Analyzing the accuracy of various basic pixel classification methods to prepare the land use map of Shahryar city using Landsat 9 satellite images.

Ahmadi, Mahtab

doi:10.22034/gahr.2024.465582.2190

Analyzing the accuracy of various basic pixel classification methods to prepare the land use map of Shahryar city using Landsat 9 satellite images.

Document Type : Original Article

Author

Mahtab Ahmadi

M.A. Department of Physical Geography, University of Mohaghegh Ardabili, Ardabil, Iran.

10.22034/gahr.2024.465582.2190

Abstract

One of the most important and influential information needed by natural resource managers and officials is land use maps. Today, remote sensing technology and geographic information system provide suitable facilities for preparing land use maps for the country's decision makers. With the development of various methods in the field of classification of satellite images and the detection of changes, especially in recent decades, Therefore, the purpose of this research is to analyze the accuracy of various basic pixel classification methods to prepare the land use map of Shahryar city in Tehran province using Landsat 9 satellite images. For this purpose, six classes of land use classification in the study area (including good pastures, poor pastures, residential areas, road, agriculture, residential) were determined using Landsat 9 satellite images. Then, training samples were collected from the area level using satellite images, online Google Earth images, and field visits. In the next step, by using the features of the images, the land use classes in the study area were determined, and after determining the degree of resolution of the classes, the classification was done using support vector machine methods, maximum likelihood, minimum average distance, and Malahonis method. The evaluation results of these four methods showed that maximum likelihood methods with (overall accuracy 95.34 and kappa coefficient 0.93%), support vector machine (overall accuracy 90.38, kappa coefficient 0.93%), and minimum average distance methods and Malahonis has (total accuracy 56.62, 94.06 and kappa coefficient 0.48, 0.91 percent) respectively. Therefore, the results of this research can be used to prepare a land use map with higher accuracy. It was also used in environmental and natural resource assessment works in areas with similar conditions.

Keywords

"؛ Malahonis"؛ Land Use"؛ NDVI"؛ Landsat 9"؛

"؛ Shahryar city"

Subjects

remote sensing

· آرخی، ص. 1394. آشکارسازی تغییرات پوشش/کاربری اراضی با پردازش شیءگرای تصاویر ماهواره‌ای با استفاده از نرم افزاز Idrisi selva در منطقه آبدانان، اطلاعات جغرافیایی سپهر، 24(95): 62-51.

· پاکروان، م.، قربانی، ا.، ۱۳۹۱. تهیه نقشه کاربری اراضی حوضه آبخیز شیروان در‌ه‌سی اردبیل با استفاده از تفسیر چشمی و رقومی تصاویر TM و Google Earth و سیستم اطلاعات جغرافیایی، دومین کنفرانس برنامه‌ریزی و مدیریت محیط‌زیست، دانشگاه تهران، تهران، ص 12-1.

· خزائی، م.، زارع، م.، مختاری، م. ح.، رشتیان، ع.، عربی علی‌آباد، ف. (1398). مقایسه دقت انواع روش‌های طبقه‌بندی در تهیه نقشه کاربری اراضی (مطالعه موردی: شهر یزد) کاوش های جغرافیایی مناطق بیابانی، 7(1): 178-165.

· رضایی مقدم، م. ح.، ولی زاده کامران، خ.، اندریانی، ص.، الماس پور، ف.، 1394. مقایسه روش‌های شبکه عصبی و ماشین‌بردار پشتیبان در استخراج نقشه‌های کاربری و پوشش ‌اراضی با استفاده از تصاویر لندست 8 حوضه صوفه‌چای، 19(54): 183-163.

· رضایی مقدم، م. ح.، ولی زاده، خ.، اندریانی، ص.، الماس پور، ف.، 1395. تعیین بهترین الگوریتم استخراج کاربری و پوشش اراضی و کشف تغییرات از تصاویر ماهواره‌ای لندست، حوضه صوفه چای، مراغه، سال 16، شماره 55، ص 85-65.

· سفیانیان، ع.، مدنیان، م. (1390). مقایسه روش های طبقه بندی کننده حداکثر مشابهت و حداقل فاصله از میانگین در تهیه نقشه پوشش اراضی (مطالعه موردی: استان اصفهان). علوم آب و خاک (علوم و فنون کشاورزی و منابع طبیعی)، 15(57): 253-264.

· عبدالعلی‌زاده، ز.، ۱۳8۹. بررسی تغییرات پوشش سطح زمین طی سه دهه گذشته (سال‌های 1382-1354) و پیش‌بینی وضعیت آینده با استفاده از GIS و RS در منطقه سبزکوه، پایان‌نامه کارشناسی ارشد، رشته مرتع‌داری، دانشکده منابع طبیعی، دانشگاه شهرکرد، 8۵ ص.

