آمار

تعداد نشریات13
تعداد شماره‌ها238
تعداد مقالات2,418
تعداد مشاهده مقاله3,962,373
تعداد دریافت فایل اصل مقاله2,874,090
دستانیان, معصومه, صابریان, جواد. (1401). ارزیابی روش‌های تولید نقشه پوشش گیاهی با استفاده از سامانه اطلاعات مکانی و سنجش از دور. فناوری آموزش, 1(1), 83-90. doi: 10.22061/jrsgr.2022.1979
معصومه دستانیان; جواد صابریان. "ارزیابی روش‌های تولید نقشه پوشش گیاهی با استفاده از سامانه اطلاعات مکانی و سنجش از دور". فناوری آموزش, 1, 1, 1401, 83-90. doi: 10.22061/jrsgr.2022.1979
دستانیان, معصومه, صابریان, جواد. (1401). 'ارزیابی روش‌های تولید نقشه پوشش گیاهی با استفاده از سامانه اطلاعات مکانی و سنجش از دور', فناوری آموزش, 1(1), pp. 83-90. doi: 10.22061/jrsgr.2022.1979
دستانیان, معصومه, صابریان, جواد. ارزیابی روش‌های تولید نقشه پوشش گیاهی با استفاده از سامانه اطلاعات مکانی و سنجش از دور. فناوری آموزش, 1401; 1(1): 83-90. doi: 10.22061/jrsgr.2022.1979

ارزیابی روش‌های تولید نقشه پوشش گیاهی با استفاده از سامانه اطلاعات مکانی و سنجش از دور

