مقایسة کارآیی الگوریتم زون اقلیم محلی در تفکیک مناطق ساختوسازشده در قیاس با نمایههای ساختوسازشده | ||
| نشریه سنجش از دور و GIS ایران | ||
| مقاله 1، دوره 15، شماره 4 - شماره پیاپی 60، 1402، صفحه 1-16 اصل مقاله (3.6 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.48308/gisj.2022.102576 | ||
| نویسندگان | ||
| نجمه ستاری1؛ ملیحه عرفانی* 2؛ فاطمه جهانی شکیب3 | ||
| 1دانشجوی کارشناسی ارشد، گروه محیطزیست، دانشکدة منابع طبیعی، دانشگاه زابل، زابل، ایران | ||
| 2دانشیار گروه محیطزیست، دانشکدة منابع طبیعی، دانشگاه زابل، زابل ، ایران | ||
| 3استادیار گروه محیطزیست، دانشکدة منابع طبیعی و محیطزیست، دانشگاه بیرجند، بیرجند، ایران | ||
| چکیده | ||
| بررسی روند رشد شهرها و پیشبینی تغییرات آنها در آینده، برای برنامهریزیهای فضایی، ضرورت دارد. بهاینمنظور، به نقشهسازی پهنههای ساختوسازشده نیاز است. در بسیاری مناطق، بهویژه در اقلیم خشک، تفکیک مناطق ساختوسازشده از محیط اطراف بهسادگی و با روشهای معمول طبقهبندی تصاویر ماهوارهای و یا نمایههای متداول، با دقت مورد قبول، امکانپذیر نیست؛ ازاینرو بسیاری از پژوهشگران نمایههای طیفی گوناگونی را بهمنظور استخراج مناطق ساختوسازشده، توسعه دادهاند. استفاده از تغییرات دمای سطح زمین برای نشاندادن مناطق ساختوسازشده، بهکمک الگوریتم زونهای اقلیمی محلی (LCZ) کمتر مورد توجه بوده است و روش نسبتاً جدیدی محسوب میشود؛ بنابراین در این مقاله، تفکیک مناطق ساختوسازشده از سایر انواع پوشش اراضی پیرامونی آن، با استفاده از الگوریتم LCZ انجام شد. با توجه به محدودیتنداشتن تعداد باند در این روش، از چهار سری تصاویر ماهوارهای لندست متعلق به سال 2020 استفاده شد و صحت آن با جدیدترین نمایههای ساختوسازشده (DBI، BLFEI، BAEI و BAEM) که بهصورت خودکار طبقهبندی شدهاند، مورد مقایسه قرار گرفت. نتایج این مطالعه نشان داد که صحت طبقهبندی ناشی از الگوریتم LCZ ٪96 است؛ درصورتی که نمایههای BLFEI و BAEM قادر به تفکیک کامل مناطق ساختوسازشده از سایر انواع پوشش اراضی نیست و صحت کلی نمایة BAEI نیز 37% بهدست آمد. بنابراین کارآیی روش LCZ بیشتر از نمایههای ساختوسازشده است و درمورد مناطق خشک و نیمهخشک، توصیه میشود. | ||
| کلیدواژهها | ||
| کاربری اراضی؛ لندستـ 8؛ باند حرارتی مادونقرمز؛ طبقهبندی؛ نمایة طیفی | ||
| عنوان مقاله [English] | ||
| Comparison of the Efficiency of Local Climatic Zone Algorithm in Separating Built-Up Area Compared to Built-Up Indices | ||
| نویسندگان [English] | ||
| Najme Satari1؛ Malihe Erfani2؛ FATEMEH Jahanishakib3 | ||
| 1M.Sc. of Faculty of Natural Resources, University of Zabol, Zabol, Iran | ||
| 2Associate Prof., Dep. of Environmental Sciences, Faculty of Natural Resources, University of Zabol, Zabol, Iran | ||
| 3Assistant Prof., Dep. of Environmental Sciences, Faculty of Natural Resources and Environment, University of Birjand, Birjand, Iran | ||
| چکیده [English] | ||
| Trend analysis of growth of cities and predicting their changes in the future are essential for spatial planning. For this purpose, it is necessary to map build-up areas. In many areas, especially in arid climate, it is not possible to separate the build-up areas from the surrounding land cover simply. That's mean the usual methods of classifying satellite images or conventional indices can’t separate mentioned classes with acceptable accuracy. Hence, many researchers have developed different spectral indices to extract the build-up areas. The use of surface temperature changes to represent build-up areas using the Local Climate Zones (LCZ) algorithm is less considered and is a relatively new method. Therefore, in this paper, the separation of build-up areas from the other surrounding land cover was considered using LCZ algorithm. There is no limit to the number of bands in this method, thus four series of Landsat satellite images in the year 2020 were used and the LCZ algorithm’s accuracy was compared with the latest automatic classified build-up indices including DBI, BLFEI, BAEI and BAEM. The results of this study showed that the classification accuracy of the LCZ algorithm was 96%, while the BLFEI and BAEM indices were not able to completely separate the build-up areas from other types of land cover. The total accuracy of the BAEI index was 0.37. Therefore, the use of LCZ method has a high efficiency compared to build-up indices, and it is recommended in arid and semi-arid zones. | ||
| کلیدواژهها [English] | ||
| Land use, Landsat- 8, Thermal infrared, Classification, Spectral index | ||
| مراجع | ||
|
