طبقه‌بندی کاربری اراضی تالاب انزلی با استفاده از تلفیق تصاویر راداری سنتینل 1 و آلوس پالسار

نوع مقاله : پژوهشی

نویسندگان

1 استادیار، دانشکدۀ جغرافیا، دانشگاه تهران

2 کارشناس ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکدۀ جغرافیا، دانشگاه تهران

3 دانشیار، دانشکدۀ جغرافیا، دانشگاه تهران

4 استاد، دانشکدۀ جغرافیا، دانشگاه تهران

چکیده

‌تالاب انزلی در ایران به عنوان یکی از تالاب‏ های ارزشمند ثبت‌شده در کنوانسیون رامسر در معرض تهدید عوامل محیطی و انسانی است. در دو دهۀ اخیر در بین انواع تصاویر ماهواره‏ای، تصاویر سنجنده ‏های راداری، نقش مهمی در پایش تالاب‏ ها داشته‏ اند، زیرا این سنجنده ‏ها در تمام شرایط آب ‏وهوایی فعالیت می ‏کنند و به زبری و رطوبت سطح حساس هستند. با این‏ حال، مشکلاتی نظیر تشابه ضرایب بازپخش بین کلاس ‏های مختلف و پردازش ‏های نسبتاً دشوار در مقایسه با سنجنده‏ های نوری کاربرد آن‏ها را محدود می‏ کند. در مطالعۀ پیش رو قابلیت تصاویر راداری در طبقه‌بندی تالاب انزلی و سه کاربری اصلی اطراف تالاب (زمین‏ های کشاورزی، نیزار و مناطق ساخته‌شده) ارزیابی شد. به این منظور، دو تصویر راداری آلوس پالسار 2 و سنتینل 1 در سال 2018 انتخاب شد. پارامترهای بافت از هر دو تصویر استخراج شد. باندهای دو تصویر رادار و لایه ‏های بافت استخراج‌شده به روش تلفیق در سطح ویژگی ادغام شده و سپس، با استفاده از الگوریتم جنگل تصادفی طبقه‌بندی شدند. صحت کلی روش تلفیق در سطح ویژگی معادل با 75 درصد و ضریب کاپا برابر با 62 درصد است. نتایج ارزیابی مربوط به صحت تولید‌کننده و کاربر به‌ترتیب برابر با 100 و 83 درصد است. صحت زیاد نتایج به‌دست‏ آمده نشان‌دهندۀ قابلیت مناسب تصاویر رادار در طبقه‌بندی و تشخیص بدنۀ ‏آبی تالاب است، در صورتی‏ که در تفکیک اراضی کشاورزی، نیزار و مناطق ساخته‌شده خطای بیشتری مشاهده شده است. همچنین، روش تلفیق در سطح ویژگی، شیوۀ مؤثری برای استفادۀ هم‌زمان از ویژگی‏ های متمایز تصاویر مختلف در طبقه ‏بندی کاربری اراضی تالابی است.

