- حداقل سطح دقت و صحت تفسیر در شناسایی کاربری اراضی و پوشش زمین با بهره گرفتن از داده‌های سنجش‌ازدور باید حداقل ۸۵ درصد باشد.
- دقت و صحت تفسیر برای چند طبقه باید تقریبا یکی باشد.
( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )
- با تکرار دوباره تفسیر در زمان دیگر نبایست نتیجه تغییر کند.
- سیستم طبقه‌بندی برای مناطق وسیع باید قابل‌اجرا باشد.
- طبقه‌بندی باید امکان جایگزینی پوشش گیاهی و انواع دیگر از پوشش‌های زمینی را برای کاربران مهیا کند.
- سیستم طبقه‌بندی باید مناسب باشد تا بتوان در زمان های مختلف از سال آن را بکار برد.
- امکان مقایسه با کاربری‌های به وجود آمده در آینده مهیا باشد.
روش‌های متفاوتی در زمینه طبقه‌بندی پدیده‌ها و عوارض مختلف زمینی و تهیه نقشه پوشش و کاربری زمین با بهره گرفتن از تصاویر ماهواره‌ای گزارش‌شده است که هر یک مزایا و معایبی دارند. جهت استخراج بهترین و دقیق‌ترین نقشه‌های پوشش و کاربری زمین برای استفاده در فرایند تغییرات پوشش زمین به دو روش طبقه‌بندی نظارت‌نشده Iso data و طبقه‌بندی نظارت شده حداکثر احتمال موردبررسی قرار گرفتند.
۴-۱۱-۱- تعریف کلاس‌های موجود در منطقه
در استخراج کاربری و پوشش اراضی اولین قدم تعریف کلاس در منطقه موردمطالعه می‌باشد که این تعریف با یک سیستم طبقه‌بندی و بر اساس هدف، کاربری و پوشش موجود در منطقه و تفکیک مکانی تصویر صورت می‌گیرد.
کلاس‌های کاربری اراضی را می‌توان به‌صورت های مختلفی تعریف نمود. با توجه به هر نوع تعریف، نوع کلاسها و نحوه استخراج آن‌ها متفاوت خواهد بود. به همین دلیل، به‌منظور استخراج کلاس‌های کاربری از تصاویر ماهواره‌ای انواع سیستم طبقه‌بندی تعریف‌شده است. از معروف‌ترین این سیستم‌ها که به‌طور وسیعی مورداستفاده قرار می‌گیرد سیستم طبقه‌بندی (USGS) سازمان زمین‌شناسی کشور آمریکا[۶۸] می‌باشد. چندین سیستم طبقه‌بندی برای استفاده در تکنیک سنجش‌ازدور در کنفرانس ۲۸-۳۰ ژوئن ۱۹۷۱ واشنگتن توسط ۱۵۰ نماینده از مجامع علمی طراحی شد. از بین دو نوع سیستم توسط جیمز آندرسون[۶۹] پیشنهاد شد که یکی از آن سیستم‌ها برای سازمان زمین‌شناسی کشور آمریکا بود.
بااین‌وجود در ایران به دلیل نیازهای مطالعاتی و ویژگی‌های منطقه‌ای تعاریف و عناوین کلاس‌های کاربری برای تهیه نقشه کاربری اراضی کمی متفاوت است.
۴-۱۱-۲- انتخاب داده
انتخاب داده لازم بستگی به عوامل گوناگون دارد که از یک پروژه به پروژه دیگر متفاوت است. عوامل متنوعی بر این مرحله تأثیر می‌گذارند که عمده‌ترین آن‌ها عبارت‌اند از: تعریف کلاسها، در دسترس بودن داده‌ها، ویژگی‌های پروژه، خصوصیات سنجنده های موجود، روش طبقه‌بندی.
