Comparison of of Different Classification Methods in Terms of Accuracy for Land Use Mapping: ACase Study of the City of Yazd

Document Type : Research Paper

Authors

1 MSc of arid lands management, Faculty of Natural Resources and Eremology, Yazd University, Iran

2 Assistant professor, Faculty of Natural Resources and Eremology, Yazd University, Iran

3 PhD candidate, Combating Desertification, Faculty of Natural Resources and Eremology, Yazd University, Iran

Abstract

In recent decades, with the development of various methods in the field of satellite image classification and change detection, there has been an increasing advancement in choosing the best and accurate method for preparation of maps of lands use and land cover. The aim of this study is to compare some algorithms which are used in land cover classification in arid lands of Ardakan plain, Yazd. For this purpose, the satellite images of the plain were categorized into four classes of bare lands, residential areas, rangelands, agricultural and road. Then, training samples were collected by using 1: 20000 aerial photos, satellite images, and Google Earth as well as through field visits Next, considering the characteristics of the images, the land use classes in the study area were defined. After the amount of differentiation of the classes was determined, land cover classification was done through Mahalanobis distance, maximum likelihood, support vector machine, minimum distance, binary encoding, parallelepiped, neural network, and spectral angel mapper. The results of the accuracy assessment of these eight methods showed that maximum likelihood, Mahalanobis distance, and support vector machine have the best performance in land use mapping in arid lands.

Keywords

References

احمدی، م.، خواجه الدین ،ج. (1388). تهیه نقشه پوشش اراضی شهر اراک با استفاده از روش‌های طبقه بندی شبکه عصبی مصنوعی و حداکثر مشابهت. پژوهش‌های جغرافیای طبیعی 69: 83-98.
  ارزانی، ح .، میرآخورلو ،خ .. حسینی، س .ز.(1388).  تهیه نقشه کاربری اراضی با استفاده از سنجنده ETM+ ماهواره Landsat7 (مطالعه موردی قسمتی از مراتع حوزه ابخیز طالقان)، فصلنامه علمی- پژوهشی تحقیقات مرتع و بیابان ایران 16(2): 150-160.
اکبری، م.، مختاری،ک. پورمنافی،س.(1386). تهیه نقشه‌های رقومی برخی از خصوصیات شیمیایی خاک با استفاده از داده های ماهواره‌های لندست ETM+ (مطالعه موردی: منطقه خشک شمال غربی اصفهان)، فصلنامه علمی-پژوهشی منابع طبیعی ایران. 60 (4): 1117-11128.
برخورداری، ج.، زارع،م.، خسروشاهی،م.(1384). بررسی روند تغییرات پوشش اراضی در حوزه آبخیز سد استقلال میناب با استفاده از RS و GIS، مجله حفاطت اب و خاک.
ربیعی، ح.(1372). سنجش از دور: اصول و کاربرد. انتشارات سمت، تهران.
زبیری، م.، مجد، ع.(1375). اشنایی با فن سنجش از دور و کاربر آن در منابع طبیعی (اطلاعات ماهواره‌ای، عکس هوایی و فضایی). انتشارات دانشگاه تهران.
علوی پناه، س،ک. (1382). کاربرد سنجش از دور در علوم زمین. انتشارات دانشگاه تهران.
علوی پناه، س. ک.، م. مسعودی. (1375). تهیه نقشه کاربری اراضی با استفاده از داده‌های رقومی ماهواره‌ای لندست و سیستم‌های اطلاعات جغرافیایی در مطالعه موردی منطقه موک استان فارس. مجله علوم کشاورزی و منابع طبیعی 7 (1): 65-76.
علیمحدی سراب، ع.، ربیعی، ح. ر.، ضیائیان،پ.(1384). مدلسازی عدم اطمینان در آشکارسازی تغییرات بر اساس طبقه بندی داده‌های ماهواره‌ای. فصلنامه مدرس. 9: 97-109.
فاطمی، س، ب.، رضایی، ف. (1384). مبانی سنجش از دور. چاپ اول، انتشارات آزاده، تهران.
فیضی زاده، ب.، عزیزی، ح.، ولیزاده، ک. (1386). استخراج کاربری‌های شهرستان ملکان با استفاده از تصاویر ماهواره‌ای لندست 7، مجله آمایش. شماره سوم، دانشگاه آزاد اسلامی واحد ملایر.
مالمیران، ح. (1383). راهنمای تهیه نقشه‌های موضوعی از تصاویر ماهواره‌ای. انتشارات سازمان جغرافیایی وزارت دفاع و پشتیبانی نیروهای مسلح، تهران.
مخدوم، م.، درویش صفت، ع. ا.، جعفرزاده، ه.، مخدوم،ع. (1386). ارزیابی و برنامه‌ریزی محیط زیست با سامانه‌های اطلاعات جغرافیایی (GIS). انتشارات دانشگاه تهران.
مسعودی،­ م. (1380). بررسی قابلیت تصاویر ماهواره‌ای در طبقه بندی خاک‌های تحت تأثیر شوری و قلیائیت. نشریه تحقیقات مرتع و بیابان ایران (4)، موسسه تحقیقات جنگل‌ها و مراتع.
Benediktsson, J. A., P. H. Swain and O. K. Esroy. 1990. Neural network approaches versus statistical methods in classification of multisource remote sensing data. IEEE Trans. Geosci. Remote Sens. 28:540-552.
Guindon, B., Y. Zhang and C. Dillabaugh. 2004. Landsat urban mapping based on a combined spectral–spatial methodology. Remote Sens. Environ. 92: 218-232.
Hester, D. B. 2008. Land cover mapping and change detection in urban watersheds using Quickbird high spatial resolution satellite imagery. PhD. dissertation, North Carolina State University, Carolina.
Kamusoko, C. and M. Aniya. 2006. Land use/cover change and landscape fragmentation analysis in the Bendura district Zimbabwe. Land Degrade. Dev. 18:221-233.
Knorn, J., A. Rabe, C.V. Radeloff, T. Kuemmerle, J. Kozak and P. Hostert. 2009. Land cover mapping of large areas using chain classification of neighboring Landsat satellite images. Remote Sens. Environ. 113: 957-964.
Lillesand, T. M. and R. W. Kieffer. 2004. Remote Sensing and Image Interpretation. John Wiley & Sons Pub., New York.
Long-qian, C., W. Li and Y. Lin-shan. 2009. Analysis of urban landscape pattern change in Yanzhou city based on TM/ETM+ images. Procedia Earth and Planetary Sci. 1: 1191-1197.
Omo-Irabor, O. O. and K. Oduyemi. 2007. A hybrid image classification approach for the systematic analysis of land cover (LC) changes in the Niger Delta region. 5th International Symposium on Spatial data quality, The Netherlands.
Swain, P.H. and S.M. Davis. 1987. Remote Sensing: the Quantitative Approach. McGraw-Hill. USA.
Tso. B. and P.M. Mather. 2009. Classification Methods for Remotely Sensed Data. Chapter 2-3. 2nd ed., Taylor and Francis Pub., America.
Wood, T.F. and G.M. Foody. 1989. Analysis and representation of vegetation continua from Landsat thematic mapper data for lowland heaths. Intl. J. Remote Sens. 10:181-191.
The Journal of Geographical Research on Desert Areas
Volume 7, Issue 1
September 2019
Pages 165-178

Files

Share

How to cite

Statistics