پژوهش های سنجش از دور و اطلاعات مکانی
دوره 1، شماره 1، دی 1401، صفحه 83-90    اصل مقاله (1.09 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22061/jrsgr.2022.1979
نویسندگان
معصومه دستانیان؛ جواد صابریان*
گروه مهندسی نقشه برداری، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی- واحد تهران جنوب، تهران، ایران
تاریخ دریافت: 13 بهمن 1401،  تاریخ بازنگری: 11 اردیبهشت 1402،  تاریخ پذیرش: 05 خرداد 1402 
چکیده
پیشینه و اهداف: امروزه، اطلاع از خصوصیات کمی و کیفی تغییرات در برنامه‌ریزی‌های محیطی، آمایش سرزمین و توسعه پایدار، بسیار حائز اهمیت است. در حال حاضر، استفاده از نقشه‌های پوشش گیاهی، یکی از ارکان مهم در تولید اطلاعات جهت برنامه‌ریزی‌های کلان و خرد است. هدف این پژوهش، تولید نقشه پوشش‌های گیاهی طبیعی و زراعی و همچنین، زمین‌های کشت آبی و باغات، با استفاده از فن‌آوری سنجش از دور و سامانه اطلاعات مکانی است. به طور کلی، از زمان‌های قدیم تا به امروز، روش‌های مختلفی برای جمع‌آوری داده‌های مبتنی بر مکان وجود دارد، از جمله مشاهدات نجومی، فتوگرامتری، نقشه‌برداری و سنجش از دور. سنجش از دور، یکی از روش‌های جمع‌آوری داده‌هاست که کمترین تماس مستقیم با اشیاء و داده‌های مورد اندازه‌گیری را دارد و بر خلاف روش‌های دیگر، که عوامل انسانی در جمع‌آوری و تفسیر داده‌های زمینی نقش دارند، در روش سنجش از دور، مسئولیت جمع‌آوری اطلاعات بر عهده سنسورها خواهد بود.
روش‌ها‌: در این تحقیق، نشان دادیم که چگونه می‌توان از تصاویر ماهواره‌های سنجش از دور، جهت تهیه نقشه پوشش گیاهی و باغات، استفاده کرد. برای این منظور، از تصاویر ماهواره‌ای و برداشت‌های زمینی، به عنوان داده‌های ورودی استفاده می‌شود و این داده‌ها، با روش‌های مختلف طبقه‌بندی، مورد تجزیه و تحلیل قرار می‌گیرند. برای تهیه نقشه کاربری، اراضی جنوب شهر زنجان انتخاب و از تصاویر مـاهواره سنتینل -2 مربوط به سـال 2018، استفاده شد. در مراحل مختلف انجام این تحقیق، از نرم‌افزارهای ENVI ، ArcGIS ، SAGAGIS استفاده شده است. بهترین روش طبقه‌بندی به کمک نرم‌افزارArcGIS انتخاب گردید. برای بررسی قابلیت و کارایی داده‌ها، تصاویر شاخص پوشش گیاهی نرمال شده (NDVI) با دقت مکانی 15متر، محاسبه و برای هر ماه، یک تصویر NDVI، در نظر گرفته شد. در مجموع 12 تصویر انتخاب گردید که در قالب یک داده با عملیات ترکیب‌کردن لابه یک باند سه تایی تبدیل شدند.
یافته‌ها: در این تحقیق اعتبار سنجی داده‌ها براساس نرم‌افزار گوگل ارث انجام شد و دقت تفکیک پوشش گیاهی منطقه مورد مطالعه، با استفاده از روش‌های طبقه‌بندی مختلف از قبیل حداکثر احتمال، کوتاه‌ترین فاصله، ماشین بردار پشتیبان، شبکه‌های عصبی و جنگل تصادفی، مورد بررسی قرار گرفت .در هر روش طبقه‌بندی، با استفاه از ماتریس خطای اومیشن و کومیشن در هر کلاس و شاخص‌های دقت کلی نقشه، ضریب کاپا مورد بررسی قرار گرفته است. با مقایسه تمامی روش‌ها و ارزیابی نتایج به‌دست آمده، مشخص شد که روش الگوریتم جنگل تصادفی با دقت کلی 96.51% و ضریب کاپا 0.8181 به عنوان بهترین روش طبقه‌بندی، نقشه پوشش گیاهی منطقه مورد مطالعه را تولید خواهد کرد.
نتیجه‌گیری: نتایج این تحقیق نشان داد که در الگوریتم جنگل تصادفی احتمال تعلق هر پیکسل به هر کلاس با دقت بالایی تعیین می‌شود. قابلیت تعیین اهمیت ویژگی‌ها در طبقه‌بندی که می‌تواند به منظور انتخاب فضای ویژگی بهینه استفاده شود از مهمترین مزایای این روش است. همچنین، توانایی طبقه‌بندی داده‌های نویزی، که می‌توان جهت افزایش و تصفیه نمونه‌های آموزشی استفاده کرد، عدم نیاز به انتخاب یا کاهش باند در هنگام استفاده از تصاویر چند طیفی، از دیگر مزایای الگوریتم جنگل تصادفی است. بدین ترتیب، سادگی و ساختار قابل‌درک این الگوریتم در کنار مزایای فنی آن، باعث انعطاف‌پذیری بالای آن شده و ترکیب آن با روش‌های دیگر را، بسیار آسان کرده است.
کلیدواژه‌ها
پوشش گیاهی؛ روش جنگل تصادفی؛ سامانه اطلاعات مکانی؛ شاخص NDVI؛ ضریب کاپا
عنوان مقاله [English]
Assessment of Vegetation Mapping Methods Using GIS and Remote Sensing
نویسندگان [English]
M. Dastanian؛ J. Saberian
Department of Surveying Engineering, Faculty of Engineering, Islamic Azad University-South Tehran Branch, Tehran, Iran
چکیده [English]
Background and Objectives: Today, it is very important to know the quantitative and qualitative characteristics of changes in environmental planning, land use and sustainable development. Currently, the use of vegetation maps is one of the important elements in generating information for macro and micro planning. In general, there are various methods for collecting data, including astronomical observations, photogrammetry, mapping and remote sensing. Remote sensing is one of the data collection methods in which it has the least amount of direct contact with the objects and features being measured and unlike other methods in which human factors play a role in collecting and interpreting terrestrial data, in remote sensing method the task of collecting information will be the responsibility of the sensors. Due to the over-exploitation of natural resources, the landscape is constantly changing and monitoring these changes as well as updating maps is costly and time consuming, so many developed countries now have to prepare maps in Different levels use satellite data.
Methods: In this research, we will how remote sensing satellite images can be used to prepare maps of vegetations. The use of plant coating maps is one of the important pillars in the production of information for macro planning. The aim of this research is to produce a map of natural and cultivated vegetation as well as irrigated lands and gardens using remote sensing technology and geographic information system. For this purpose, satellite images and ground surveys were used as input data and these data were analyzed using different methods of classification. As a case study the south of Zanjan city was selected for preparing of land use map. The Sentinel-2 satellite images of 2018 were used. Several software such as Envi, ArcGIS, and SAGAGIS were used. The best classification method was selected using ArcGIS software. To check the functionality and efficiency of the data, normalized vegetation index (NDVI) images were calculated with a spatial accuracy of 15 meters and one NDVI image was considered for each month. In total, 12 images are selected and converted into a triple band by layer stacking.
Findings: Data validation is based on Google Earth and the precision of the vegetation of the study area was studied using classification methods such as Maximum Likelihood, Minimum Distance, Support Vector Machine, Neural Network and Random Forest. In each classification method, the Kapa coefficient has been examined by using the commission and omission error matrix and the overall accuracy of the map. It was determined by comparing all the methods and evaluating the obtained results, Random Forest Algorithm method with overall accuracy of 96.51% and kappa coefficient of 0.8181 was chosen as the best method of vegetation classification in the study area.
Conclusion: The results of this research indicated that in the random forest algorithm, the probability of each pixel belonging to each class is determined with high accuracy. The ability to determine the importance of features in the classification that can be used to select the optimal feature space is one of the most important advantages of this method. Also, the ability to classify noisy data, which can be used to increase and refine training samples, no need to select or reduce bands when using multispectral images, are other advantages of the random forest algorithm. In this way, the simplicity and comprehensible structure of this algorithm, along with its technical advantages, has made it highly flexible and made it very easy to combine with other methods.
کلیدواژه‌ها [English]
Geo-spatial Information System, Kapa Coefficient, NDVI, Plant Coating, Random Forest
مراجع
[1] Alizadeh R. Remote Sensing (principles and application). Iran. Samt publication. 2013; In Persian.

