ganasri B, Dwarakish G. 2015. Study of land use/land cover ...
  • Ghorbani A, Pakravan M. 2013. Land use mapping using visual ...
  • Kindu M, Schneider T, Teketay D, Knoke T. 2013. Land ...
  • Lu D, Li G, Moran E, Freitas C, Dutra L, ...
  • Piazza GA, Vibrans AC, Liesenberg V, Refosco JC. 2016. Object-oriented ...
  • Richards JA. 2013. Remote sensing digital image analysis, 5th ed, ...
  • Romijn E, Lantican CB, Herold M, Lindquist E, Ochieng R, ...
  • Roostaei S, Alavi S, Nikjoo M, Kamran KV. 2012. Evaluation ...
  • Tso B, Mather PM. 2009. Classification methods for remotely sensed ...
  • Yang X. 2011. Parameterizing support vector machines for land cover ...
  • Yu W, Zhou W, Qian Y, Yan J. 2016. A ...
  • Yuan F, Bauer ME, Heinert NJ, Holden GR. 2005. Multi‐level ...
  • نمایش کامل مراجع