Akib, J., Qimin, C., Hao, P., Orhan, A., Yan, L., Iffat, A., Enamul, H., Yeamin, A. & Nayyer, S., 2021, Review of Spectral Indices for Urban Remote Sensing, Photogrammetric Engineering & Remote Sensing, 87, PP. 513-524.https://doi.org/10.14358/PERS.87.7.513 As-Syakur, A.R., Adnyana, I.W.S., Arthana, I.W. & Nuarsa, I.W., 2012,. Enhanced Built-up and Bareness Index (EBBI) for Mapping Built-up and Bare Land in an Urban Area, Remote Sens., 4, PP. 2957-2970. https://doi.org/ 10.3390/rs4102957 Bhatti, S.S. & Kumar Tripathi, N., 2014, Built-up Area Extraction Using Landsat 8 OLI Imagery, GIScience & Remote Sensing., 51, PP. 445-467. https://doi.org/ 10.1080/15481603.2014.939539 Bouhennache, R., Bouden, T., Taleb-Ahmed, A. & Cheddad, A., 2018, A New Spectral Index for the Extraction of Built-up Land Features from Landsat 8 Satellite Imagery, Geocarto. International, 34, PP. 1531-1551. https://doi.org/ 10.1080/10106049.2018.1497094 Bouzekri, S., Lasbet, A.A. & Lachehab, A.A, 2015, New Spectral Index for Extraction of Built-Up Area Using Landsat-8 Data, J. Indian Soc. Remote Sens., 43, PP. 867-873. https://doi.org/ 10.1007/s12524-015-0460-6 Chen, W., Liu, L., Zhang, C., Wang, J., Wang, J. & Pan, Y., 2004, Monitoring the Seasonal Bare Soil Areas in Beijing Using Multitemporal TM Images, In Proceedings of the 2004 IEEE International Geoscience and Remote Sensing Symposium (IGARSS’04), Anchorage, AK, USA, 20-24 September 2004. https://doi.org/ 10.1109/IGARSS.2004.1370429 Chen, X.L., Zhao, H.M., Li, P.X. & Yin, Z.Y., 2006, Remote Sensing Image-Based Analysis of the Relationship between Urban Heat Island and Land Use/Cover Changes, Remote Sens. Environ., 104, PP. 133-146. https://doi.org/ 10.1016/j.rse.2005.11.016 Demuzere, M., Kittner, J. & Bechtel, B., 2021, LCZ Generator: A Web Application to Create Local Climate Zone Maps, Front. Environ. Sci., 9, PP. 1-18. https://doi.org/ 10.3389/fenvs.2021.637455
He, C., Shi, P., Xie, D. & Zhao, Y., 2010, Improving the Normalized Difference Built-up Index to Map Urban Built-up Areas Using a Semiautomatic Segmentation Approach, Remote Sens. Lett., 1, PP. 213-221. https://doi.org/ 10.1080/01431161.2010.481681 Huang, W., Zeng, Y. & Li, S., 2014, An Analysis of Urban Expansion and Its Associated Thermal Characteristics Using Landsat Imagery, Geocarto. International, 30, PP. 93-103. https://doi.org/ 10.1080/10106049.2014.965756 Khan, M.S., Ullah, S. & Chen, L., 2021, Comparison on Land-Use/Land-Cover Indices in Explaining Land Surface Temperature Variations in the City of Beijing, China, Land., 10, P. 1018. https://doi.org/ 10.3390/land10101018 Mohammadi, R., Krkeabadi, Z. & Miri, M.R., 2020, Factors Affecting the Relations of the Border Area Cities of Zahedan and Mirjaveh with the Surrounding Areas, Journal of Urban Peripheral Development, 2(1), PP. 163-174. https://doi.org/ 20.1001.1.26764164.1399.2.1.10.7 Mukherjee, A., Kumar, A. & Ramachandran, P., 2021, Development of New Index-Based Methodology for Extraction of Built-Up Area From Landsat7 Imagery: Comparison of Performance With SVM, ANN, and Existing Indices, IEEE Transactions on Geoscience and Remote Sensing, 59, PP. 1592-1603. https://doi.org/ 10.1109/TGRS.2020.2996777 Rasul, A., Balzter, H., Ibrahim, G.R.F., Hameed, H.M., Wheeler, J., Adamu, B., Ibrahim, S. & Najmaddin, P.M., 2018, Applying Built-Up and Bare-Soil Indices from Landsat 8 to Cities in Dry Climates, Land., 7, P. 81. https://doi.org/ 10.3390/land7030081 Rouibah, K. & Belabbas, M., 2020, Applying Multi-Index Approach from Sentinel-2 Imagery to Extract Urban Area in Dry Season (Semi-Arid Land in North East Algeria), Revista de Teledetección., 56, PP. 89-101. https://doi.org/10.4995/raet.2020.13787 Shahfahad, Mourya, M., Kumari, B., Tayyab, M., Paarcha, A.A. & Rahman, A., 2021, Indices Based Assessment of Built-Up Density and Urban Expansion of Fast Growing Surat City Using Multi-Temporal LANDSAT DATA Sets, GeoJournal., 86, PP. 1607-1623. https://doi.org/ 10.1007/s10708-020-10148-w Zha, Y., Gao, J. & Ni, S., 2003, Use of Normalized Difference Built-Up Index in Automatically Mapping Urban Areas from TM Imagery, Int. J. Remote Sens., 24, PP. 583-594. https://doi.org/ 10.1080/01431160304987 | ||
|
آمار تعداد مشاهده مقاله: 6,735 تعداد دریافت فایل اصل مقاله: 3,674 |
||