[2] Honar T, Sabet Sarvestani A, Sepaskhah A, Kamkar A, Shams Sh. Simulation of soil water and canola plant performance by CRPSM. jwss 2012;16 (59) :45-57.

[3] Sanaeinejad H, Nasiri Mahalati M, Zarea H, Salehnia N, Ghaemi M. Wheat yield estimation using landsat images and field observation: A case study in Mashhad. Journal of plant production research. 2014;20(4): 45-64. In Persian.

[4] Kamali Gh, Momenzadeh H, Vazimehdoost M. Study of wheat yield production over Esfahan province during periods of dry and wet years using MODIS satellite data. Agricultural Ecology Journal. 2019;3(2): 181-190. In Persian.

[5] Alikhah Asl M, Naseri D. Evaluation of land cover changes in Kaftareh watershed using remote sensing technique. Journal of Environmental Science and Technology. 2017;19(3): 83-112. In Persian.

[6] Weiss M, Jacob F, Duveiller G. Remote sensing for agricultural applications: A meta-review. Remote Sensing of Environment. 2020;236: 111402.

[7] Rebouh N.Y, Elsayed Said Mohamed, Polityko P.M, Dokukin P.A, Kucher D.E, Latati M, Okeke S.E, Ali M.A. Towards improving the precision agriculture management of the wheat crop using remote sensing: A case study in Central Non-Black Earth region of Russia. The Egyptian Journal of Remote Sensing and Space Science. 2023;26(3): 505-517.

[8] Khanal S, Fulton J, Shearer S. An overview of current and potential applications of thermal remote sensing in precision agriculture. Computers and Electronics in Agriculture. 2017;139: 22–32.

[9] Lopez-Sanchez J, Vicente-Guijalba F, Erten E, Campos-Taberner M, Garcia-Haro F. Retrieval of vegetation height in rice fields using polarimetric SAR interferometry with TanDEM-X data. Remote Sensing of Environment. 2017;192: 30–44.

