GDVI

۹۵/۲۹

۲۷/۱۸

۱۹۸۸

۹۷/۴۵

۳۱/۱۷

۲۰۰۱

۴۴/۲۰

۴۹/۹

۲۰۰۷

۵۱/۱۱

۹۵/۳۷

۲۰۱۴

۵-۳-۱-تحلیل مؤلفه اصلی(PCA):
در این تحقیق از سه مؤلفه اول که بیشترین اطلاعات را در خوددارند برای شناسایی کلاس‌های موجود در منطقه استفاده‌شده است.همچنین با بررسی انحراف معیار این باندها می‌توان گفت که پراکندگی ارقام طیفی در این سه باند بیشتر است .شکل‌های (۵-۵تا۸-۵) به ترتیب میزان انحراف معیار را در سال‌های مختلف نشان می‌دهد.دلیل انتخاب این مؤلفه‌ها به علت غنی بودن آن‌ها ازنظر اطلاعات می‌باشد .

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

شکل۵-۵ انحراف معیار مربوط به سال ۱۹۸۸
شکل ۶-۵ انحراف معیار سال ۲۰۰۱
شکل شماره۷-۵ انحراف معیار سال ۲۰۰۷.
شکل شماره ۸-۵ انحراف معیار سال ۲۰۱۴
تجزیه مولفه های اصلی یک تفکیک ریاضی برای کاهش ابعاد مجموعه داده هاست. چون تصاویر رقومی سنجش از دور عددی هستند ،ابعاد آنها با بهره گرفتن از این روش قابل کاهش است . در تصاویر سنجش از دور چند باندی ، باندها متغیرهای اصلی بوده و ممکن است تا حد زیادی با هم همبستگی داشته باشند .بنابراین داده های این باندها می توانند با هم ترکیب شده و با بهره گرفتن از PCA تصاویر جدید و با همبستگی کمتری را بوجود آورند. علاوه بر این PCA نیز به عنوان یک روش آشکار سازی تغییرات در سنجش از دور بکار می رود. تصاویری که بوسیله داده های رقومی تولید می شوند حاصل از باندهایی با طول موجهای مختلف هستند که اغلب حاوی اطلاعات یکسانی می باشند. تغییر شکل مولفه های اصلی تکنیکی است که به منظور کاهش اطلاعات تکراری موجود در تصاویر چند طیفی به کار می رود. تغییر شکل مولفه های اصلی ممکن است برای بهبود عملیات پیش پردازش از طبقه بندی داده ها انجام گیرد.در حالت دوم ، این تغییر شکل معمولا کارایی محاسباتی فرایند طبقه بندی را افزایش می دهد زیرا به کاهش ابعاد پایگاه اصلی منجر می گردد.
۵-۴-۱- طبقه‌بندی نظارت‌نشده Iso Data
در این روش خوشه های^[۸۰] حاصل بر اساس تشابه طیفی پیکسلها ایجاد می شود ،بنابراین نتایج حاصله نیاز به استفاده از اطلاعات جانبی و تکمیلی برای تفسیر و شناسایی دارد. در این روش مفسر در تفکیک گروه های طیفی نظارتی ندارد و به عبارت دیگر ، در این نوع از طبقه بندی مقدار زیادی از پیکسلها پس از مقایسه ارزشهای طیفی آنها، در گروه ها یا طبقات طیفی مجزایی قرار می گیرند به شکلی که هر طبقه معرف پدیده ی خاصی خواهد بود . از مقایسه طبقات طیفی تفکیک شده با مدارک و نقشه ها و اطلاعات میدانی ،طبقات مورد نظر شناسایی می شوند. بنابراین طبقه بندی بدون نظارت را می توان حالت وارونه طبقه بندی با نظارت فرض کرد . تعداد طبقه یا کلاس طیفی مورد انتظار بوسیله مفسر مشخص می شود.
در ابتدا با بهره گرفتن از طبقه‌بندی نظارت‌نشده به بررسی و ارزیابی تعداد کلاس‌های موجود در منطقه موردمطالعه پرداختیم . لذا با بهره گرفتن از الگوریتم Iso Data تصاویر به‌صورت نظارت‌نشده طبقه‌بندی گردید. با توجه به تغییرات در منطقه موردمطالعه ، استفاده از الگوریتم‌های طبقه‌بندی نظارت‌نشده چندان مثمر ثمر واقع نشد و با بهره گرفتن از طبقه‌بندی نظارت‌شده تصاویر طبقه‌بندی گردیدند.
۱-۵-۵ – طبقه‌بندی نظارت‌شده به روش حداکثر احتمال:
