[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
برای نویسندگان::
داوران::
ثبت نام و اشتراک::
تماس با ما::
تسهیلات پایگاه::
بایگانی مقالات زیر چاپ::
آمار نشریه::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
آمار سایت
مقالات منتشر شده: 324
نرخ پذیرش: 63.1
نرخ رد: 36.9
میانگین داوری: 209 روز
میانگین انتشار: 345 روز
..
:: دوره 3، شماره 2 - ( 6-1394 ) ::
جلد 3 شماره 2 صفحات 19-1 برگشت به فهرست نسخه ها
شاخص‌ها و روشی نوین جهت طبقه‌بندی درختان و سایر گیاهان در شهرها با تصویر هوایی اپتیک
مهرداد اسلامی ، علی محمدزاده*
دانشگاه صنعتی خواجه نصیرالدین طوسی
چکیده:   (5438 مشاهده)

طبقه‌بندی و شناسایی عوارض شهری همواره مورد چالش محققان علوم فتوگرامتری و سنجش‌ازدور بوده است. در میان کلاس­های گوناگون شهری، عوارض گیاهی به دلیل تنوع گونه­ای بالا، شباهت طیفی گونه­ها در تصاویر اپتیک و هم‌چنین دارا نبودن شکل هندسی خاص در تفکیک انواع مختلف گونه­های گیاهی از یکدیگر دارای پیچیدگی خاصی بوده است. در تحقیقات گذشته به ‌منظور استخراج کلاس درختان از کلاس «سایر گیاهان» از منابع مختلف داده­ استفاده شده، که تصویر اپتیک از ارزان­ترین و عمومی­ترین منابع داده است. از این‌رو در این مقاله به‌ منظور تفکیک کلاس درختان و سایر عوارض گیاهی در مناطق شهری با استفاده از تصویر اپتیک روشی جدید ارائه شده است. بدین منظور ابتدا شاخص­های گیاهی جدید با نام­های شاخص گیاهی ترکیب باندی تقسیم ((SVI و شاخص گیاهی ترکیب باندی تفریق/ تقسیم MSVI از روی باند­های آبی و سبز تولید شد. سپس اطلاعات فراوان بافتی از طریق ماتریس ماتریس درجه خاکستری رخداد توأم تولید شد و این اطلاعات بافتی در مرحله بعد از طریق روش کسر نویز کمترین (MNF) کاهش ابعاد ویژگی یافت. در مرحله بعد پنج باند اول اطلاعات بافتی کاهش ابعاد یافته، دو باند شاخص‌های جدید تولید شده و هم‌چنین سه باند تصویر اپتیک با هم به طبقه‌بندی کننده بیشترین شباهت وارد گردید. نتیجه طبقه‌بندی، نقشه خروجی برای سه کلاس درختان، «سایر گیاهان» و «سایر عوارض شهری» است. نتایج حاصل از ارزیابی طبقه‌بندی الگوریتم پیشنهادی نشان‌دهنده مقدار دقت کل 5/98 درصد و هم‌چنین ضریب کاپای 93 درصد است. هم‌چنین نتایج به‌دست‌آمده از کارایی مطلوب شاخص­های پیشنهادی در این مقاله در مقایسه با شاخص‌های گیاهی شناخته‌شده در بهبود میزان دقت کلاس سایر گیاهان، دقت کل، ضریب کاپا و دقت میانگین طبقه­بندی دارد. هم‌چنین نتایج به‌دست‌آمده برای شاخص­های پیشنهادی در این مقاله از افزایش ضریب کاپای طبقه‌بندی تا چهار درصد جهت تفکیک کلاس درختان از کلاس «سایر گیاهان» حکایت دارد.