داده‌های موردنیاز در طبقه‌بندی را می‌توان به دودسته کلی داده‌های طیفی و غیر طیفی تقسیم نمود. داده‌های طیفی همان تصاویر سنجش‌ازدوری و داده‌های نظیر آن‌هاست که توسط سنجنده ها جمع آوری می‌گردند. داده‌های غیر طیفی، دامنه متنوعی از اطلاعات و داده‌های موجود را دربرمی گیرند. بعضی ازاین‌گونه اطلاعات غیر طیفی عبارت‌اند از: مرز عوارض، مدل ارتفاعی رقومی (DEM)، اطلاعات آماری، وضعیت اقلیمی و شرایط آب و هوایی، نقشه‌های زمین‌شناسی منطقه، اطلاعات ذخیره‌شده در یک سیستم اطلاعات جغرافیایی در مورد اشیاء و … . به‌طورکلی انتخاب داده‌های لازم برای طبقه‌بندی باید به‌گونه‌ای باشد که بتواند درنهایت کلاس‌های تعریف‌شده در مرحله اول را استخراج نموده و خواست کاربر را برآورده سازد و بنابراین توجه به نوع سنجنده مورداستفاده، تاریخ تصویربرداری و باندهای مناسب برای طبقه‌بندی از مهم‌ترین مواردی هستند که در ابتدای انتخاب داده‌ها باید در نظر داشت.
۴-۱۱-۳- محاسبه تفکیک‌پذیری کلاس‌های موجود
تفکیک‌پذیری کلاس‌های منتخب بر روی تصویر، در باندهای مختلف می‌تواند متفاوت باشد. به عبارتی کلاسها بایست طوری انتخاب شوند که ازلحاظ طیفی به‌طور کامل از هم جدا شوند در غیر این صورت موقع طبقه‌بندی کلاس‌های با تفکیک‌پذیری کمتر به‌جای همدیگر طبقه‌بندی می‌شوند.
۴-۱۱-۴- انتخاب بهترین ترکیب باندی برای طبقه‌بندی
با توجه به اینکه رفتار طیفی کلاسها در بعضی از باندهای سنجنده های چند طیفی مشابه می‌باشند ازاین‌رو کاهش دادن باندها با همبستگی بالا در اهداف مربوط به طبقه‌بندی اجتناب‌ناپذیر می‌باشد به خصوص اگر روش‌های طبقه‌بندی مبتنی بر شاخص‌های آماری (حداکثر احتمال[۷۰]) مدنظر باشد. به‌عبارت‌دیگر هر چه قدرت همبستگی بین باندها کمتر باشد بهترین باندها برای طبقه‌بندی محسوب می‌شود. با توجه به مطالب اشاره‌شده، تحلیل وابستگی بین باندها و حذف باندهای اضافی برای دستیابی به طبقه‌بندی با دقت بالاتر از اهمیت زیادی برخوردار است.
۴-۱۱-۵- طبقه‌بندی حداکثر احتمال
فرایند حداکثر احتمال یک رویکرد آماری نظارت‌شده برای بازشناسی الگو می‌باشد. در این طبقه‌بندی احتمال تعلق هر پیکسل به یک مجموعه‌ای از کلاس‌های از پیش تعریف‌شده محاسبه گردیده و سپس پیکسل موردنظر به کلاسی که دارای بیشترین احتمال است، اختصاص می‌یابد. طبقه‌بندی حداکثر احتمال بر پایه احتمال بیزی می‌باشد، یعنی:
رابطه (۱۱) P(x,w)=P(w/x)P(x)=P(x/w)P(w)
در رابطه فوق به x و w عموما پیشامد می‌گویند.
