تهیه نقشه کاربری اراضی براساس طبقه بندی شئ گرای تصاویر سنجش از دوری

نقشه های کاربری اراضی و پوشش اراضی از جمله مهمترین اطلاعات در حوزه برنامه ریزی و مدیریت شهری بشمار می روند. روش های سنتی استخراج چنین اطلاعاتی از قبیل تفسیر بصری تصاویر هوایی و روش های برداشت زمینی، اغلب روش هایی پر هزینه، وقت گیر و وابسته به نوع و کیفیت مهارت اپراتور هستند. سال های زیادی است که محققان در جستجوی روشی خودکار یا نیمه خودکار برای تهیه این اطلاعات هستند. ظهورتصاویر بزرگ مقیاس ماهواره ای از قبیل ikonos و quickbird، فرصت ها و امکانات فراوانی را در نواحی شهری ایجاد کرده است. در کشور اسلامی ما ایران، به علت رشد ناهمگون نواحی شهری، استخراج این اطلاعات دارای دشواری دو چندانی است. در این پایان نامه منطقه مورد مطالعه برخلاف سابقه پیشین در تحقیقات دیگر، از یک منطقه کاملاً پیچیده و متراکم در شهر شیراز از تصویر ikonos انتخاب شد. هدف این انتخاب، ارائه راه حلی برای تولید اطلاعات پوشش اراضی و کاربری اراضی در اینگونه مناطق است که تقریباً بخش اعظمی از شهرهای ایران عزیز را شامل می شوند. اما هدف اصلی این تحقیق توسعه یک روش نیمه خودکار و خودکار جهت طبقه بندی کاربری اراضی و پوشش اراضی برمبنای داده های تصاویر ikonos بابکارگیری آنالیزهای شئ مبنا است. برای تلفیق یک سیستم منسجم و قدرتمند در هر دو مرحله پوشش اراضی و کاربری اراضی، یک مدل سلسله مراتبی طبقه بندی قانون مبنا شامل 3 سطح پوشش اراضی، 1 سطح طبقه بندی کاربری اراضی شئ مبنای غیر پارسلی و نهایتاً 2 سطح طبقه بندی کاربری اراضی پارسل مبنا، برای اولین بار طراحی و معرفی شد. برای اجرای طبقه بندی پوشش اراضی به عنوان مبنای اساسی طبقه بندی کاربری اراضی، از چندین استراتژی بهره گیری شد. در مرحله اول از یک طبقه بندی قانون مبنا و با استفاده از ویژگی های معمول شئ مبنا استفاده شد. برای بهبود این روش از یک روش نزدیکترین همسایه فازی مبتنی بر بهینه سازی فضای ویژگی استفاده شد. در مرحله بعد برای اولین بار در حوزه ی آنالیزهای شئ مبنا، مفهوم ویژگی-های شاخصی معرفی شد. در این پایان نامه با معرفی یک مدل قانونی شاخصی شئ مبنا، روشی مستحکم برای طبقه بندی پوشش اراضی ارائه شده است. روش سوم پوشش اراضی مبتنی بر طبقه بندی قانون مبنا براساس این مدل شاخصی است. روش چهارم طبقه بندی پوشش اراضی برمبنای بهینه سازی فضای ویژگی های شاخصی با استفاده از الگوریتم ژنتیک و بکارگیری طبقه بندی با استفاده از سیستم-های استنتاج فازی است. در طبقه بندی کاربری اراضی غیرپارسلی، از مدلسازی دانش و درک اپراتور هوشمند و دانش منطقه ای جهت معرفی روشی جدید استفاده شد. در فازی بعدی و در سطحی بالاتر، طبقه بندی کاربری اراضی پارسل مبنا معرفی می شود. برای پیاده سازی این سطح از طبقه بندی کاربری-اراضی از دو نوع مدل کلاسی کاربری اراضی(ترکیبی و غیرترکیبی) و طراحی نزدیک به 50 ویژگی مفهومی استفاده شد. برای طبقه بندی این سطح از مهمترین روش های سنتی، روش نزدیکترین همسایه فازی و نهایتاً طبقه بندی براساس ویژگی های بهینه مفهومی و بکارگیری سیستم های استنتاج فازی استفاده شد. ارزیابی کلی نتایج بر اساس تفسیر بصری و نقشه مرجع 1:2000 منطقه در سطوح مختلف انجام شد. از میان روش های مرحله پوشش اراضی روش طبقه بندی فازی با استفاده از ویژگی-های بهینه شاخصی با دقت کلی 94% و بین روش های کاربری اراضی پارسل مبنا، روش فازی مستحکم-ترین و بهترین نتایج را تولید کردند. روش طبقه بندی کاربری اراضی غیرپارسلی نیز با دقت 85% بدون اعمال وزن مساحت اشیاء و دقت 89% با اعمال وزن مساحت اشیاء حاصل شد.