---

مقایسه دو روش طبقه بندی نظارت شده و طبقه بندی شی گرا براساس داده های ماهواره سنتینل

در این نوشته از دو روش طبقه بندی نظارت شده و نظارت نشده در مقایسه با طبقه بندی شی گرا برای تهیه نقشه کاربری اراضی استفاده شده است. هدف این مطالعه بررسی صحت دو نوع طبقه بندی و همچنین شناخت قابلیت های تصاویر ماهواره سنتینل برای تهیه نقشه های کاربری اراضی می باشد. منطقه مطالعه این تحقیق حومه شهر ساری است که دارای پوشش گیاهی مرتع و جنگلی در کنار زمین های زراعی است. در اجرای این روش از تصاویر ماهواره سنتینل استفاده شده است. بعد از انجام تصحیحات اتمسفری،‌ هندسی،‌ و رادیومتریک بر روی این تصاویر با اعمال سگمنت سازی و مشخص کردن شی های نمونه طبقه بندی انجام شد. نتایج نشان داده است که طبقه بندی شی گرا دقت بیشتری در مقایسه با طبقه بندی پیکسل مبنا در این منطقه داشته است.

کلمات کلیدی: طبقه بندی شی گرا،‌ تصاویر ماهواره سنتینل، کاربری اراضی، ساری

نویسنده: دکتر محمدعلی نظام محله

---

مقدمه

هدف مطالعه طبقه بندی تصاویر ماهواره ای

داده های مورد استفاده در طبقه بندی تصاویر ماهواره ای

طبقه بندی کاربری اراضی:

تصویر ماهواره سنتینل :

منطقه مطالعه

مواد و روش ها

ب: طبقه بندی شی گرا :

مراحل طبقه بندی شی گرا:

قطعه بندی از بالا به پایین:

۱- قطعه بندی شطرنجی

2- قطعه‌بندی درختی

3- جداسازی بر اساس کنتراست

4- قطعه بندی Split

قطعه بندی از پایین به بالا:

1- تقسیم بندی چند مقیاسه

۲- تقسیم بندی چندآستانه ای و آستانه گذاری خودکار

۳- تقسیم بندی بر اساس تفاوت طیفی

روش پیاده سازی:

مرحله 1: تلفیق باندهای مورد استفاده و ایجاد ترکیب رنگی از آنها:

مرحله 2: ایجاد نقاط تعلیمی:

مرحله 3: اعمال طبقه بندی:

شکل 4: طبقه بندی نظارت شده تصویر

ب: طبقه بندی شی گرا:

مرحله 1: ایجاد سگمنت (قطعه بندی):

مرحله 2: ایجاد کلاس ها و مشخص کردن شی های نمونه:

مرحله 3: اعمال روش طبقه بندی:

ارزیابی صحت طبقه بندی:

نتیجه گیری:

---

مقدمه  

یکی از ضروریات در زندگی امروزه، سازگاری با فناوری های اطلاعاتی و استفاده از تکنولوژی های پیشرفته مانند فناوری GIS است. تولید آمار و اطلاعات دقیق و واقعی تر همیشه مهمترین دغدغه فکری مدیران و برنامه ریزان است. روش های گوناگون برای تولید این نوع از آمار و اطلاعات وجود دارد، ازجمله این روش ها می توان به روش های سنتی ( نقشه برداری زمینی ) و پیشرفته (نقشه برداری های هوایی و ماهواره ای) اشاره کرد. در مورد روش های پیشرفته، فن آوری سنجش ازدور (Remote Sensing | RS) به دلایل گوناگون از اهمیت ویژه ای برخوردار است به گونه ای که با توسعه و گسترش این فناوری، انقلابی در تولید آمار و اطلاعات مکان مدار به وجود آمده و افق جدیدی را به روی برنامه ریزان و مدیران گشوده است. استفاده از فناوری­های نوینی همچون سنجش از دور (RS) و سامانه اطلاعات جغرافیایی (GIS) جهت مطالعه اکوسیستم­های گیاهی و به خصوص تهیه نقشه­ های پوشش زمین (Land cover)، مستلزم شناخت کارآیی این ابزار و نیز شناسایی بهترین روش­های کاربرد آن­ها می ­باشد. (نظام محله و همکاران، 1396؛ احمدپور، 1393)

در این نوشته هدف ما این است که بدانیم کدام یک از این دو روش بهتر می توانند اطلاعات کاربری اراضی یک منطقه را تولید کنند و اطلاعات تولید شده کدام روش دقیقتر و به واقعیت نزدیکتر است. در این نوشته فوری آموز با ما همراه باشید تا بطور گام به گام این مقایسه را باهم بررسی کنیم.