واژه‌های کلیدی: تفکیک گونه های گیاهی، عوارض شهری، طبقه‌بندی، تصویر اپتیک، سنجش‌ازدور
متن کامل [PDF 931 kb]   (1818 دریافت)    
نوع مطالعه: پژوهشي |
دریافت: 1394/12/21 | پذیرش: 1394/12/21 | انتشار: 1394/12/21
فهرست منابع
1. [1] M. R. McHale, E. G. McPherson, and I. C. Burke, "The potential of urban tree plantings to be cost effective in carbon credit markets," Urban Forestry & Urban Greening, vol. 6, pp. 49-60, 2007. [DOI:10.1016/j.ufug.2007.01.001]
2. [2] T. Blaschke, "Object based image analysis for remote sensing," ISPRS journal of photogrammetry and remote sensing, vol. 65, pp. 2-16, 2010. [DOI:10.1016/j.isprsjprs.2009.06.004]
3. [3] T. Brandtberg, "Classifying individual tree species under leaf-off and leaf-on conditions using airborne lidar," ISPRS Journal of Photogrammetry and Remote Sensing, vol. 61, pp. 325-340, 2007. [DOI:10.1016/j.isprsjprs.2006.10.006]
4. [4] B. Höfle, M. Hollaus, and J. Hagenauer, "Urban vegetation detection using radiometrically calibrated small-footprint full-waveform airborne LiDAR data," ISPRS Journal of Photogrammetry and Remote Sensing, vol. 67, pp. 134-147, 2012. [DOI:10.1016/j.isprsjprs.2011.12.003]
5. [5] C. Berger, M. Voltersen, R. Eckardt, J. Eberle, T. Heyer, N. Salepci, et al., "Multi-modal and multi-temporal data fusion: Outcome of the 2012 GRSS data fusion contest," Selected Topics in Applied Earth Observations and Remote Sensing, IEEE Journal of, vol. 6, pp. 1324-1340, 2013. [DOI:10.1109/JSTARS.2013.2245860]
6. [6] Q. Xiao, S. Ustin, and E. McPherson, "Using AVIRIS data and multiple-masking techniques to map urban forest tree species," International Journal of Remote Sensing, vol. 25, pp. 5637-5654, 2004. [DOI:10.1080/01431160412331291224]
7. [7] G. Le Maire, C. Francois, and E. Dufrene, "Towards universal broad leaf chlorophyll indices using PROSPECT simulated database and hyperspectral reflectance measurements," Remote sensing of environment, vol. 89, pp. 1-28, 2004. [DOI:10.1016/j.rse.2003.09.004]
8. [8] M. Voss and R. Sugumaran, "Seasonal effect on tree species classification in an urban environment using hyperspectral data, LiDAR, and an object-oriented approach," Sensors, vol. 8, pp. 3020-3036, 2008. [DOI:10.3390/s8053020]
9. [9] G. P. Hughes, "On the mean accuracy of statistical pattern recognizers," Information Theory, IEEE Transactions on, vol. 14, pp. 55-63, 1968. [DOI:10.1109/TIT.1968.1054102]
10. [10] H. Balzter, L. Skinner, A. Luckman, and R. Brooke, "Estimation of tree growth in a conifer plantation over 19 years from multi-satellite L-band SAR," Remote Sensing of Environment, vol. 84, pp.184-191, 2003. [DOI:10.1016/S0034-4257(02)00106-2]
11. [11] J. Baker and H. Balzter, "Observations of the wintertime boreal environment using radar remote sensing techniques," Institute of Terrestrial Ecology Monks Wood, 1999.
12. [12] J. Fransson, "Estimation of stem volume in boreal forests using ERS-1 C-and JERS-1 L-band SAR data," International Journal of Remote Sensing, vol. 20, pp. 123-137, 1999. [DOI:10.1080/014311699213640]
13. [13] L. E. Pierce, F. T. Ulaby, K. Sarabandi, and M. C. Dobson, "Knowledge-based classification of polarimetric SAR images," Geoscience and Remote Sensing, IEEE Transactions on, vol. 32, pp. 1081-1086, 1994. [DOI:10.1109/36.312896]
14. [14] S. Myeong, D. J. Nowak, and M. J. Duggin, "A temporal analysis of urban forest carbon storage using remote sensing," Remote Sensing of Environment, vol. 101, pp. 277-282, 2006. [DOI:10.1016/j.rse.2005.12.001]
15. [15] J. S. Walker and J. M. Briggs, "An object-oriented approach to urban forest mapping in Phoenix," Photogrammetric Engineering & Remote Sensing, vol. 73, pp. 577-583, 2007. [DOI:10.14358/PERS.73.5.577]
16. [16] J. P. Ardila, V. A. Tolpekin, W. Bijker, and A. Stein, "Markov-random-field-based super-resolution mapping for identification of urban trees in VHR images," ISPRS Journal of Photogrammetry and Remote Sensing, vol. 66, pp. 762-775, 2011. [DOI:10.1016/j.isprsjprs.2011.08.002]
17. [17] A. Bannari, D. Morin, F. Bonn, and A. Huete, "A review of vegetation indices," Remote sensing reviews, vol. 13, pp. 95-120, 1995. [DOI:10.1080/02757259509532298]
18. [18] A. A. Gitelson, "Wide dynamic range vegetation index for remote quantification of biophysical characteristics of vegetation," Journal of plant physiology, vol. 161, pp. 165-173, 2004. [DOI:10.1078/0176-1617-01176]
19. [19] A. D. Richardson, S. Klosterman, and M. Toomey, "Near-surface sensor-derived phenology," in Phenology: An Integrative Environmental Science, ed: Springer, 2013, pp. 413-430. [DOI:10.1007/978-94-007-6925-0_22]
20. [20] A. P. Lopes, B. W. Nelson, P. M. Graça, J. Wu, J. V. Tavares, N. Prohaska, et al., "Band combinations for detecting leaf amount and leaf age in QuickBird satellite and RGB camera images," in Brazilian Symposium on Remote Sensing, 2015, pp. 1671-1677.
