سامانه مدیریت نشریات علمی دانشگاه شهید بهشتی

ضیائیان فیروزآبادی, پرویز, صفربیرانوند, پریسا, حسینقلی‌زاده, علی, حسنی‌تبار, رحیم, صفربیرانوند, مهدی. (1397). به‌کارگیری الگوریتم طبقه‌بندی نظارت‌شدة SAM در تهیة نقشة واحدهای سنگی، با استفاده از تصاویر ماهواره‌ای. , 10(1), 1-16.
پرویز ضیائیان فیروزآبادی; پریسا صفربیرانوند; علی حسینقلی‌زاده; رحیم حسنی‌تبار; مهدی صفربیرانوند. "به‌کارگیری الگوریتم طبقه‌بندی نظارت‌شدة SAM در تهیة نقشة واحدهای سنگی، با استفاده از تصاویر ماهواره‌ای". , 10, 1, 1397, 1-16.
ضیائیان فیروزآبادی, پرویز, صفربیرانوند, پریسا, حسینقلی‌زاده, علی, حسنی‌تبار, رحیم, صفربیرانوند, مهدی. (1397). 'به‌کارگیری الگوریتم طبقه‌بندی نظارت‌شدة SAM در تهیة نقشة واحدهای سنگی، با استفاده از تصاویر ماهواره‌ای', , 10(1), pp. 1-16.
ضیائیان فیروزآبادی, پرویز, صفربیرانوند, پریسا, حسینقلی‌زاده, علی, حسنی‌تبار, رحیم, صفربیرانوند, مهدی. به‌کارگیری الگوریتم طبقه‌بندی نظارت‌شدة SAM در تهیة نقشة واحدهای سنگی، با استفاده از تصاویر ماهواره‌ای. , 1397; 10(1): 1-16.

به‌کارگیری الگوریتم طبقه‌بندی نظارت‌شدة SAM در تهیة نقشة واحدهای سنگی، با استفاده از تصاویر ماهواره‌ای

نشریه سنجش از دور و GIS ایران
مقاله 1، دوره 10، شماره 1، شهریور 1397، صفحه 1-16    اصل مقاله (1.94 M)
نوع مقاله: علمی - پژوهشی
نویسندگان
پرویز ضیائیان فیروزآبادی* 1؛ پریسا صفربیرانوند2؛ علی حسینقلی‌زاده2؛ رحیم حسنی‌تبار3؛ مهدی صفربیرانوند4
1دانشیار گروه سنجش از دور و GIS دانشگاه خوارزمی تهران
2کارشناسی ارشد سنجش از دور و GIS، دانشگاه خوارزمی تهران
3کارشناس و پژوهشگر جهاد دانشگاهی، لرستان
4کارشناسی مهندسی عمران، دانشکدة فنی و مهندسی، دانشگاه آزاد خرم‌آباد
چکیده
مسئلة تهیة نقشة واحدهای سنگی، در روندی رو به بهبود، به نقطه‌ای رسیده است که امروزه آشکارسازی و طبقه‌بندی واحدهای سنگی به‌کمک سنجش از دور ابرطیفی انجام می‌شود. در این پژوهش، تصاویر هایپریون با درنظرگرفتن نتایج کار محققان پیشین و استفاده از الگوریتم طبقه‌بندی نظارت‌شدةSAM  در تشخیص و تفکیک واحدهای سنگی در منطقة خرم‌آباد استان لرستان به‌کار رفته است. SAM یک روش رده‌بندی سریع است که، از راه ارزیابی، میزان تشابه طیف‌های تصویر و مرجع عمل نقشه‌برداری واحدهای زمین‌شناختی را نشان می‌دهد. پس از پیش‌پردازش‌های لازم، ازجمله تصحیح اتمسفری که به‌روشFLAASH  اجرا شد، تبدیل خطیMNF  به‌منظور مشخص‌کردن بعد و حجم اصلی تصویر، جداسازی نویز از دیگر اطلاعات و کاهش میزان پردازش در مراحل بعد استفاده شد و الگوریتمPPI  برای پیداکردن پیکسل‌هایی با خلوص بیشتر در تصاویر چندطیفی یا فراطیفی به‌کار رفت. از هم‌پوشانی پیکسل‌های خالص با واحدهای سنگی و برپایة داده‌های زمینی از منطقة مورد مطالعه، طیف میانگین برای هر عضو استخراج شد. سپس این اعضای خالص، به‌منزلة ورودی جهت الگوریتم‌ ذکرشده، استفاده و طبقه‌بندی تصویر صورت گرفت. درنهایت، نقشة طبقه‌بندی‌شدة حاصل از این روش با نقشه‌های موجود و داده‌های زمینی مقایسه و میزان صحت آن‌ بررسی شد. دقت اجرای روش SAM با بررسی صحت الگوریتم، ازطریق محاسبة ماتریس خطا، به بیشترین میزان 83/68٪ و ضریب کاپای 49/0٪ بوده است که خود اهمیت تصاویر فراطیفی و روش SAM  در تفکیک واحدهای سنگی را نشان می‌دهد.