کلیدواژه‌ها

موضوعات


[1].    Fickas KC, Cohen WB, Yang Z. Landsat-based monitoring of annual wetland change in the Willamette Valley of Oregon, USA from 1972 to 2012. Wetl Ecol Manag. 2016;24(1):73–92.
[2].    Jones K, Lanthier Y, van der Voet P, van Valkengoed E, Taylor D, Fernández-Prieto D. Monitoring and assessment of wetlands using Earth Observation: The GlobWetland project. J Environ Manage. 2009;90(7):2154–69.
[3].    Ottinger M, Clauss K, Kuenzer C. Large-scale assessment of coastal aquaculture ponds with sentinel-1 time series data. Remote Sens. 2017;9(5):440.
[4].    Ghahraman A, Atar F. Anzali wetland in danger of death (an ecologic-floristic research). J Environ Stud. 2003;28:1–38. [Persian]
[5].    Tavakoli B, Sabetraftar K. Determination of relationships between pollution indices with socioeconomic and ecological factors in watershed area of Anzali wetland. J Environ Stud. 2003;28:51_57.
[6].    Nicholls RJ. Coastal flooding and wetland loss in the 21st century: changes under the SRES climate and socio-economic scenarios. Glob Environ Chang. 2004;14(1):69–86.
[7].    Guo M, Li J, Sheng C, Xu J, Wu L. A review of wetland remote sensing. Sensors. 2017;17(4):777.
[8].    Mahdavi S, Maghsoodi Y. Fundamentals of radar remote sensing. K.N.Toosi University of Technology; 2016. 290 p. [Persian]
[9].    Mohammadimanesh F, Salehi B, Mahdianpari M, Brisco B, Motagh M. Wetland water level monitoring using interferometric synthetic aperture radar (InSAR): A review. Can J Remote Sens. 2018;44(4):247–62.
[10]. Chen Y, Qiao S, Zhang G, Xu YJ, Chen L, Wu L. Investigating the potential use of Sentinel-1 data for monitoring wetland water level changes in China’s Momoge National Nature Reserve. PeerJ. 2020;8:e8616.
[11]. Ottinger M, Kuenzer C. Spaceborne L-Band Synthetic Aperture Radar Data for Geoscientific Analyses in Coastal Land Applications: A Review. Remote Sens. 2020;12(14):2228.
[12]. Jensen K, McDonald K, Podest E, Rodriguez-Alvarez N, Horna V, Steiner N. Assessing L-band GNSS-reflectometry and imaging radar for detecting sub-canopy inundation dynamics in a tropical wetlands complex. Remote Sens. 2018;10(9):1431.
[13]. Davidson NC, Fluet-Chouinard E, Finlayson CM. Global extent and distribution of wetlands: trends and issues. Mar Freshw Res. 2018;69(4):620–7.
[14]. Mitchell AL, Milne AK, Tapley I. Towards an operational SAR monitoring system for monitoring environmental flows in the Macquarie Marshes. Wetl Ecol Manag. 2015;23(1):61–77.
[15]. Xie C, Shao Y, Xu J, Wan Z, Fang L. Analysis of ALOS PALSAR InSAR data for mapping water level changes in Yellow River Delta wetlands. Int J Remote Sens. 2013;34(6):2047–56.
[16]. van Genderen JL, Pohl C. Geometric aspects of remote sensing data fusion. InACRS 1993: Proceedings of the 14th Asian conference on remote sensing (ACRS): October 12-17 1993, Teheran, Iran, pp. I-3-1-I-3-5 1993 (pp. I-3).
[17]. Castanedo F. A review of data fusion techniques. Sci world J. 2013;2013.
[18]. Wang J, Shang J, Brisco B, Brown RJ. Comparison of multidate RADAR and multispectral optical satellite data for wetland detection in the Great Lakes region. Proc Geomatics era RADARSAT. 1997.
[19]. Lin Y, Yue C. China’s new national rules on wetland protection. Available SSRN 2517481. 2014.
[20]. Amani M, Mobasheri MR. A parametric method for estimation of leaf area index using landsat ETM+ data. GIScience Remote Sens. 2015;52(4):478–97. [Persian]
[21]. LaRocque A, Phiri C, Leblon B, Pirotti F, Connor K, Hanson A. Wetland mapping with Landsat 8 OLI, Sentinel-1, ALOS-1 PALSAR, and LiDAR Data in southern New Brunswick, Canada. Remote Sens. 2020;12(13):2095.
[22]. Kaplan G, Avdan U. Sentinel-1 AND Sentinel-2 Data Fusion For Wetlands Mapping: BALIKDAMI, TURKEY. Int Arch Photogramm Remote Sens Spat Inf Sci. 2018;42(3).