هدف مطالعه طبقه بندی تصاویر ماهواره ای

هدف این نوشته انجام دو روش طبقه بندی نظارت شده (Supervised classification) و طبقه بندی شی گرا (Object-Oriented classification) با استفاده از تصویر ماهواره سنتینل (Sentinel Satellite Images) و با کمک تکنیک های سنجش از دوری (RS) برای بخشی از حومه شهر ساری جهت تهیه نقشه کاربری اراضی (Land use map) می باشد. بنابراین، ما در ادامه ابتدا طبقه بندی کاربری اراضی براساس تصاویر ماهواره ای و با کمک تکنیک های سنجش از دور را توضیح داده و سپس درخصوص ویژگی های ماهواره سنتینل بحث خواهیم کرد. نهایتا بعد از معرفی منطقه مطالعه به تحلیل نتایج از این دو روش طبقه بندی خواهیم پرداخت. 

داده های مورد استفاده در طبقه بندی تصاویر ماهواره ای

داده­های سنجش از دور قادر به ارائه جدیدترین اطلاعات برای مطالعه پوشش زمین و کاربریهای اراضی می­باشند. این تصاویر به دلیل ارائه اطلاعات به هنگام، تنوع اشکال، رقومی بودن و امکان پردازش در تهیه نقشه­های کاربری از اهمیت بالایی برخودارند. مشخص کردن موقعیت هر کاربری و پوشش اراضی در کنار یکدیگر کمک شایانی به مدیران مناطق جهت تصمیم­گیری می­کند. همچنین با استفاده از نقشه ­های کاربری اراضی در سطوح مختلف می­توان وضعیت موجود پوشش زمین را مورد مطالعه قرار داد. لازمه اتخاذ اطلاعات دقیق از این فناوری، طبقه بندی اصولی و دقیق تصاویر ماهواره ای است. (فخرآبادی، 1394)

---

مشاهده فوری آموز پردازش تصاویر ماهواره ای و سنجش از دور بدون نیاز به نصب نرم افزار و برنامه

مشاهده فوری آموز روش های دانلود تصاویر ماهواره ای سنجش از دور آنلاین: بدون نصب نرم افزار تصاویر ماهواره ای را پردازش کنید مشاهده فوری آموز پروژه محور پردازش تصاویر ماهواره ای با ENVI

مشاهده آموزش های نرم افزار ArcGIS Pro

---

طبقه بندی کاربری اراضی:

یکی از نتایج مهم طرحهای کالبدی منطقه ای، تولید نقشه کاربری اراضی و تعیین کاربریهای کلان در سطح محدوده مطالعاتی است. این مهم که در طرحهای کالبدی منطقه ای و ناحیه ای عموماً با عنوان نقشه منطقه بندی کاربری اراضی شناخته می‌شود. اطلاعات پوشش اراضی، برای بسیاری از فعالیت های برنامه ریزی و مدیریت سرزمین از جمله آمایش سرزمین دارای اهمیت است. امروزه تصاویر ماهواره ای و تکنیکهای سنجش از دور، به دلیل فراهم آوردن داده های به هنگام و قابلیت بالای آنالیز، کاربرد گسترده ای در تمامی بخش ها از جمله کشاورزی، منابع طبیعی و تهیه نقشه کاربری اراضی به عنوان نقشه های پایه در آمایش سرزمین دارند. (سفیانیان، 1390)

تصویر ماهواره سنتینل :

ماهواره سنتینل یکی از پروژه‌های رصد زمین است که توسط آژانس فضایی اروپا به عنوان بخشی از برنامه کوپرنیک به منظور بهبود مأموریت‌های دیده‌بانی زمین و پشتیبانی از خدماتی مانند پایش جنگل‌ها، بررسی تغییرات پوشش زمین و مدیریت بلایای طبیعی توسعه یافته است. این پروژه شامل دو ماهواره یکسان سنتینل-۲ای و سنتینل-۲بی است.

مأموریت سنتینل-۲ دارای این قابلیت‌ها و توان‌هاست:

• تصویربرداری چندطیفی با ۱۳ باند در محدوده طیف مرئی، فروسرخ نزدیک و موج کوتاه فروسرخ از طیف الکترومغناطیسی
• پوشش جهانی منظم از سطح زمین از مدار ۵۶ درجه جنوبی تا ۸۴ درجه شمالی، آب‌های ساحلی و تمام دریای مدیترانه
• بازبینی یک منطقه در فاصله زمانی ۵ روزه با همان زاویه دید. نوار تصویربرداری سنتینل-۲ در ارتفاعات بلند و برخی مناطق هم‌پوشانی داشته و ممکن است در فاصله ۵ روزه دو بار یا بیشتر با زاویه دید متفاوت مورد تصویربرداری قرار گیرند.
• قدرت تفکیک ۱۰، ۲۰ و ۶۰ متر
• میدان دید ۲۹۰ کیلومتر
• دیتای آزاد و رایگان

باند های تصویر سنتینل به شرح جدول زیر است.