P(x,w) احتمال هم‌زیستی (تقاطع) پیشامدهای x و w
P(x) و P(w) احتمال‌های پیشین پیشامدهای x و w
اگر پیشامد xi و i امین بردار الگو باشد و wj اطلاعات کلاس j باشد، احتمال اینکه xi متعلق به کلاسwj باشد ،بر اساس رابطه ۱۲ محاسبه می‌شود:
رابطه (۱۲):
P(wj/xi)=P(xi/wj)P(wj)/P(xi)
ازآنجایی‌که P(x) عموما به‌صورت توزیع یکنواخت می‌باشد (بدین معنا که احتمال وقوع برای تمام پیکسل‌ها یکسان است)،رابطه (۱۳) را می‌توان به‌صورت زیر بازنویسی کرد:
رابطه(۱۳) P(wj/xi)∞P(xi/wj)P(wj)
زمانی می‌توان پیکسل i را به کلاس k اختصاص داد که پیکسل موردنظر دارای بالاترین مقدار در عبارت P(wk/xi)، رابطه (۱۳) باشد . ضابطه طبقه‌بندی را می‌توان به‌صورت زیر بیان کرد:
رابطه(۱۴) Wk= argmax {P(xi/wi)P(wj)}
در رابطه فوق arg به آرگومان دلالت می‌کند. ضابطه موجود در رابطه (۱۴) حاصل‌ضرب احتمال شرطی و احتمال پیشین را به حداکثر می‌رساند. اگرچه در بعضی از مواقع ،احتمال پیشین P(w) به‌صورت توزیع یکنواخت در نظر گرفته می‌شود (به علت عدم وجود دانش یا به دلیل عدم آگاهی از توزیع واقعی احتمال پیشین )، که در این صورت رابطه (۱۴) به‌صورت زیر بازنویسی می‌شود:
رابطه(۱۵) P(Wi/Xi)∞P(Xi/Wj)
اگر پیکسل i به کلاس k که رابطه (۱۵) را بیشینه می‌سازد ،اختصاص پیدا کند ،این نتیجه راه‌حل احتمال حداکثر نامیده می‌شود.
معمولا احتمال P(Wi/Xi)∞P(Xi/Wj) شرطی از فرض توزیع گوسی(نرمال) پیروی می‌کند . که در این صورت احتمال شرطی به‌صورت زیر نوشته می‌شود:
رابطه(۱۶) P(xi/wj)=1/√۲ӆP√│Cj│exp(-1/2×(xi-µj)T×Cj-1×(xi-µj)
در رابطه بالا ،Cj ماتریس کوواریانس کلاس Wj با بعد p
µj بردار میانگین کلاس Wj و علامت × دلالت بر دترمینان دارد.
برای اهداف کاربردی ،رابطه (۱۶) با گرفتن لگاریتم طبیعی به‌صورت زیر بیان می‌شود:
رابطه(۱۷) Ln [P(xi/wi)]=-1/2p×ln(2ӆ)×-۱/۲ln│Cj│-۱/۲(xi-µj)T×Cj-1×(xi-µj)
ازآنجایی‌که عبارت pln(2ӆ) برای تمامی کلاسها یکسان است ،بدین‌صورت می‌توان آن را ثابت در نظر گرفت که بدون تأثیرگذاری بر رتبه‌بندی نهایی مقادیر [(Ln [P(xi/wi ،حذف گردد . رابطه (۱۷) با ضرب عدد ثابت ۲- به‌صورت زیر نوشته می‌شود:
رابطه(۱۸) -۲ln[P(xi/wj)]=ln│Cj│+(xi-µj)T×Cj-1×(xi-µj)
واضح است که بیشینه‌سازی رابطه (۱۶) برابر است با کمینه‌سازی رابطه (۱۸) . عبارت دوم رابطه (۱۸) ، به‌صورت فاصله ماهالونوبیس می‌باشد. بنابراین شکل ابر تشکیل‌شده به‌وسیله مجموعه پیکسل‌های یک کلاس می‌تواند به‌صورت یک بیضوی تشریح شود. شکل بیضوی نیز به کوواریانس بین ویژگی‌های متعلق به فضای ویژگی وابسته است . در فضای ویژگی دوبعدی ، تابع حداکثر احتمال بیضوی‌های خطوط هم احتمال را ترسیم می کند که به‌صورت مرزهای تصمیم‌گیری قابل‌مشاهده است.