21. [21] A. A. Gitelson, Y. J. Kaufman, R. Stark, and D. Rundquist, "Novel algorithms for remote estimation of vegetation fraction," Remote Sensing of Environment, vol. 80, pp.76-87, 2002. [DOI:10.1016/S0034-4257(01)00289-9]
22. [22] F. Albregtsen, "Statistical texture measures computed from gray level coocurrence matrices," Image processing laboratory, department of informatics, university of oslo, pp. 1-14, 2008.
23. [23] R. M. Haralick, K. Shanmugam, and I. H. Dinstein, "Textural features for image classification," Systems, Man and Cybernetics, IEEE Transactions on, pp. 610-621, 1973. [DOI:10.1109/TSMC.1973.4309314]
24. [24] M. De Martinao, F. Causa, and S. B. Serpico, "Classification of optical high resolution images in urban environment using spectral and textural information," in Geoscience and Remote Sensing Symposium, 2003. IGARSS'03. Proceedings. 2003 IEEE International, 2003, pp. 467-469. [DOI:10.1109/IGARSS.2003.1293811]
25. [25] A. A. Green, M. Berman, P. Switzer, and M. D. Craig, "A transformation for ordering multispectral data in terms of image quality with implications for noise removal," Geoscience and Remote Sensing, IEEE Transactions on, vol. 26, pp. 65-74, 1988. [DOI:10.1109/36.3001]
26. [26] U. Amato, R. M. Cavalli, A. Palombo, S. Pignatti, and F. Santini, "Experimental approach to the selection of the components in the minimum noise fraction," Geoscience and Remote Sensing, IEEE Transactions on, vol. 47, pp. 153-160, 2009. [DOI:10.1109/TGRS.2008.2002953]
27. [27] J. B. Lee and M. Berman, "Enhancement of high spectral resolution remote-sensing data by a noise-adjusted principal components transform," Geoscience and Remote Sensing, IEEE Transactions on, vol. 28, pp. 295-304, 1990. [DOI:10.1109/36.54356]
28. [28] J. D. Paola and R. Schowengerdt, "A detailed comparison of backpropagation neural network and maximum-likelihood classifiers for urban land use classification," Geoscience and Remote Sensing, IEEE Transactions on, vol. 33, pp. 981-996, 1995. [DOI:10.1109/36.406684]
29. [29] A. H. Strahler, "The use of prior probabilities in maximum likelihood classification of remotely sensed data," Remote Sensing of Environment, vol. 10, pp.135-163, 1980. [DOI:10.1016/0034-4257(80)90011-5]
30. [30] M. Shaban and O. Dikshit, "Improvement of classification in urban areas by the use of textural features: the case study of Lucknow city, Uttar Pradesh," International Journal of Remote Sensing, vol. 22, pp. 565-593, 2001. [DOI:10.1080/01431160050505865]
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Eslami M, Mohammadzadeh A. New Method and Indexes for Classification of Trees and Other Vegetation in Urban Area Using Aerial Visible Image. jgit 2015; 3 (2) :1-19
URL: http://jgit.kntu.ac.ir/article-1-228-fa.html

اسلامی مهرداد، محمدزاده علی. شاخص‌ها و روشی نوین جهت طبقه‌بندی درختان و سایر گیاهان در شهرها با تصویر هوایی اپتیک. مهندسی فناوری اطلاعات مکانی. 1394; 3 (2) :1-19

URL: http://jgit.kntu.ac.ir/article-1-228-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 3، شماره 2 - ( 6-1394 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.05 seconds with 37 queries by YEKTAWEB 4660