کلیدواژه‌ها
تصاویر فراطیفی؛ نقشة واحدهای سنگی؛ SAM؛ MNF؛ PPI
عنوان مقاله [English]
Applying the SAM Supervised Classification Algorithm to Prepare a Map of Rock Units Using Satellite Images
نویسندگان [English]
P Zeaiean Firozabadi1؛ P Safarbeyranvand2؛ A Hosseinhgholizade2؛ R Hasanitabar3؛ M Safarbeyranvand4
1Associate Prof., Dep. of Remote Sensing and GIS, Kharazmi University of Tehran
2M.Sc. of Remote Sensing and GIS, School of Geography, University of Kharazmi
3Expert and Researcher of Jahad Daneshgahi, Lorestan
4Bachelor of Civil Engineering, Faculty of Engineering, University of Khorramabad
چکیده [English]
The issue of the mapping of rock units in an ever-expanding area has now reached a point where the detection and classification of rock units is carried out through the aid of hyperspectral image. In this research, Hyperion images are used in the light of the work of previous researchers and the application of the SAM supervised classification algorithm for the detection and separation of rock units in Khorramabad region, Lorestan province. After performing the necessary preprocesses including atmospheric correction performed by the FLAASH method, linear MNF transformation was used to determine the dimension of main image, to separate the noise from other information and reduce the processing level in the next stages, and the PPI algorithm to find the pixels that More purity is used in multispectral images. From the overlapping of pure pixels with rock units and based on ground data from the study area, the average range was extracted for each member. Then, these pure members were used as inputs for the above-mentioned algorithms and image categorization was used. Finally, the mapped classification of this method was compared with existing maps and land data and their accuracy was checked. The accuracy of the SAM method was verified by verifying the accuracy of the algorithm by calculating the error matrix with the highest of 68.83% and kappa coefficient of 0.49%, which indicates the importance of hyperspectral images and the SAM method in separating the rock units.
کلیدواژه‌ها [English]
SAM, MNF, PPI, Map of geology units, Hyperion image
مراجع
  1. آزادبخت، س.، 1382، سنگچینهنگاری و زیستچینهنگاری سازند سورگاه در شرق خرم‌آباد (زاگرس)، پایان‌نامة کارشناسی ارشد، دانشگاه پیام نور تهران، دانشکده علوم پایه، گروه چینه‌شناسی و فسیل‌شناسی، تعداد صفحات 135.
  2. رنگزن، ک.، صابری، ع.، جوکار، ا.، محمدیان، ف.، 1390، شناسایی و تخمین سطح زیرکشت اراضی کشاورزی با استفاده از داده‌های بهنگام سنجندة هایپرون، همایش ژئوماتیک90.
  3. سیدین، ع.، 1394، اکتشاف چشمه‌های نفتی (هیدروکربنی) با استفاده از روش‌های آشکارسازی هدف در تصاویر ابرطیفی، پایان‌نامة کارشناسی ارشد، دانشگاه صنعتی خواجه‌نصیرالدین طوسی، دانشکدة نقشه‌برداری.
  4. شریفی، ا.ر.، 1387، طبقه‌بندی تصاویر ابرطیفی ازطریق تجزیه و تحلیل امضای طیفی پدیدهها، پایان‌نامة کارشناسی ارشد، رشتة سـنجش از دور و GIS، دانشگاه تهران.
  5. علوی‌پناه، س.ک.، 1392، کاربرد سنجش از دور در علوم زمین، تهران، مؤسسة انتشارات دانشگاه تهران، چاپ چهارم.
  6. فاطمی، س.ب.، رضایی، ی.، 1385، مبانی سنجش از دور، انتشارات آزاده.
  7. فهیم‌نژاد، ح.، 1386، ارزیابی تفکیک نوع محصولات کشاورزی با استفاده از داده‌های سنجش از دور (سنجندة فراطیفی هایپریون)، پایان‌نامة کارشناسی ارشد، دانشگاه صنعتی خواجه نصیرالدین طوسی، دانشکدة نقشه‌برداری.