Sensor	Band number	Band name	Sentinel-2A		Sentinel-2B		Resolution (meters)
			Central wavelength (nm)	Bandwidth (nm)	Central wavelength (nm)	Bandwidth (nm)
MSI	1	Coastal aerosol	443.9	20	442.3	20	60
MSI	2	Blue	496.6	65	492.1	65	10
MSI	3	Green	560.0	35	559	35	10
MSI	4	Red	664.5	30	665	30	10
MSI	5	Vegetation Red Edge	703.9	15	703.8	15	20
MSI	6	Vegetation Red Edge	740.2	15	739.1	15	20
MSI	7	Vegetation Red Edge	782.5	20	779.7	20	20
MSI	8	NIR	835.1	115	833	115	10
MSI	8b	Narrow NIR	864.8	20	864	20	20
MSI	9	Water vapour	945.0	20	943.2	20	60
MSI	10	SWIR – Cirrus	1373.5	30	1376.9	30	60
MSI	11	SWIR	1613.7	90	1610.4	90	20
MSI	12	SWIR	2202.4	180	2185.7	180	20

Source https://sentinel.esa.int/web/sentinel/user-guides/sentinel-2-msi/document-library

لازم به ذکر است که سه باند 2، 3، و 4 ماهواره سنتینل دارای قدرت تفکیک 10 متر هستند که ما در این مطالعه این سه باند را برای طبقه بندی انتخاب کردیم.

منطقه مطالعه

منطقه مطالعه این پژوهش محدوده سنگتراشان در حومه شهر ساری می باشد. این منطقه در 53 درجه و 4 دقیقه تا 53 درجه و 5 دقیقه طول شرقی و در 36 درجه و 28 دقیقه تا 36 درجه و 30 دقیقه عرض شمالی واقع شده است. محدوده مطالعه این تحقیق بطور عمده دارای چهار کاربری شهری، زراعی، مرتع، و جنگلی می باشد. این منطقه از نظر اقلیمی تحت تاثیر توده های هوایی است که عمده ترین آنها جریانات سیبری و بادهای غربی است (علجانی، 1384) و دمای متوسط 17 درجه و متوسط مجموع بارش سالانه 719 میلیمتر دارد. براساس روش آمبرژه آب و هوای این محدوده مرطوب معتدل است. منطقه مطالعه از نظر زمین شناسی در زون البرز مرکزی قرارداشته و عمدتا از سازندهای ماسه سنگ، مارن، سنگ آهک و نهشته های مخروط افکنه ای کواترنی تشکیل یافته است. (یمانی و همکاران، 1396)  

برای مشاهده موقعیت مکانی بیش از 2700 ایستگاه آب و هوایی در تمام شهرستان های ایران به همراه اطلاعات دما بارش و رطوبت این ایستگاه ها می توانید به محصول لایه های GIS اطلاعات آماری ایستگاه های آب و هوایی ایران مراجعه کنید.

---

مواد و روش ها

در این پژوهش ما از دو روش طبقه بندی نظارت شده و نظارت نشده برای تهیه نقشه کاربری اراضی حومه شهر ساری استفاده کرده ایم. در ادامه شیوه کار این دو روش طبقه بندی شرح داده شده است. در ادامه روش کار آنها تشریح می گردد.

الف: طبقه بندی نظارت شده :

طبقه بندی تصاویر ماهواره ای در واقع فرایندی است که در آن یک تصویر ماهواره ای که از باندهای مختلفی در طیف های متنوع امواج الکترومغناطیس تشکیل شده را به یک نقشه کاربری تبدیل کنیم که در واقع بیانگر کلاس های مختلف است و هر کلاس نیز ارائه دهنده یک کاربری خواهد بود. در این فرایند هر یاخته ای که دارای ویژگی همسانی با بقیه یاخته های مشابه هستند در یک کلاس و طبقه قرار می گیرد.

طبقه­ بندی را به ­طور مرسوم به دو دسته طبقه ­بندی­ های نظارت ­شده (Supervised) و نظارت­ نشده (Unsupervised) تقسیم می ­کنند. روش­ های نظارت ­شده به اطلاعات اولیه نظیر تعداد کلاس­ ها، خصوصیات آن­ها و همچنین مقداری نمونه ­های معلوم از هر کلاس نیاز دارد. در مقابل، روش ­های نظارت­ نشده بیشتر روش ­های خودکاری هستند که به نمونه ­های معلوم نیازی ندارند و بر اساس مقادیر خود پیکسلها در مورد طبقه­ بندی آن­ها تصمیم ­گیری می ­کنند. هزینه، زمان و همچنین اطلاعات مورد نیاز روش­های نظارت­ نشده پایین و در مقابل دقت نتایج آن­ها نیز نسب به روش­های نظارت ­شده در سطح پایین ­تری قرار دارد (فاطمی و رضایی، 1391). 