طبقه بندی نظارت شده به طور کلی شامل ۳ مرحله است :۱- با بهره گرفتن از مدارک و اطلاعات مربوطه ، که به نوعی در شناسایی پدیده های تصویر موثر هستند ، بر روی هر پدیده تعدادی مناطق یا سطوح به عنوان نمونه ^[۸۱] انتخاب می شوند تا آنها برای طبقه بندی اطلاعات در مراحل بعدی استفاده شوند. ۲- ایجاد نمونه یا نشانهای طیفی^[۸۲] : در این مرحله پس از انجام محاسباتی نظیر تعیین میانگین و واریانس ارزشهای طیفی نمونه ها با توجه به باندهای مورد استفاده و انجام یک طبقه بندی مقدماتی ، گزارشی در اختیار مفسر قرار می گیرد. ۳- طبقه بندی : در این مرحله هر یک از پیکسلهای تصویر ، با نشانهای طیفی نمونه ها که در مرحله قبل ایجاد شده است، مقایسه می گردند و هر گروه از پیکسلها به یکی از طبقات نمونه گیری شده نسبت داده می شود.
در روش حداکثر احتمال ، مرحله اول بر اساس نمونه‌های آموزشی طبقات، میانگین ، واریانس و کو ورایانس برای باندهای مورداستفاده در طبقه‌بندی محاسبه می‌شود ، در مرحله دوم میزان احتمال تعلق پیکسل‌ها به هر یک از طبقات مختلف صورت می‌گیرد. در این روش بعد از ارزیابی احتمالات در هر کلاس پیکسل‌ها به کلاس‌هایی که بیشترین شباهت را دارند اختصاصی می‌یابند و اگر مقادیر احتمال پایین‌تر از حد آستانه^[۸۳] معرفی‌شده باشند به‌عنوان پیکسل طبقه‌بندی نشده معرفی می‌شوند.در این تحقیق بعد از تعیین نواحی تعلیمی در پنج کلاس کاربری شامل:جنگل،اراضی کشاورزی،مرتع،جریانات(آب) و مناطق فاقد پوشش گیاهی ، با بهره گرفتن از نرم‌افزار ENVI ، اقدام به طبقه‌بندی تصاویر شد که به ترتیب در شکل های ۸-۶ تا ۸-۹ قابل مشاهده است.
شکل شماره ۸-۶ تصویر طبقه بندی شده سال ۱۹۸۸ به روش حداکثر احتمال
شکل شماره ۸-۷ تصویر طبقه بندی شده سال ۲۰۰۱ به روش حداکثر احتمال
شکل شماره ۸-۸ تصویر طبقه بندی شده سال ۲۰۰۷ به روش حداکثر احتمال
شکل شماره ۸-۹ تصویر طبقه بندی سال ۲۰۱۴ به روش حداکثر احتمال
۵-۵-۲- ارزیابی دقت طبقه‌بندی:
بعد از تعریف کاربری و پوشش اراضی ، برای تهیه مناطق آموزشی با بهره گرفتن از نقشه تهیه شده از طبقه بندی نظارت نشده که بیان گر خصوصیات طیفی سطح زمین با کاربری معلوم است و همچنین با کمک نقاط ثبت شده توسط GPS در مراحل بازدیدهای میدانی ، بر روی تصویر رنگی کاذب پیکسلهایی که واقعا معرف بازتاب کاربری یا پوشش مورد نظر بودند به عنوان مناطق آموزشی انتخاب شدند. شایان ذکر است که نقاط آموزشی برای طبقه بندی این تصاویر با بهره گرفتن از نقشه های توپوگرافی،عکسهای هوایی و همچنین نوع بازتابش کلاسها به دست آمدند. در انتخاب نمونه های تعلیمی سعی شد که نمونه های تعلیمی از پراکنش مناسب برخوردار باشند و معرف خوبی برای طبقات باشند.جهت طبقه‌بندی تصاویر ماهواره‌ای ، کلاس‌های کاربری اراضی در ۵ گروه تحت عنوان کلاس آب،جنگل ،اراضی کشاورزی، مرتع و مناطق فاقد پوشش گیاهی تعیین و سپس نمونه‌های آموزشی از سطح منطقه با بهره گرفتن از عکس‌های ۱:۵۰۰۰۰ ،تصاویر ماهواره‌ای Google Earth و بازدیدهای میدانی جمع‌ آوری شد. در مرحله بعد با بهره گرفتن از ویژگی‌های تصاویر ، کلاس‌های کاربری اراضی در محدوده موردمطالعه تعیین و پس از مشخص نمودن میزان تفکیک‌پذیری کلاس‌ها ،طبقه‌بندی به‌صورت نظارت‌شده و با روش حداکثر احتمال انجام گرفت و نقشه کاربری اراضی مربوط به سال‌های ۱۹۸۸،۲۰۰۱،۲۰۰۷ و ۲۰۱۴ تهیه شد. درنهایت با انجام عملیات میدانی و استفاده از تصاویر Google Earth و نمونه‌برداری تصادفی از سطح منطقه ، پارامترهای آماری دقت تولیدکننده ،دقت کاربر ،ضریب کاپا ، خطای امیشن و کمیشن و درنهایت دقت کلی استخراج گردید.(جداول شماره ۵-۲ تا ۵-۵ به ترتیب آمار مربوط به سال‌های ۲۰۱۴،۲۰۰۷،۲۰۰۱،۱۹۸۸را نشان می‌دهد.(ارقام به درصد هستند).
جدول شماره۵-۲ مشخصات آماری انواع خطاهای موجود برای سال ۱۹۸۸(ارقام به درصد هستند)

کلاس

دقت تولید

دقت کاربر

کمیشن

امیشن