  8. نقشة زمینشناسی خرمآباد، مقیاس 1:25000، سازمان زمین‌شناسی و اکتشافات معدنی کشور.
  9. Barry, P., 2001, EO-1/ Hyperion Science Data User‘s Guide, Level 1_B, TRW Space, Defense & Information Systems.
  10. Beck, R., 2003, EO-1 User Guide, Ed. University of Cincinnati, PP. 1–74.
  11. Boardman, J.W., 1994, Automating Spectral Unmixing of AVIRIS Data Using Convexgeometry Concepts, In :Summaries of the 4th Annual JPL Air borne Geoscience Workshop, Pasadena, PP. 11–14.
  12. Camps-Valls, G., Tuia, D., Bruzzone, L. & Benediktsson, J.A., 2014, Advances in Hyperspectral Image Classification: Earth Monitoring with Statistical Learning Methods, IEEE Signal Processing Magazine, 31(1), PP. 45–54.
  13. Chang, C.I., 2003, Hyperspectral Imaging: Techniques for Spectral Detection and Classification, Orlando, FL: Kluwer Academic.
  14. Chen, X., Warner, T.A. & Campagna, D.J., 2007, Integrating Visible, Near-Infrared and Short-Wave Infrared Hyperspectral and Multispectral Thermal Imagery for Geological Mapping at Cuprite, Nevada, Remote Sensing of Environment, 110(3), PP. 344–356.
  15. Folkman, M., Pearlman, J., Liao, L.B. & Jarecke, P.J., 2001, EO-1/Hyperion Hyperspectral Imager Design, Development, Characterization, and Calibration, in Second International AsiaPacific Symposium on Remote Sensing of the Atmosphere, Environment, and Space, PP. 40–51.
  16. Goodenough, D., Niemann, K.O., Pearlman, J.S., Hao, C., Han, T., Murdoch, M. & West, C., 2003, Processing Hyperion and ALI for Forest Classification, Geoscience and Remote Sensing, IEEE Transactions on, Vol. 41, PP. 1321–1331.
  17. Hubbard, B.E., Crowley, J.K. & Zimbelman, D.R., 2003, Comparative Alteration Mineral Mapping Using Visible to Shortwave Infrared (0.4–2.4 µm) Hyperion, ALI, and ASTER Imagery, Geoscience and Remote Sensing, Vol. 41, No. 6, PP. 1401–1410.
  18. Kruse, F., Lefkoff, A., Boardman, J., Heidebrecht, K., Shapiro, A., Barloon, P. & Goetz, A., 1993, The Spectral Image Processing System (SIPS) - Interactive Visualization and Analysis of Imaging Spectrometer Data, Remote Sensing of Environment, Vol. 44, Issues 2–3, PP. 145–163.
  19. Kurse, F.A., Boardman, J.W. & Huntington, J.F., 2003, Comparison of Airborne Hyperspectral Data and EO-1 Hyperion for Mineral Mapping, IEEE Transactions on Geoscience and Remote Sensing, No. 41, PP. 1388–1400.
  20. Manolakis, D. & Marden, G.A., 2003, Shaw,―Hyperspectral Image Processing for Automatic Target Detection Applications, Lincoln Laboratory Journal, 14, PP. 154–176.
  21. Oommen, T., Misra, D., Twarakavi, N.K., Prakash, A., Sahoo, B. & Bandopadhyay, S., 2008, An Objective Analysis of Support Vector Machine Based Classification for Remote Sensing, Mathematical Geosciences, 40(4), PP. 409–424.
  22. Rajendran, S., Srinivasamoorthy, K. & Aravindan, S., 2007, Mineal Exploration: Recent Strategies, New India Publishing.
  23. Richards, J.A. & Jia, X., 1999, Remote Sensing Digital Image Analysis–Springer, Berlin, Germany.
  24. Shrestha, D.P., Margate, D.E., Van der Meer, F. & Anh, H.V., 2005, Analysis and Classification of Hyperspectral Data for Mapping Land Degradation: An Application in Southern Spain, International Journal of Applied Earth Observation and Geoinformation, 7(2), PP. 85–96.
  25. Van Deer Meer, F.D. & De Jong Steven, M., 2001, Imagins Spectrometry: Basic Principle and Prospective Applications, Academic press.
  26. Villa, A., Benediktsson, J.A., Chanussot, J. & Jutten, J., 2011, Hyperspectral Image Classification with Independent Component Discriminant Analysis, IEEE Transactions on Geoscience and Remote Sensing, Vol. 49, No. 12, PP. 4865–4876.
آمار
تعداد مشاهده مقاله: 8,402
تعداد دریافت فایل اصل مقاله: 3,118