طبقه بندی نظارت شده نیاز به دانش در ارتباط با منطقه مورد نظر دارد. درصورتی که دانش شما در ارتباط با منطقه مورد مطالعه زیاد نباشد و یا اینکه با کلاس های موجود در منطقه آشنایی  ندارید، باید از طبقه بندی نظارت نشده استفاده کنید. در طبقه بندی نظارت نشده الگوریتم های خوشه ­بندیبرای توزیع پیکسل ها در فضای چند بعدی و ایجاد دسته پیکسل­های مختلف استفاده میشوند. در بحث طبقه بندی Supervised که طرفداران بیشتری هم دارد و نتایج قابل قبول تری هم ارائه می شود، کاربر قطعاً باید با منطقه آشنایی داشته باشد و باندهای تصویری هم که استفاده می کند، نسبت به آنها اطلاعات جامعی در اختیار داشته باشد. پس باید انتظار نتایج بهتری را هم داشت.

ب: طبقه بندی شی گرا :

پردازش ها و تحلیل های شی گرا یکی از مهمترین تکنیک های مورد استفاده در اکثر فناوری های پیشرفته است. با متد شیء گرایی شما یک برنامه را به قطعات بسیار کوچک یا آبجکت‌هایی تقسیم می‌کنید که تا اندازه‌ای مستقل از یکدیگر می‌باشند. به آن مانند ساختمانی از بلوک‌ها نگاه کنید. به محض اینکه تعدادی آبجکت‌ های اساسی را در دنیای کامپیوتر ساختید یا بدست آوردید می توانید به سادگی آنها را کنار هم بگذارید تا برنامه های جدید را ایجاد نمائید. دیدگاه شی‌گرایی (Object Oriented) از اواسط دهه ۱۹۷۰ تا اواخر ۱۹۸۰ در حال مطرح شدن بود.

یک شی یک نمونه از یک کلاس است که متشکل از سه مولفه می باشد. خصوصیاتی که آن شی را از سایر اشیا متمایز می کند، وضعیت یا مجموعه مقادیری که آن شی را مشخص می‌کند، رفتار یا مجموعه عمل‌  های که روی شی قابل اعمال است. بین اشیا سه گونه رابطه هست: رابطه یک به یک: خیلی کم هستند، رابطه یک به چند: خیلی مهم هستند، و مطرح ترین نوع رابطه به شمار می آیند، رابطه چند به چند: حضورشان در سیستم کامپیوتری ممنوع است. تعریف بصورت عام  یک مجموعه همگون از اشیا به لحاظ ساختار و رفتار کلاس روشی برای بسته بندی نوع داده مجرد است. در کلاس امکان بسته بندی و محصور کردن Encapsulation  مجموعه ای از داده ها است. روال های پردازش کننده، این داده ها را به صورت یک بسته فراهم می کند.

داده های داخل یک کلاس به وسیله کلاس محافظت می گردد. به گونه ای که پردازش داده های خصوصی یک کلاس از طریق روال های دخلی آن امکان پذیر است. داده های یک کلاس را متغیرهای کلاس و روال های آن را روش نامیده اند. برای مثال کلاس انسان ها یک کلاس قابل تعریف است. در این کلاس خصوصیات مشترک انسان ها تعریف می گردد و هیچ انسان خاصی را نشان نمی دهد. کلاس یک نوع است.

پدر و فرزندی را در نظر بگیرید . هر پدری مشخصات فردی به خصوصی دارد . فرزند وی می تواند همه خصوصیات او را به ارث برد و خصوصیت های دیگری نیز داشته باشد که پدرش ندارد . این یعنی ارث‌بری. وراثت عملی است که یک شی می تواند مشخصه های شی دیگری را به دست آورد. به همین دلیل از مفهوم دسته بندی سلسه مراتبی پشتیبانی می کند. بدون استفاده از وراثت، هر شی به طور مجزا بایستی تمام مشخصه های خودش را تعریف کند. با استفاده از وراثت شی، فقط نیاز به تعریف مشخصه هایی دارد که در داخل آن کلاس منحصر به فرد هستند. این سبب می شود که صفات عمومی را از پدرشان به ارث ببرند. بنابراین، مکانیزم وراثت به یک شی امکان می دهد تا نمونه خاص از یک حالت عمومی تر باشد.

تصاویر دیجیتال از پیکسل‌هایی تشکیل شده که مقدار تابش (یعنی نور) را که از بخشی از طیف‌الکترومغناطیسی (Electromagnetic Spectrum) منعکس شده‌ است، ثبت می‌کند. به طور کلی، پیکسل‌ها قابل مشاهده نیستند، فقط در سطوح زوم بسیار نزدیک است که معمولا به عنوان یک سری از مربع‌ها به چشم انسان ظاهر می‌شود. به فرض مثال تصویر زیر را در نظر بگیرید که از یک محدوده در ایران ثبت شده است. تصویر سمت راست را در نظر بگیرید که مربوط به محدوده‌ای از شمال ایران بوده و در آن جنگل‌ها و سطوح آبی و حتی شهر مشخص می باشد. در تصویر سمت چپ حالت زوم شده آن را مشاهده می کنیم که در سطح پیکسل مشخص می باشد به چه صورت است. یعنی از کنار هم چیده شدن پیکسل‌ها با یک مقدار خاص که رفتار طیفی آن را مشخص می کند، پدیده های سطح زمین مشخص می شوند.

در حالی که تجزیه و تحلیل تصاویر مبتنی بر پیکسل، بر تجزیه و تحلیل اطلاعات هر پیکسل استوار است در تجزیه و تحلیل شیءگرایی بر اساس اطلاعات یک سری پیکسل های مشابه به هم از نظر ساختارهای مختلف که مجموع این پیکسل ها و اطلاعات آنها شیء نامیده می شود، انجام می شود.

به طور خاص، اشیاء تصویری، گروهی از پیکسل‌ هایی هستند که بر اساس اندازه‌گیری خواص‌ طیفی (به عنوان مثال، رنگ، اندازه، شکل و بافت) مشابه یکدیگر هستند. تعریف جامع آبجکت عبارت است از جمعی از پیکسل‌ها می باشد که خصوصیات مشترک دارند. مجموعه‌ای از پیکسل‌ها که از لحاظ اطلاعات آماری و شکل‌هندسی و ویژگی‌های‌ساختاری باهم یکسان هستند. به این نکته نیز باید توجه کرد که در طبقه‌بندی شیءگرا نیز اساس، پیکسل می باشد اما به شکل و نحوی دیگر در طبقه های بندی های که شیءگرا نیستند اطلاعات طیفی اصولا بیشترین اهمیت را داشته و در اکثر موارد کل کار بر اساس این اطلاعات بود. اما در روش های شیءگرا همان طور که از اطلاعات طیفی استفاده می شود از اطلاعاتی مثل بافت، اندازه، شکل و سایز هر یک از آبجکت‌ ها به منظور بالابردن دقت طبقه‌بندی استفاده می شود. درحالت کلی می توان اینطور بیان کرد که روش‌های شیءگرا این اجازه را به ما می دهد که از مزیت‌ها و اطلاعات حقیقی و واقعی موجود در تصویر به صورت کامل استفاده کنیم. این اطلاعات تمام جنبه‌های طیفی، مکانی، معنایی، مورفولوژی و هندسی را شامل می شوند. در نهایت این اطلاعات در قالب یک قطعه یا سگمنت نمایش داده می شوند.

• اشیای اولیه که شامل کوچیکترین عضو یک شی هست که میتوان از پیکسل‌ها یاد کرد که به اشیا اولیه معروفند. پیکسل‌ها گفتیم اساس کار هستند. در پردازش تصویر و بسیاری از پردازش‌ها را میتوان بر این اشیای اولیه، مثل فیلترها و تبدیل و آنها را بر این اشیای اولیه پیاده نمود.
• اشیا در سطح قطعه که در این روش پیکسل ها به فضای آبجکت انتقال داده می شوند و از حالت پیکسلی خارج می شوند به صورتی که هر آبجکت میانگین تمام پیکسل هایی است که در داخل آن قرار دارند.
• اشیا در سطح فرا آبجکت که در این روش آبجکت ها به یک مرحله بالاتر انتقال داده می شوند و دوباره در قطعه بندی به مرحله اجرایی می رسد.
• زیرآبجکت ها که در این مرحله قطعات دوباره قطعه بندی شده و حالت زیرآبجکت پیدا می کنند.

مراحل طبقه بندی شی گرا:

قطعه­ بندی (سگمنت سازی)  بیشتر توزیع مکانی مقادیر پیکسل­ ها را برای تشخیص عوارض در نظر دارد؛ در صورتی که طبقه­ بندی، خصوصیات طیفی را برای تشخیص عوارض در نظر می­ گیرد و پیکسل بدون در نظر گرفتن محل آن در تصویر طبقه­ بندی می ­شود. در قطعه­ بندی تصویر؛ پیکسل­ هایی که در کنار هم بر اساس معیاری به یکدیگر شبیه هستند به عنوان یک قطعه از تصویر در نظر گرفته می­ شوند. بنابراین، از این جهت، محل قرار­گیری یک پیکسل در تصویر اهمیت دارد. قطعه ­بندی موثر یک مرحله­ ای مهم در کاربردهای بینایی ماشین سنجش از دور و اصولا در کاربردهایی است که در آن­ها تشخیص اشیاء تصویری مدنظر می ­باشد. قطعه بندی کاملا اتوماتیک تصاویر هوایی و ماهواره­ ای روندی کاملا دشوار بوده و گاهی بر حسب نوع عارضه و شرایط طبیعی موجود شناسایی صحیح همه عوارض و قطعات تصویری در دسترس نخواهد بود. قطعه­ بندی معمولا با روش ­های مختلفی انجام می­ شود روش­ های عمده قطعه ­بندی را به طور کلی می توان به دو بخش از بالا به پایین و از پایین به بالا تقسیم نمود.

قطعه بندی از بالا به پایین:

تقسیم بندی از بالا به پایین به معنی تقسیم اشیا به اشیای کوچکتر است. در این نوع قطعه بندی نیاز نیست که از کل تصویر به عنوان یک شی آغاز شود. این نوع قطعه بندی روش های مختلفی را دارا می باشد که در زیر به توضیح هر کدام پرداخته می شود. به طور کی می توان گفت که در این نوع قطعه بندی کاربر می داند که چه اطلاعاتی را باید از تصویر استحراج کند. روش های مختلف قطعه بندی از بالا به پایین به شرح زیر می باشد:

۱– قطعه بندی شطرنجی

این قطعه ­بندی ساده ­ترین نوع قطعه ­بندی است. در قطعه ­بندی شطرنجی (Chessboard segmentation) کل تصویر و اشیاء آن به قطعات مساوی مربعی تقسیم می ­شوند. کاربر می­ تواند اندازه مربعات را تعیین کند. این روش به منظور تقسیم اشیاء انجام می ­پذیرد و تصویر را به قطعات مساوی شکل تقسیم می ­کند.

2- قطعه‌بندی درختی

این تقسیم ­بندی نیز شباهت بالایی به روش شطرنجی دارد با این تفاوت که می توان مربعات را با اندازه ­های مختلف به عنوان قطعه در نظر گرفت و در مواردی می­ توان یک مربع را به قطعات دیگر تجزیه نمود. این روش که به روش چهاردرخت (Quad tree-based segmentation) مرسوم است می تواند با استفاده از تفاوت رنگ در هر مربع با استفاده از پارامتر مقیاس آستانه­ گذاری را تعریف نماید.

3- جداسازی بر اساس کنتراست

این روش از قطعه­ بندی های بسیار سریع می­ باشد که می­ تواند در مواقعی حتی در سریع­ ترین زمان مناطق را به نحوه قابل قبولی جداسازی کند. در این روش تعداد اشیاء تصویر معمولا کمتر از سایر روش ­ها می­ باشد. طبقه ­بندی پیکسل ها در یک لایه موضوعی درونی ذخیره می­ شود و هر پیکسل در یکی از کلاس ­های زیر طبقه­ بندی می­ شود.

4- قطعه بندی Split

تقسیم ­بندی split کنتراست، شبیه به رویکرد تقسیم­ بندی چند آستانه (multi-threshold segmentation) است. جداسازی براساس کنتراست اشیاء تصویر را به اشیاء تاریک و روشن بر اساس مقدار آستانه که حداکثر کنتراست بین آن­ها را برقرار می­ سازد تقسیم می­ کند. در ابتدای این روش تقسیم­ بندی شطرنجی به منظور تقسیم ­بندی بر روی هر مربع انجام می ­شود و سپس قطعه­ بندی مربوطه صورت می­ پذیرد.

قطعه بندی از پایین به بالا:

این نوع تقسیم ­بندی به معنی مونتاژ اشیا به منظور ایجاد اشیاء بزرگتر است. روش­ های مختلف تقسیم ­بندی پایین به بالا به شرح زیر می ­باشد:

1- تقسیم بندی چند مقیاسه

الگوریتم تقسیم­ بندی چند مقیاسه ای (Multiresolution Segmentation algorithm) به طور پیوسته پیکسل­ ها یا اشیا تصویر را ادغام می­ کند­. این روش که مبنای آن بر اساس سری­ های فوریه می­ باشد تصویر را به بخش ­های مختلف تجزیه یا بخش می­ کند. اساس این قطعه­ بندی به این صورت است که تصویر را به نواحی مختلف، براساس معیارهای هندسی و طیفی تقسیم می ­کند. به صورتی که هر شیء در داخل یک قطعه، دارای ویژگی­ های یکسانی است. به فرض مثال یک قطعه متشکل از چندین پیکسل است که این پیکسل­ ها از لحاظ طیفی، رنگ، هندسه، شکل و … دارای شباهت­ های بالایی می ­باشد. این روش به عنوان مناسب­ ترین روش به منظور جداسازی مناطق همگن و انتخاب آن­ها به عنوان یک شیء عنوان می­ شود. این روش می ­توان با انتخاب مقیاس ­ها، فشردگی و شکل مختلف، نتایج متفاوتی را دریافت کرد. از معایب این روش می­ توان به کند بودن پردازش آن اشاره کرد.

۲– تقسیم بندی چندآستانه ای و آستانه گذاری خودکار

این روش یکی از روش­ های جدید در بخش قطعه ­بندی است. این روش دامنه شیء تصویر را تجزیه نموده و بر اساس آستانه­ گذاری­ های مختلف، عمل طبقه ­بندی را انجام می­ دهد. این آستانه گذاری­ ها می ­توانند بر روی پیکسل اعمال شوند و یا اینکه بر روی یک قطعه. آستانه ­ها می­ توانند به صورت خودکار انتخاب شوند و یا در صورت لزوم می­ توان به صورت دستی عمل آستانه گذاری را انجام داد. این الگوریتم ترکیبی از روش­ های مبتنی بر هیستوگرام و همگن­ سازی تقسیم بندی استفاده می کند.

۳– تقسیم ­بندی بر اساس تفاوت طیفی

این روش می­تواند قطعه ­بندی بر روی تصویر را بر اساس تشابهات طیفی انجام دهد. به این منظور که تشابهات طیفی در یک تصویر را به عنوان یک شیء در نظر می­ گیرد. این روش طراحی شده است که نتایج حاصل از تقسیم ­بندی موجود را تصحیح کند. این عمل را با ادغام اشیاء در تصویر طیفی مشابه تولید شده توسط تقسیم ­بندی های قبلی انجام می­ دهد. در نهایت بعد از توضیح همه این موارد باید در نظر داشت که تنظیم همه پارامترها برای قطعه بندی کاملا به صورت سعی و خطا صورت می گیرد و بسته به تصویر و سطح منطقه می باشد. به این منظور که در صورتی که منطقه یک محدوده همگن بوده و از پیچیدگی فراوانی برخوردار نباشد اصولا پارامترها را در مقیاس بزرگ انتخاب می کنند و نیاز به قطعه های کوچک نیست اما در مواردی که محدوده ناهمگن باشد اصولا قطعات را باید کوچک انتخاب کرد. به این پارامتر که کوچکی و بزرگی قطعات را مشخص می کند Scale یا مقیاس گفته می شود که اصولا در اکثر روش ها موجود می باشد. اما به غیر از این پارامتر، دو ویژگی هم وجود دارد که بسیار اساسی بوده و باید در انتخاب ان ها دقت نمود.

شکل هرچقد مقدارش به عدد یک نزدیک باشد قطعه ها را به همان صورت ریزتر در نظر می گیرد و ضریب فشردگی هم به فشردگیش اشاره می کند یعنی هرچقد بالاتر بگیریم قطعات به هم فشرده تر میشن و نمایش داده می شوند. ضریب فشردگی 0.6 ریزتر است قطعه‌هاش نسبت به ضریب فشردگی0.1 حالا باز این در همه مناطق صدق نمی کند. مناطقی وجود دارد فشردگی بالایی دارند تو این مناطق فشردگی ضریبش بهتر عمل میکند و بالعکس. و همینطور برای شکل. پس یه نتیجه ای که میشود از همه این بحث ها گرفت این است که اکثرا پارامترها به منطقه ما بستگی دارد.

روش پیاده سازی: 

الف: طبقه بندی نظارت شده:

مرحله 1: تلفیق باندهای مورد استفاده و ایجاد ترکیب رنگی از آنها:

در این تحقیق ما از سه باند 2، 3، و 4 ماهواره سنتینل مر بوط به سال 2019 استفاده نموده ایم و بعد از ایجاد ROI منطقه، آنها را در محدوده مورد نظر تلفیق نموده ایم.

مرحله 2: ایجاد نقاط تعلیمی:

برای ایجاد نقاط تعلیمی از ROI Tool کاربری های معلوم را معرفی معرفی کردیم. در این روش کاربری های جنگلی، زراعی، مرتعی، و شهری را مشخص کردیم.

مرحله 3: اعمال طبقه بندی:

برای اعمال طبقه بندی از روش حداکثر احتمال (maximum likelihood) استفاده کردیم.

شکل 4: طبقه بندی نظارت شده تصویر

مشاهده نمونه طبقه بندی نظارت شده در شکل فوق نشان میدهد محدوده ها با توجه به نوع کاربری های متفاوت طبقه بندی شده اند. این طبقه بندی می تواند حدود کاربری ها را با دقت های متفاوت نشان بدهد. روش طبقه بندی نظارت شده را می توان همچنین با استفاده از تصاویر ماهواره های لندست و سایر ماهواره ها در نرم افزار ENVI انجام داد. برای مشاهده آموزش پردازش تصاویر ماهواره ای در ENVI می توانید به فوری اموز پیش پردازش و پردازش تصاویر ماهواره ای در ENVI مراجعه کنید.

