نوع مقاله : مطالعه موردی

نویسندگان

1 فارغ التحصیل دانشگاه تبریز

2 دانشیار وعضو هیئت علمی گروه GIS دانشگاه تبریز

چکیده

فرآیندهای سطح زمین در مقیاس‌های مکانی-زمانی مختلف عمل می‌کنند و شکل‌های زمینی را تولید می‌کنند که در یک سلسله‌مراتب تودرتو ساختاریافته‌اند. شیوه‌ی استخراج نیمه‌خودکار انواع لندفرم‌های منتخب از مدل‌های رقومی ارتفاعی DEM از اهمیت بالایی برخوردار است. لندفرم یک عارضه ژئومورفیک از سطح زمین است که خصوصیات ظاهری خاص داشته و شکل آن را می‌توان تشخیص داد. در حال حاضر طبقه‌بندی لندفرم‌ها عموماً مبتنی بر تشخیص کارشناسی است که به طریق دستی و با استفاده از عکس‌های هوایی، نقشه‌های توپوگرافی و برداشت‌های صحرایی انجام می‌گیرد که روشی زمان‌بر، پرهزینه، کم‌دقت و تکرار نشدنی است. در این پژوهش از 5 مشتق اصلی  DEM5/12 متری ماهواره ALOS (لایه‌ی شیب، لایه جهت شیب، لایه‌ی خمیدگی، لایه‌ی جریان تجمعی و لایه‌ی ارتفاع) و همچنین از تصاویر ماهواره‌ای  Sentinel-2و شاخص پوشش گیاهی NDVI به‌عنوان لایه‌های کمکی استفاده گردیده، سگمنت‌سازی که در این منطقه صورت گرفت با استفاده از روش segmentation multi resolation انجام شد. در این سگمنت‌سازی به لایه ارتفاع، ارزش 3 و به لایه خمیدگی ارزش 2 و به بقیه‌ی لایه‌ها ارزش 1 داده شد و در قسمت Composition of homogeneity criterion، به Shape 7/0 و Compactness 3/0 و پارامتر مقیاس 50 در نظر گرفته شد و سپس با استفاده از الگوریتم‌های Layer Values   و Geometry و دستورات assign class به طبقه‌بندی لندفرم‌های واقع در دامنه‌های غربی و جنوب غربی زاگرس (محدوده‌ی شهرستان الیگودرز) اقدام شده است. نتایج نشان داد که استفاده از الگوریتم‌های Layer Values و Geometry و دستورات assign class توانایی خوبی در جداسازی و طبقه‌بندی لندفرم‌ها دارند، به‌گونه‌ای که 8 نوع لندفرم (دامنه، یال، پهنه‌های آبی، پرتگاه، قله، خط‌الرأس، دشت‌های پست و دشت‌های مرتفع) با ضریب کاپا 87/0 و دقت کلی 71/91 درصد استخراج گردید. لندفرم‌های یال بیشترین بخش منطقه را تشکیل داده و لندفرم‌های غالب منطقه محسوب می‌شوند و توزیع مناسبی در قسمت‌های مختلف دارند ولی لندفرم‌های قله با حداقل مساحت فقط بخش محدودی از منطقه‌ی موردمطالعه را تشکیل داده است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Identification of semi-automatic landforms using object-oriented processing, digital elevation model and satellite imagery. Case study: Dez river basin located in the western and southwestern slopes of Zagros

نویسندگان [English]

  • vahid rahmatinia 1
  • Bakhtiar Feizizadeh 2

1 Graduate of Tabriz University

2 - Associate Professor and Faculty Member of GIS Department, University of Tabriz, Iran

چکیده [English]

In this study, 5 main DEM derivatives of 12.5 m ALOS satellite (slope layer, slope direction layer, curvature layer, cumulative flow layer and altitude layer) as well as Sentinel-2 satellite images and NDVI vegetation index were used as auxiliary layers. Segmentation in this area was performed using segmentation multi resolation method. In this segmentation, the height layer was given a value of 3, the curvature layer was given a value of 2, and the other layers were given a value of 1. Then, using Layer Values ​​and Geometry algorithms and assign class commands, landforms located in the western and southwestern slopes of Zagros (Aligudarz city area) have been classified. The results showed that the use of Layer Values ​​and Geometry algorithms and assign class commands have a good ability to isolate and classify landforms, so that 8 types of landforms (slopes, ridges, water areas, precipices, peaks, ridges, lowlands and lowlands) Kappa coefficient was 0.87 and overall accuracy was 91.71%. The ridge landforms form the largest part of the region and are the dominant landforms of the region and have a good distribution in different parts, but the peak landforms with the minimum area have formed only a limited part of the study area.

کلیدواژه‌ها [English]

  • Classification
  • Landform
  • Digital Elevation Model
  • Object Oriented
  • Zagros Mountains
 
Anderson, J.R. Hardy, E.E. Roach, J.T. Witmer, R.E. (1976). A Land Cover Classification System for Use with Remote Sensor Data, United States Government Printing Office, Washington.
Band, L. Tague, C. Brun, S. Tenenbaum, D. Fernandes, R. 2000. Modelling watersheds as spatial object hierarchies: structure and dynamics. Trans. GIS 4, 181–196.
Bishop, MP. & Shroder, JF. (2000). Remote sensing and geomorphometric assessment of topographic complexity and erosion dynamics in the Nanga Parbat massif. Geological Society London, Special Publication, 170: 181-199.
Blaschke T & Strobl J 2001. What’s wrong with pixels? Some recent developments interfacing remote sensing and GIS. GIS – Zeitschrift für Geoinformations systeme 6:12-17.
Cheng, Y & Xu, Y. Zhu, H. Hu, C. Liu, H. (2021). Deep learning of DEM image texture for landform classification in the Shandong area, China. Frontiers of Earth Science, 1-16. ‏
Drăguţ, L. Blaschke, T. (2006). Automated classification of landform elements using object based image analysis. Geomorphology 81, 330–344.
Drăguţ. L, Clemens Eisank (2011). Automated object-based classification of topography from SRTM data, Geomorphology141-142(2012)21–33.
eCognition (2012). eCognition User Guide and Reference book. http://www.Definiens-imaging.com (Munich, Germany: Definiens Imaging) Published by: Trimble Germany GmbH, Arnulfstrasse 126, D-80636 Munich, Germany.441p.
Eisank, C. Drăguţ, L. Götz, J. and Blaschke, T. (2010). Developing a semantic model of glacial landforms for object-based terrain classification - the example of glacial cirques. In: Addink, E.A. and F.M.B. Van Coillie (Eds.) GEOBIA 2010-Geographic Object-Based Image Analysis. Ghent University, Ghent, Belgium, 29 June – 2 July. ISPRS Vol. No. XXXVIII-4/C7, Archives ISSN No 1682-1777.
Eisank, C. Smith, M. Hillier, J. (2014). Assessment of multiresolution segmentation for delimiting drumlins in digital, Geomorphology, GEOMOR-04677; No of Pages 13
Etzelmüller, B. Sulebak, J.S. (2000). Developments in the Use of Digital Elevation Models in Periglacial Geomorphology and Glaciology, Physische Geographie, Vol. 41, PP. 35–58. Baatz, M. Hoffmann, C. & Willhauck,
Feizizadeh, Bakhtiar (2007). Comparison of basic and object-oriented pixel methods in the preparation of land use maps, Master Thesis, University of Tabriz, Faculty of Humanities and Social Sciences.
Feizizadeh, Bakhtiar, Jafari, Firooz, Nazmfar, Hossein (2008). The use of remote sensing data in detecting changes in urban land uses Case study of green space in Tabriz, Journal of Fine Arts, No. 34.
