چکیده:
در اختیار داشتن نقشه های کاربری اراضی جدید در بسیاری از زمینه ها از جمله مدیریت منابع طبیعی و برنامه ریزی برای سرزمین از اهمیت بسیاری برخوردار است. داده های سنجش از دور از پتانسیل بالایی برای تهیه نقشه های به روز کاربری و پوشش اراضی برخوردارند. هدف از این تحقیق ارزیابی روش های تهیه نقشه کاربری اراضی شهرستان کامیاران با استفاده از تصاویر ماهواره ای می باشد. در این مطالعه از داده های سنجنده OLI ماهواره لندست۸ مربوط به ماه ژوین سال ۲۰۱۸ استفاده شد. در ابتدا پیش پردازش های اولیه شامل تصحیحات رادیومتری، اتمسفری و هندسی بروی داده خام انجام گرفت. از نقاط کنترل زمینی جهت آموزش، اعتبارسنجی و برای تهیه نقشه کاربری اراضی استفاده شد. کلاس کاربری در هر نقطه با پیمایش میدانی و با استفاده از تصاویر گوگل ارث در ۹ کلاس کاربری زمین های کشاورزی، جنگل، باغ، مراتع غنی، مراتع متوسط، مناطق مسکونی،پهنه آبی، زمین های بایر و رخنمون سنگی مشخص گردید. در ادامه از روش های حداکثر احتمال، حداقل فاصله، ماشین بردار پشتیبان و فاصله ماهالانوبی برای طبقه بندی نظارت شده در نرم افزار ENVI ۵.۳ استفاده شد. برای ارزیابی دقت روش های طبقه بندی از دو معیار صحت کلی و ضریب کاپا به همراه داده های کنترل زمینی بهره گرفته شد. نتایج تحقیق نشان داد روش ماشین بردار پشتیبان با صحت کلی ۹۱.۴ درصد و ضریب کاپا ۰.۸۸ درصد از دیگر روش ها دقت بهتری داشته است.
It is important to have new land use plans in many areas, including natural resource management and land planning. Remote sensing data has a high potential for preparing up-to-date land use maps and land cover. The purpose of this study is to evaluate the methods of preparing land use maps of Kamyaran city using satellite images. In this study, OLI Landsat 8 satellite sensor data for June 2018 were used. Initially, preliminary processing, including radiometric, atmospheric, and geometric corrections, was performed on raw data. ground control points were used for training, accreditation, and land use mapping. The Landuse class was identified at each point by field survey and using Google Earth images in 9 user classes of agricultural lands, forest, garden, rich pastures, medium pastures, residential areas, water area, barren lands and rocky outcrops. In the following, maximum probability, minimum distance, support vector machine and Mahanalubi distance were used for the supervised classification in ENVI 5.3 software. To evaluate the accuracy of classification methods, two criteria of general accuracy and capa coefficient were used with ground control data. The results showed that the support vector machine method was 91.4% more accurate and the Kappa coefficient was 0.88% more accurate than other methods.