ب: طبقه بندی شی گرا:  

طبقه بندی شی گرا همانطور که در توضیحات پیش تر بیان شد، براساس الگوریتم های مشخص عمل می کند که در ادامه مراحل اجرای آن را توضیح داده ایم.

مرحله 1: ایجاد سگمنت (قطعه بندی):

برای سگمنت سازی تصویر ما  از دستور Feature extraction – example based در نرم افزار ENVI5.4 استفاده نمودیم. برای این کار از الگوریتم Edge برای تعیین سطح مقیاس (53) و الگوریتم Full Lambda Schedule  برای میزان به هم پیوستگی (39) استفاده کردیم. با توجه به شرایط منطقه و هدف مطالعه این ارقام را انتخاب نمودیم.

شکل 3: تعیین پارامترهای موردنیاز برای سگمنت سازی تصویر سنتینل در محدوده مطالعه  

مرحله 2: ایجاد کلاس ها و مشخص کردن شی های نمونه:

در این مرحله ما کلاس ها را تعریف کرده و عوارض پوشش زمین را برای این محدوده ها مشخص کردیم.

مرحله 3: اعمال روش طبقه بندی:

بعد از تعریف کلاس های پوشش اراضی با اعمال روش طبقه بندی تصویر بصورت کلاس بندی شده تهیه شده است.

شکل 5: نقشه طبقه بندی شده براساس روش شی گرا

ارزیابی صحت طبقه بندی:  

بعد از انجام روش طبقه بندی، با استفاده از تصاویر BING که در ArcGIS بصورت یک افزونه قرار میگیرد، صحت طبقه بندی تصاویر را ارزیابی کردیم. برای یادگیری روش اصولی دانلود تصاویر ماهواره ای می توانید به آموزش های فوری آموز مراجعه کنید.

شکل 6: ارزیابی صحت طبقه بندی شی گرا 

---

نتیجه گیری:  

بررسی نقشه های تولید شده با استفاده از این دو روش طبقه بندی نشان می دهد که طبقه بندی شی گرا با صحت بهتری توانسته است عوارض پوشش زمین را به درستی شناسایی نماید. مشاهدات نتایج طبقه بندی دو روش براساس نقشه گوگل ارث (Google Earth) و نیز آشنایی محقق با منطقه مطالعه نشان می دهد که طبقه بندی شی گرا با استفاده از تصاویر ماهواره سنتینل برای عوارض مورد مطالعه در این منطقه می تواند نتایج بهتری ارایه دهد. بنابراین، یافته های این مطالعه نشان می دهد برای تهیه نقشه کاربری اراضی در مناطق شمالی کشور بهتر است از طبقه بندی شی گرا به جای طبقه بندی نظارت شده یا نظارت نشده استفاده کرد.

---

منابع  

1. احمدپور امیر،  کریم سلیمانی،  مریم شکری ،  جمشید قربانی، 1393، مقایسة میزان کارآیی سه روش رایج طبقه بندی نظارت شده داده های ماهواره ای در مطالعة پوشش گیاهی، سنجش از دور و سیستم اطلاعات جغرافیایی در منابع طبیعی، 77-89
2. اکبرفخرآبادی, مهدی؛ رضا فاطمی مفرد؛ ناصر مهتابی و علی بیات، ۱۳۹۴، مقایسه عملکرد روش های طبقه بندی نظارت شده و نظارت نشده تصاویر ماهواره ای، سومین کنفرانس ملی و اولین کنفرانس بین المللی پژوهش هایی کاربردی در مهندسی برق، مکانیک و مکاترونیک، تهران، دانشگاه صنعتی مالک اشتر
3. علیجانی، ب.، (1385)، آب و هواشناسی ایران، انتشارات پیام نور، تهران
4. علیرضا سفیانیان،  لقمان خداکرمی، 1390، تهیه نقشه کاربری اراضی با استفاده از روش طبقه بندی فازی (مطالعه موردی سه زیر حوزه آبخیز کبودر آهنگ، رزن-قهاوند و خونجین- تلخاب در استان همدان، آمایش سرزمین سال سوم بهار و تابستان 1390 شماره 4 
5. یمانی، م.، گورابی، ا.ق.، مقصودی، م.، محمدخان، ش.، نظام محله، م.، (1395)، آمایش برنامه های توسعه با شناسایی مناطق مستعد سیل در حوضه خطیرکوه استان مازندران بر اساس داده های سیل شهریور 1395 با استفاده از توابع فازی در GIS، چهارمین همایش ملی انجم ایرانی ژئومورفولوژی، تهران