Fisher, P. Wood, J. and Cheng, T. (2004). Where is Helvellyn Fuzziness of multi-scaleland scape morphometry, Transactions of the Institute of British Geographers, 29(1), pp.106-128.
Giles, P.T. Franklin, S.E. (1998). An automated approach to the classification of the slope units using digital data. Geomorphology 21, 251–264.
Huang, L. Ni, L. (2008). Object-oriented classification of high resolution satellite image for better accuracy, Proceedings of the 8th International Symposium on Spatial Accuracy Assessment in Natural Resources and Envir onmental Sciences, Shanghai, P. R. China, pp 211-218.
Huggett RJ (2007). Fundamentals of Geomorphology. Routledge, London, UK.448p.
Janowski, L. Tylmann, K. Trzcinska, K. Rudowski, S. & Tegowski, J. (2021). Exploration of glacial landforms by object-based image analysis and spectral parameters of digital elevation model. IEEE Transactions on Geoscience and Remote Sensing. ‏
Kassouk, C. & Willhauck, Fassnacht, F. E. Hartig, F. Latifi, H. Berger, C. Hernández, J. Corvalán, P. & Koch, B. (2014). Importance of sample size, data type and prediction method for remote sensing- based estimations of aboveground forest biomass. Remote Sensing of Environment, 154, 102-114.
Lillesand, T. Kiefer, R.W. Chipman, J. (2001). Remote sensing and image interpretation, 6th Edition, Wiley Publication, Washington.
MacMillan, R.A. Jones, R.K. McNabb, D.H. (2004). Defining a hierarchy of spatial entities for environmental analysis and modeling using digital elevation models (DEMs). Compute. Environ. Urban. Syst. 28, 175–200.
Makram, Marzieh, Neghaban, Saeed (2014). Classification of Land Forms Using Topographic Position Index (TPI) Case Study: Southern Region of Darab County, Geographical Information Winter 2014, 23(92): 57-65.
Matsuura, T. Aniya, M. (2012). Automated segmentation of hillslope profiles across ridges and valleys using a digital elevation model. Geomorphology 177 (178): 167–177.
Miliaresis, G.C. (2001). Extraction of bajadas from digital elevation models and satellite imagery. Compute. Geosci. 27, 1157–1167.
Pedersen, G.B.M. (2016). Semi-automatic classification of glaciovolcanic landforms: An object-based mapping approach based on geomorphometry, Journal of Volcanology and Geothermal Research, 311(1): 29–40, February 2016.
Poor Baqer Kurdi, Qanavati, Karam, Saffari; Seyed Mehdi, Ezatollah, Amir, Amir (2015). Application of spectral image segmentation methods in the identification and separation of alluvial fans of Yazd-Ardakan basin, Journal of Natural Geography Research, 47(3): 383-367, Fall 2015.
Rajabi, Masoumeh, Bayati, Maryam (2008). Landform study of glacial valleys, Case study: Sahand mountain glacial valleys, Geographical research: Summer 2008, 4(6)4: 105-121.
Rasouli, Ali Akbar (2005). An Analysis of GIS Technology, First Edition, Tabriz: Tabriz University Press.
Rasouli, Ali Akbar (2008). Principles of Applied Remote Sensing with Emphasis on Satellite Image Processing, University of Tabriz, Faculty of Humanities and Social Sciences.
Siavash, Shayan, Mojtaba, Yamani, Manouchehr Farajzadeh, Ali Ahmadabadi (2012). Supervised Classification of Geomorphological Landforms of Dry Areas Using Geomorphometric Parameters (Case Study: Maranjab Region), Quarterly Journal of Surveillance and GIS, Fourth Year, No. 14: 19-28.
Van A, S. Seijmonsbergen, A.C. (2006). Expert-driven semi-automated geomorphological mapping for a mountainous area using a laser DTM. Geomorphology 78, 309–320.
Vaz, D.A. Sarmento, P.T.K, Barata, M.T. Fenton, L.K. Michaels, T.I. (2015). Objectbased. Dune Analysis: Automated dune mapping and pattern characterization for Ganges Chasma and Gale crater, Mars, Geomorphology, Volume 250, 1 December 2015, Pages 128–139.
Wilson, JP. And Gallant, JC. (2000). Terrain analysis principles and applications. ISBN 0-471-32188-5, John Wiley and Sons, Inc.