[10] Allred B, Eash N, Freeland R, Martinez L, Wishart D.B. Effective and efficient agricultural drainage pipe mapping with UAS thermal infrared imagery: A case study. Agricultural Water Management. 2018;197: 132–137.

[11] Babaeian E, Sadeghi M, Franz T.E, Jones S, Tuller M. Mapping soil moisture with the OPtical TRApezoid Model (OPTRAM) based on long-term MODIS observations. Remote Sensing of Environment. 2018;211: 425–440.

[12] Ebrahim P, Eslah M, Salimi Kochi J. Investigation of markov chain model efficiency for estimating land use and land cover changes using Landsat satellite images. Iran-Watershed Management Science & Engineering. 2016;10(34): 85-92. In Persian.

[13] Cutler DR, Edwards TC, Beard KH, Cutler A, Hess KT, Gibson J, Lawler JJ. Random forests for classification in ecology. Ecology. 2007;88(11):2783-2792.

[14] Amaratunga D, Cabrera J, Lee Y.S. Enriched random forests. Bioinformatics. 2008;24 (18): 2010-2014.

[15] Sisodia P.S, Tiwari V, Kumar A. Analysis of Supervised Maximum Likelihood Classification for remote sensing image. International Conference on Recent Advances and Innovations in Engineering (ICRAIE-2014). Jaipur. India. 2014;1-4.

[16] Ahmad A. Analysis of Maximum Likelihood Classification on Multispectral Data. Applied Mathematical Sciences. 2012;6(129): 6425 - 6436.

[17] Hogland J, Billor N, Anderson N. Comparison of standard maximum likelihood classification and polytomous logistic regression used in remote sensing.
European Journal of Remote Sensing. 2013; 46(1): 623-640.

[18] Wacker A.G, Landgrebe D.A. Minimum Distance Classification in Remote Sensing. Lars technical report. 1972; paper 25.

[19] Hodgson M.E. Reducing the computational requirements of the minimum-distance classifier. Remote Sensing of Environment. 1988;25(1): 117-128.

[20] Pal M, Mather P.M. Support vector machines for classification in remote sensing. International Journal of Remote Sensing. 2005; 26(5): 1007-1011.

[21] Auria L and Moro R.A. Support Vector Machines (SVM) as a Technique for Solvency Analysis. DIW Berlin Discussion Paper. 2008;811: 1-16.

[22] Roli F, Fumera G. Support vector machines for remote sensing image classification. Proc. SPIE 4170, Image and Signal Processing for Remote Sensing VI. 2001; 4170.

[23] Hamidi O, Poorolajal J, Sadeghifar M, Abbasi A, Maryanaji Z, Faridi H.R,  Tapak L. A comparative study of support vector machines and artificial neural networks for predicting precipitation in Iran. Theoretical and Applied Climatology.2015; 119: 723–731.

[24] Macpherson T, Churchland A, Sejnowski T, DiCarlo J, Kamitani Y, Takahashi H, Hikida T. Natural and Artificial Intelligence: A brief introduction to the interplay between AI and neuroscience research. Neural Networks. 2021;144: 603-613.

[25] Atkinson P.M and Tattnall A.R.L. Introduction neural networks in remote sensing. International Journal of Remote Sensing. 1997;18 (4): 699-709.

[26] Miller D.M, Kaminsky E.J, Rana S. Neural network classification of remote-sensing data. Computers & Geosciences. 1995;21(3): 377-386.

[27] Breiman L. Random Forests. Machine Learning. 2001; 45:5–32.

[28] Cutler DR, Edwards TC, Beard KH, Cutler A, Hess KT, Gibson J, Lawler JJ. Random forests for classification in ecology. Ecology. 2007;88(11):2783-2792.

[29] Amaratunga D, Cabrera J, Lee Y.S. Enriched random forests. Bioinformatics. 2008;24 (18): 2010-2014.

[30] Biau G, Devroye L, Lugosi G. Consistency of Random Forests and Other Averaging Classifiers. Journal of Machine Learning Research. 2008;9; 2039–2057.

آمار
تعداد مشاهده مقاله: 810
تعداد دریافت فایل اصل مقاله: 496


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب