شناسایی تغییرات کاربری اراضی براساس طبقه بندی شی گرا با تصاویر لندست (Landsat) و سنتینل (Sentinel) در انوی (ENVI)

طبقه بندی شی گرا

طبقه‌بندی شی‌محور یا شی‌گرا از اطلاعات طیفی و فضایی برای طبقه‌بندی استفاده می‌کند. این فرآیند شامل دسته بندی پیکسل ها بر اساس ویژگی های طیفی، شکل، بافت و رابطه فضایی آنها با پیکسل های اطراف است. روش‌های طبقه‌بندی شی گرا اخیراً در مقایسه با تکنیک‌های طبقه‌بندی مبتنی بر پیکسل سنتی توسعه یافته‌اند. در حالی که طبقه بندی مبتنی بر پیکسل صرفاً بر اساس اطلاعات طیفی در هر پیکسل است، طبقه بندی شی گرا بر اساس اطلاعات مجموعه ای از پیکسل های مشابه به نام اشیاء یا اشیاء تصوایر است. اشیاء یا ویژگی‌های تصویر، گروه‌هایی از پیکسل‌ها هستند که بر اساس ویژگی‌های طیفی (به عنوان مثال، رنگ)، اندازه، شکل، و بافت و همچنین بافت محله‌ای اطراف پیکسل‌ها شبیه یکدیگر هستند. طبقه‌بندی شی گرا یک فرآیند دو مرحله‌ای است که ابتدا به تصویر اشیاء یا ویژگی‌های مجزا تقسیم می‌شود و سپس هر شی طبقه‌بندی می‌شود. این نوع طبقه بندی تلاش می کند تا از نوع تحلیل انجام شده توسط انسان در طول تفسیر بصری تقلید کند.

تقسیم بندی

تقسیم بندی تصویر یک جزء کلیدی برای طبقه بندی شی گرا است. تقسیم بندی فرآیندی است که طی آن پیکسل ها در یک تصویر به بخش ها، اشیا یا ویژگی هایی که دارای ویژگی های طیفی و فضایی مشابهی هستند، گروه بندی می شوند. هر یک از این اشیا یا ویژگی ها حاوی چندین پیکسل هستند. بخش های موجود در تصویر به طور ایده آل با ویژگی های دنیای واقعی، به عنوان مثال ساختمان ها یا تاج درختان مطابقت دارند. پارامترهای مختلفی وجود دارد که در این فرایند تقسیم بندی استفاده می شود. مقیاس اشیا یا ویژگی ها یکی از متغیرهای مهم در فرآیند تقسیم بندی تصویر است. مقیاس حداقل تعداد پیکسل هایی را که باید در یک گروه وجود داشته باشد را تعیین می کند تا یک قطعه یا شی جداگانه باشد.

انواع روش های تقسیم بندی

پس از اینکه یک تصویر به اشیاء تصویری مناسب تقسیم شد، تصویر با اختصاص دادن هر شی به یک کلاس بر اساس ویژگی ها و معیارهای تعیین شده توسط کاربر، طبقه بندی می شود. این معیارها را می توان به دو گروه کلی تقسیم کرد، ویژگی های مربوط به هر شی (به عنوان مثال بافت رنگ) و ویژگی هایی که رابطه بین اشیاء را توصیف می کنند. به عنوان مثال، می دانیم که جاده ها دراز هستند، برخی از ساختمان ها تقریباً مستطیل شکل هستند و درختان در مقایسه با چمن بافت بسیار بالایی دارند. طبقه‌بندی جاده‌ها را می‌توان با افزودن اتصال به سایر ویژگی‌های شناسایی شده به عنوان جاده به عنوان معیار طبقه‌بندی بهبود بخشید.

ویژگی های شی

رنگ یا خواص طیفی: میانگین یا انحراف استاندارد هر باند، میانگین روشنایی، نسبت باند
اندازه: مساحت، نسبت طول به عرض، طول مرز نسبی
شکل: گرد، عدم تقارن، مستطیل شکل
بافت: صافی، همگنی موضعی
سطح کلاس: ارتباط با همسایگان، ارتباط با اشیاء دیگر

ارتباط با شی های دیگر

قابلیت اتصال سایر اشیاء: اگر یک شی خاص به یک شی از کلاس خاص دیگر متصل شود (لمس کند).
نزدیکی به سایر اشیاء: فاصله با سایر کلاس های خاص در نظر گرفته می شود.
روش‌های طبقه‌بندی شی گرا به خوبی با تصاویر سیاه و سفید یا چند طیفی با وضوح بالا کار می‌کنند. اگرچه می‌توان از آنها برای تصاویر با وضوح فضایی پایین‌تر نیز استفاده کرد. روش‌های طبقه‌بندی شی گرا یک روش نسبتاً سریع و خودکار برای شناسایی و استخراج ویژگی‌هایی مانند پشت بام‌ها یا تاج‌های درختان ارائه می‌دهند و تحلیلگر را از دیجیت کردن آنها با دست نجات می‌دهد.

کاربرد طبقه بندی شی گرا در تولید نقشه کاربری اراضی

کاربرد طبقه‌بندی مبتنی بر پیکسل و شیء گرا در انواع مناطق می تواند کاربرد داشته باشد. در طبقه بندی شی گرا برای نقشه های کاربری اراضی، تغییر پوشش زمین با استفاده از مشخص کردن کلاس ها و محدوده های معلوم و یاددادن الگوریتم از کلاس های معلوم انجام می گیرد. در این فرایند الگوریتم کلاس های مجهول را براساس نمونه های کلاس های معلومی که به آن داده شد بازسازی و شبیه سازی می کند. سپس کلاس های مجهول با روش های مختلف به شی های جداگانه تقسیم و هر شی به یک کلاس معلوم اختصاص داده می شود. تفاوت این روش با طبقه بندی نظارت نشده و نظارت شده در این است که در این روش پارامترهای زیادی مانند حجم، اندازه، و فواصل مکانی در طبقه بندی لحاظ می شود. براساس ارتباط عوامل فوق باهم این طبقه بندی تمام کاربری های منطقه مورد نظر را کلاس بندی و مشخص می کند.

طبقه بندی پوشش زمین: چگونه کار می کند

طبقه‌بندی کاربری و پوشش زمین (LULC) نوعی از داده‌های مکانی در قالب بصری است که سطح زمین را به کلاس‌های متمایز مانند جنگل، آب، محصولات زراعی و غیره طبقه‌بندی می‌کند. استفاده از سنجش از دور و داده‌های مکانی برای تشخیص تغییر پوشش زمین به ارزیابی دینامیک در نحوه استفاده از زمین یا ارزیابی اینکه چگونه تغییرات آب و هوایی سطح زمین را در مناطق خاص تغییر می‌دهد، کمک می‌کند. همچنین به ارائه راه‌حل‌های مبتنی بر داده‌ها در مورد زیرساخت‌ها، مانند محل ساخت جاده‌ها، ساختمان‌های جدید یا کارخانه‌ها کمک می‌کند.

تصاویر ماهواره‌ای داده‌های فراوانی را نه تنها در طیف مرئی (RGB) بلکه در محدوده‌های چند طیفی که برای انسان نامحسوس است، ارائه می‌کنند. یک تصویر ماهواره ای چندطیفی برای متمایز کردن، به عنوان مثال، برخی محصولات از یکدیگر با دقت بالاتری نسبت به نگاه کردن به یک عکس معمولی کافی است. با این حال، برای انجام موفقیت آمیز یک طبقه بندی LULC، باید یک مدل شبکه عصبی سفارشی را آموزش دهید.

چرا کسب و کارها طبقه بندی پوشش زمین را سفارش می دهند؟

اگر در تجزیه و تحلیل جغرافیایی جدید هستید، ممکن است تعجب کنید که چرا مشاغل به طور فزاینده ای طبقه بندی LULC را سفارش می دهند. می توانید به یک تصویر ماهواره ای RGB نگاه کنید و با چشمان خود تشخیص دهید که چه چیزی چیست. اگر قبلاً جنگل را روی RGB دیده اند، چرا به سراغ تصاویر شطرنجی با کد رنگی از جنگل می روند؟

پاسخ این است – ارزیابی کمی. کسب‌وکارها باید پویایی تغییر را در اعداد قرار دهند، در غیر این صورت، نمی‌توانند کاربری زمین را مدیریت کنند. آنها می خواهند پیش بینی کنند که چه مقدار از محصول نهایی را می توانند بر اساس عملکرد محصول تولید و به فروش برسانند، بودجه لازم را تخصیص دهند و راه حل های مهندسی مرتبط، تدارکات و غیره را ارائه دهند. در همین حال، نمایش بصری یک طبقه بندی LULC در رنگ های ساده در نقشه جغرافیایی به انسان کمک می کند تا اطلاعات مربوط به نتایج طبقه بندی را درک کند. برخی از الگوها را تنها زمانی می‌توانید ببینید که داده‌ها را تجسم کنید و آن‌ها را از منظر انسان تجزیه و تحلیل کنید، شهود، خاطرات و ادراکات فردی و الگوهای منطقی غیرخطی که حتی باهوش‌ترین ماشین‌ها هرگز حدس نمی‌زدند.

بسیار ضروری است که دقت الگوریتم های نقشه برداری LULC را به دقت تنظیم کنید زیرا پوشش زمین یک مقدار بسیار متغیر است – هرگز یکسان نمی ماند. فصول تغییر می کند، سطح آب می آید و می رود، باران می بارد و غیره. بنابراین، یک شبکه عصبی باید به طور مداوم با شرایط جدید و ارتباطات آنها با یکدیگر سازگار شود.

به عنوان مثال، اگر با یک سیل چشمه در یک سطح صاف روبرو هستید، چگونه می دانید این بار آب به کجا می رود؟ مانند ریختن یک لیوان آب روی یک میز است – مسیر نتیجه به طور کلی قابل درک است اما کمی نامشخص است، بسته به بافت و اندازه میز شما، سرعت وارونه کردن لیوان، اشیاء روی آن و غیره. جریان سیل به معنای واقعی کلمه می تواند به همه جا برود، اما وابستگی هایی دارد که پیش بینی آنها با مغز انسان تقریبا غیرممکن است، زیرا متغیرهای متغیر زیادی با سطوح مختلف همبستگی وجود دارد. اینجاست که هوش مصنوعی وارد می شود.

طبقه بندی پوشش زمین: چگونه این کار را انجام می دهیم

1. جمع آوری و پیش پردازش داده ها: ابتدا تصاویر ماهواره ای و داده های مربوط به حقیقت زمین (مانند سطح آب و هوا یا بارش) را برای کلاس های مختلف پوشش زمین جمع آوری می کنیم. ما داده‌ها را با ساخت یک سری زمانی برای طبقه‌بندی، تقسیم‌بندی تصاویر به تکه‌ها و رمزگذاری برچسب‌های حقیقت زمینی، پیش پردازش می‌کنیم.

2. طراحی معماری: در این مرحله، یک مدل رگرسیون کاملاً متصل سفارشی برای هر کلاس کدگذاری می کنیم که به یک رگرسیون خطی در خروجی تغییر می کند. اگر قبلاً با شبکه‌های عصبی سروکار نداشته‌اید، ممکن است همه این اصطلاحات برای شما غریبه به نظر برسند، اما در واقع، ساده‌تر از آن چیزی هستند که به نظر می‌رسند. به عنوان مثال، کاملاً متصل به این معنی است که همه ورودی ها و همه گره ها (لایه ها) با یکدیگر ارتباط دارند، در حالی که ساده ترین رگرسیون خطی را می توان به عنوان یک معادله خطی در شکل شیب-برق توصیف کرد.