[23]. Evans TL, Costa M, Telmer K, Silva TSF. Using ALOS/PALSAR and RADARSAT-2 to map land cover and seasonal inundation in the Brazilian Pantanal. IEEE J Sel Top Appl Earth Obs Remote Sens. 2010;3(4):560–75.
[24]. Banks S, White L, Behnamian A, Chen Z, Montpetit B, Brisco B, et al. Wetland classification with multi-angle/temporal SAR using random forests. Remote Sens. 2019;11(6):670.
[25]. Jahncke R, Leblon B, Bush P, LaRocque A. Mapping wetlands in Nova Scotia with multi-beam RADARSAT-2 Polarimetric SAR, optical satellite imagery, and Lidar data. Int J Appl earth Obs Geoinf. 2018;68:139–56.
[26]. Clausi DA, Yue B. Comparing cooccurrence probabilities and Markov random fields for texture analysis of SAR sea ice imagery. IEEE Trans Geosci Remote Sens. 2004;42(1):215–28.
[27]. Javedan Kherad A, EsmailiSari A, Bahramifar N. Investigation of persistent organic pollutants residue in sediments of international Anzali wetland, Iran. J Environ Stud. 2011;37(57):35–44. [Persian]
[28]. Modaberi H, Shokoohi, A R. Using eco-hydrologic methods in determining Anzali wetland environmental water requirement. IRAN-WATER Resour Res. 2019;15:91_104. [Persian]
[29]. Quegan S, Yu JJ. Filtering of multichannel SAR images. IEEE Trans Geosci Remote Sens. 2001;39(11):2373–9.
[30]. Richards JA. Remote sensing with imaging radar. Vol. 1. Springer; 2009.
[31]. Sim CK, Abdullah K, MatJafri MZ, Lim HS. Land cover classification using ALOS imagery for Penang, Malaysia. In: IOP Conference Series: Earth and Environmental Science. IOP Publishing; 2014. p. 12025.
[32]. Lee J-S, Wen J-H, Ainsworth TL, Chen K-S, Chen AJ. Improved sigma filter for speckle filtering of SAR imagery. IEEE Trans Geosci Remote Sens. 2008;47(1):202–13.
[33]. Attarchi S. Efficiency evaluation of SAR-derived indices in urban impervious surfaces extraction using full polarimetric image. Geogr Urban Plan Res. 2019;7(4):837–54. [Persian]
[34]. Shokri M, Sahebi MR. Fusion of yynthetic aperture radar data and optic images based on curvelet transform. J Geomatics Sci Technol. 2017;7(2):127–38. [Persian]
[35]. Kandaswamy U, Adjeroh DA, Lee M-C. Efficient texture analysis of SAR imagery. IEEE Trans Geosci Remote Sens. 2005;43(9):2075–83.
[36]. Haralick RM, Shanmugam K, Dinstein IH. Textural features for image classification. IEEE Trans Syst Man Cybern. 1973;(6):610–21.
[37]. Pal M. Random forest classifier for remote sensing classification. Int J Remote Sens. 2005;26(1):217–22.
[38]. Breiman L. Random forests Mach learn. 2001; 45: 5–32.
[39]. Zakeri H, Yamazaki F, Liu W. Texture analysis and land cover classification of Tehran using polarimetric synthetic aperture radar imagery. Appl Sci. 2017;7(5):452.
[40]. Fallah A, Kalbi S, Shataee S, Karami O. Determinate ASTER satellite data capability and classification and regression tree and random forest algorithm for forest type mapping. For Wood Prod. 2015;67(4):573–84.
[41]. Sohrabi Mofrad M, Bakhtyari Kia M. Detecting impervious urban surfaces using the textural properties of Radar imagery. Spat Plan. 2020;10(1):85–104. [Persian]
[42]. Adeli S, Salehi B, Mahdianpari M, Quackenbush LJ, Brisco B, Tamiminia H, et al. Wetland monitoring using SAR data: A meta-analysis and comprehensive review. Remote Sens. 2020;12(14):2190.
[43]. Boon PI, Schofield NJ, Brock MA, Bunn SE. National wetlands R&D program: Scoping review. 1997;
[44]. Brisco B. Mapping and monitoring surface water and wetlands with synthetic aperture radar. Remote Sens Wetl Appl Adv. 2015;119–36.
[45]. White L, Brisco B, Pregitzer M, Tedford B, Boychuk L. RADARSAT-2 beam mode selection for surface water and flooded vegetation mapping. Can J Remote Sens. 2014;40(2):135–51.
[46]. Lillesand T, Kiefer RW, Chipman J. Remote sensing and image interpretation. John Wiley & Sons; 2015.
دوره 8، شماره 3
مهر 1400
صفحه 611-622
  • تاریخ دریافت: 12 بهمن 1399
  • تاریخ بازنگری: 22 تیر 1400
  • تاریخ پذیرش: 25 خرداد 1400
  • تاریخ اولین انتشار: 22 تیر 1400
  • تاریخ انتشار: 01 مهر 1400