· علوی پناه، ک.، 1389. کاربرد سنجش‌ازدور در علوم، تهران، انتشارات دانشگاه تهران.

· غفاری، ص.، مرادی، ح.ر.، مدر، ر. 1394. مقایسه روش‌های طبقه‌بندی پیکسل‌پایه و شیءگرا در تهیه نقشه کاربری اراضی مطالعه موردی: دشت‌های اصفهان- برخوار، نجف‌آباد و چادگان، سنجش از دور و سامانه اطالعات جغرافیایی در منابع طبیعی، 9(1) 57-40.

· مختاری،م.، نجفی، ا. (1394). مقایسه روش‌های طبقه‌بندی ماشین بردار پشتیبان و شبکه عصبی مصنوعی در استخراج کاربری‌های اراضی از تصاویر ماهواره‌ای لندست TM، علوم آب و خاک، 19 (۷۲) :۳۵-۴۵.

· مددی، ع.، بابایی اولم، ط. (1403). مقایسه دقت انواع روش‌های طبقه‌بندی برای تهیه نقشه کاربری اراضی (مطالعه موردی: شهر رضوانشهر)، جغرافیا و روابط انسانی، 6(4): 402-389.

· مرادی، ح.ر.، رضایی، و. 1399. مقایسه الگوریتم‌های طبقه‌بندی نوع کاربری در تهیه نقشه کاربری اراضی در حوزه آبخیز زنوز چای استان آذربایجان شرقی، تخریب و احیاء اراضی طبیعی، 1(2): 88-80.

· معمارزاده کیانی، ا.، دانشور فتاح، ف. (1402). بررسی روند تغییرات کاربری اراضی کشاورزی شهرستان شهریار با استفاده از سنجش از دور وGIS ، نشریه محیط زیست طبیعی، 76(4): 674-659

· نخعی نژاد فرد، س.، غلامی، ح.، اکبری، د.، رضایی، م. (1397). مقایسه روش‌های مختلف طبقه‌بندی کاربری اراضی با رویکرد بهره‌گیری از باند حرارتی در استان خراسان جنوبی. مدیریت بیابان، 6(11): 81-65.

· B. Gabrya, L. Petrakieva., Combining labeled and unlabelled data in the design of pattern classification systems, International Journal of Approximate Reasoning, (2004).

· C. Palaniswami, A. K. Upadhyay and H. P. Maheswarappa, "Spectral mixture analysis for subpixel classification of coconut", Current Science, Vol. 91, No. 12, pp. 1706 -1711, 25 December 2022.

· Congalton, R. G., Green, K., 1999. Assessing the accuracy of remotely sensed data principles and practices, Boca Raton: Lewis Publications.

· D. Landgrebe., Hyperspectral image data analysis, IEEE signal process. Mag., volume 19, pp. 17-28, (Jan 2002).

· D. Lu, Q. Weng, "A survey of image classification methods and techniques for improving classification performance",

· Foody, M. G., Mathur, A., 2004, A relative evaluation of multiclass image classification by support vector machines, IEEE Transactions on Geoscience and Remote Sensing, 42:1335-1343.

· International Journal of Remote Sensing, Vol. 28, No. 5, pp.823-870, January 2007.

· J. A. Richards., Remote Sensing Digital Image Analysis, Springer-Verlag, Berlin, pp. 240-255, (1999).

· James A. Shine and Daniel B. Carr, "A Comparison of Classification Methods for Large Imagery Data Sets", JSM 2002 Statistics in an ERA of Technological Change-Statistical computing section, New York City, pp.3205-3207, 11-15 August 2002.

· Jasinski, M. F., "Estimation of subpixel vegetation density of natural regions using satellite multispectral imagery", IEEE Trans. Geosci. Remote Sensing, Vol. 34, pp. 804–813, 2021.

· Landgrebe D., "On information extraction principles for hyperspectral data", Cybernetics 28 part c, Vol. 1, pp. 1-7, 1999.

· M. Govender, K. Chetty and H. Bulcock, "A review of hyperspectral remote sensing and its application in vegetation and water resource studies", Water SA, Vol. 33, No. 2, pp.145-151, April 2007.

· M. Govender, K. Chetty, V. Naiken and H. Bulcock, "A comparison of satellite hyperspectral and multispectral remote sensing imagery for improved classification and mapping of vegetation", Water SA, Vol. 34, No. 2, April 2008.

· Smith R. B., "Introduction to hyperspectral imaging", 2001a. www.microimages.com (Accessed 11/03/2006).

· Smith R. B., "Introduction to remote sensing of the environment", 2001b. www.microimages.com .