قاعده تصمیم‌گیری حداکثر احتمال مبتنی بر احتمال می‌باشد. در این روش هر پیکسل دارای الگوی اندازه‌گیری x را به کلاس i نسبت می‌دهد. درصورتی‌که بردار x دارای بیشترین شباهت به آن کلاس باشد. به‌عبارت‌دیگر، طبقه‌بندی حداکثر احتمال، احتمال تعلق یک پیکسل را به کلاسی می‌دهد که در آن مقدار احتمال ، ماکزیمم باشد. روش طبقه‌بندی حداکثر احتمال هنوز یکی از پرکاربردترین الگوریتم‌های طبقه‌بندی نظارت‌شده است. در فرایند طبقه‌بندی حداکثر احتمال فرض بر این است که داده‌های آماری آموزشی برای هر کلاس به‌صورت نرمال توزیع‌شده‌اند. برای این روش ابتدا برای نمونه‌های جمع آوری‌شده برای هر کلاس i مقدار میانگین و ماتریس واریانس و کوواریانس تعریف می‌شود. با بهره گرفتن از تابع چگالی احتمال و مقدار احتمال هر کلاس ، می‌توان ماکزیمم احتمال تعلق پیکسل به یک کلاس را به دست آورد.
۴-۱۲- مرحله پس پردازش(استخراج نقشه کاربری و پوشش اراضی )
به‌منظور افزایش دقت طبقه‌بندی و کیفیت آن نیاز به یک سری عملیات بر روی تصویر طبقه‌بندی‌شده وجود دارد. با توجه به روش طبقه‌بندی مورداستفاده در این تحقیق از عملیات‌های زیر برای پس پردازش تصاویر طبقه‌بندی‌شده ، استفاده‌شده است.
۴-۱۲-۱- ادغام کلاسها
با توجه به غیریکنواختی و ناهمگونی بسیاری از پدیده‌های سطح زمین و عواملی نظیر قدرت تفکیک مکانی ،طیفی و رادیومتری داده‌های سنجش‌ازدور ، معمولا مفسر برای طبقه‌بندی مجبور به ادغام تعدادی از کلاس‌های طیفی یا زیر کلاس می‌شود. ممکن است این کلاسها چندان اهمیتی برای کاربران نداشته باشد ، ولی مفسر برای رسیدن به کلاس اطلاعاتی موردنیاز و متناسب باهدف خود، چاره‌ای جز نمونه‌برداری از تمامی زیر کلاسها و طبقه‌بندی آن‌ها ندارد. در چنین شرایطی پس از طبقه‌بندی باوجود کلاس‌های متعدد می‌توان در مرحله پس از طبقه‌بندی، اقدام به ادغام کلاسها باهدف کاربر کرد(علوی پناه،۱۳۸۹).
با توجه به متفاوت بودن رفتار طیفی کلاس‌های یکسان در مناطق مختلف و تأثیرگذاری ارتفاع و مشتقات حاصل از آن کاربر مجبور به استفاده از زیر کلاسهایی برای یک کلاس مشخص می‌باشد . این امر بدیهی می‌باشد که ادغام زیر کلاسها در هم بر دقت کلی طبقه‌بندی تأثیر زیادی می‌گذارد چراکه در مرحله تعیین درصد دقت کلی نمونه‌های تستی معرفی‌شده از کلاس‌های اصلی می‌باشد و نیازی به معرفی کلاسها در مرحله تعیین دقت نیست.
۴-۱۲-۲- ارزیابی دقت طبقه‌بندی
ارزیابی دقت بر اساس نمونه‌های آموزشی که به‌عنوان تست طبقه‌بندی برداشت‌شده (آن‌ها را می‌توان از نقشه‌های موجود ، عکس‌های هوایی ، برداشت میدانی و گوگل ارث با توجه به تاریخ مورداستفاده برداشت نمود) انجام می‌پذیرد. به‌منظور بیان دقت یک نقشه طبقه‌بندی‌شده به‌صورت کمی می‌توان آن را به‌صورت پیکسل به پیکسل با واقعیت زمینی مقایسه و نتایج را در جدولی به نام جدول خطا درج نمود. بر پایه این جدول می‌توان معیارهای کمی نظیر دقت کاربر [۷۱]، صحت تولید [۷۲] صحت کلی [۷۳]و ضریب کاپا[۷۴] را برای بیان صحت محاسبه نمود. جدول مذکور به‌صورت ماتریس بیان می‌شود که در ردیف و ستون آن به ترتیب نقاط آموزشی و پیکسل‌های طبقه‌بندی‌شده در تصویر در نظر گرفته می‌شود.
۴-۱۲-۲-۱- دقت کاربر
