LULC-АНАЛИЗ ЗЕМЛЕПОЛЬЗОВАНИЯ С ИСПОЛЬЗОВАНИЕМ НЕКОНТРОЛИРУЕМОЙ КЛАССИФИКАЦИИ

  • Ранджана Уаман Гор Университет доктора Бабасаеба Амбедкара Маратвады
  • Ратнадип Р. Дешмух Университет доктора Бабасаеба Амбедкара Маратвады
  • Приянка У. Рандив Государственный инженерный колледж Аурангабада, Университет Ма- ратвады им. доктора Бабасахеба Амбедкара
  • Мишра Абхилаша Махараштрский технологический институт
  • И. Б. Аббасов Южный Федеральный Университет
Ключевые слова: Земельный покров, землепользование, классификация земного ландшафта, LULC анализ, неконтролируемый процесс, платформа ENVI 5.5, методы кластеризации, метод K-means, интерактивный анализ самоорганизации (ISODATA)

Аннотация

Землепользование и растительный покров являются естественным состоянием поверхно-
сти земли. Дистанционное зондирование - очень важный метод изучения землепользования
(LULC). Для анализа земного покрова при дистанционном зондировании используются различные
методы классификации. Данные методы не требуют предварительную информацию о земном
покрове или типах землепользования. Наиболее часто для анализа изображений, полученных с
помощью дистанционного зондирования, используют два метода классификации. К ним отно-
сятся контролируемая классификация и неконтролируемая классификация. Целями предлагаемой
работы являются использование неконтролируемых методов классификации для поиска класте-
ров, по определению типов землепользования и сравнение данных методов с интерактивным
анализом данных самоорганизации (ISODATA). Для анализа землепользования были использованы
изображения датчика Hyperion. Датчик Hyperion имеет двести сорок две полосы, однако немно-
гие полосы содержат полезную информации для спектрального анализа. Поэтому полосы, не
содержащие полезную информацию выявляются и удаляются. После обработки входного изо-
бражения по данному алгоритму из двухсот сорока двух полос остаются только сто шестьде-
сят пять полос. При этом учитываются радиометрическая калибровка и немаловажная кор-
рекция атмосферных факторов. Затем по результатам обработки с применением предложен-
ных методов формируются кластеры для изучения землепользования с использованием гипер-
спектрального изображения. Для формирования кластеров осуществлялась группировка пиксе-
лей, на основе выбранных данных. Пиксели из одного кластера имеют больше сходства, в то
время как пиксели из разных кластеров отличаются друг от друга. На основе результатов дела-
ется вывод о том, что метод кластеризации (k-means) позволяет лучше идентифицировать или
прогнозировать тип землепользования на основе гиперспектрального изображения с высоким
разрешением, чем метод интерактивного анализа данных самоорганизации (ISODATA). Выход-
ное изображение, которое является результатом кластеризации, может быть использовано
для идентификации различных типов объектов землепользования. Лучше всего были идентифи-
цированы следующие объекты землепользования: водная среда, сельскохозяйственные угодья,
растительность, застроенная территория или поселение, поля и скалистые регионы.

Литература

1. Lillesand T.M., and Kiefer R.W. Remote sensing and image interpretation. 4th ed. John Wiley
& Sons, 1999б 724 p.
2. Push Broom and Whisk Broom Sensors. Available at: https://www.harrisgeospatial.com. Harris
Geospatial Solutions, Inc., 2020. [Cited: 05/23/2020]. Available at:
https://www.harrisgeospatial.com/Support/Self-Help-Tools/Help-Articles/Help-Articles-
Detail/ArtMID/10220/ArticleID/16262/Push-Broom-and-Whisk-Broom-Sensors.
3. Pearlman J.S., Carman P., Lee L., Liao, Segal C. Hyperion imaging spectrometer on the new
millennium program Earth Orbiter-1 system: in Proceedings of the International Symposium
on Spectral Sensing Research (ISSSR), Systems and Sensors for the New Millennium, International
Society for Photogrammetry and Remote Sensing (ISPRS), 1999.
4. Reis S. Analyzing Land Use/Land Cover Changes Using Remote Sensing and GIS in Rize,
North-East Turkey, Sensors, 2008, Vol. 8, pp. 6188-6202.
5. Manakos I., Braun M. Land Use and Land Cover Mapping in Europe. Practices & Trends,
Springer, 2014. 441 p. Available at: https://doi.org/10.1007/978-94-007-7969-3.
6. Gashaw T., Tulu T., Argaw M., Worqlul A.W. Modeling the hydrological impacts of land
use/land cover changes in the Andassa watershed, blue Nile basin, Ethiopia, Sci. Total Environ,
2018, pp. 619-620, 1394-1408.
7. Butt A., Shabbir R., Ahmad S.S., Aziz N., Nawaz M., Shah M. Land cover classification and
change detection analysis of Rawal watershed using remote sensing data, J. Biodivers Environ
Sci., 2015, Vol. l. 6, pp. 236-248.
8. Malik A.H., Aziz Neelam, Butt Amna, Erum Summra. Dynamics of land use and land
coverchange (LULCC) using geospatial techniques: a case study of Islamabad Pakistan. 812,
Dynamics of land use and land cover change (LULCC) using geospatial techniques: a case
study of Islamabad Pakistan Zahra Hassan1, Rabia Shabbir1, Sheikh Saee Springer Plus, 2016,
Vol. 5. Available at: https://doi:10.1186/s40064-016-2414-z.
9. Twisa S., Buchroithner M.F. Land-Use and Land-Cover (LULC) Change Detection in Wami River
Basin. Tanzania 136, Land, MDPI, 2019, Vol. 8. Available at: https://doi:10.3390/land8090136.
10. Fukue K., Shimoda H., Matumae Y., Yamaguchi R., Sakata T. Evaluations of unsupervised
methods for land-cover/use classifications of Landsat TM data, Geocarto Int., 1988, Vol. 3,
pp. 37-44.
11. Thompson M.M., Mikhail E.M. Recent developments and applications. Automation in photogrammetry,
Photogrammetria, 1976, Vol.3 2, pp. 111-145.
12. Shlien S., Smith A. A rapid method to generate spectral theme classification of Landsat imagery,
Remote Sens. Environ., 1975, Vol. 4, pp. 67-77.
13. Otterman J. Baring high-albedo soils by overgrazing: a hypothesized desertification mechanism
4163, Science, 1974, Vol. 86, pp. 531-533.
14. Sala O.E., Chapin F. S., Armesto J. J., Berlow E., Bloomfield J., Dirzo R., Leemans R. Global
biodiversity scenarios for the year 2100. 5459, Science, 2000, Vol. 287, pp. 1770-1774.
15. Akgün A., Eronat A.H., Türk N. Comparing Different Satellite Image Classification Methods,
International Society for Photogrammetry and Remote Sensing Journal, ISPRS, 2004, Vol. 5,
pp. 1091-1097.
16. Bardsley J.M., Wilde M., Gotschalk C., Lorang M.S. MATLAB Software for Supervised Classification
in Remotely Sensing and Image Processing, Journal of Statistical Software, 2010,
Vol. 55, pp.1-4.
17. Lonesome M. A Region Based Approach to Image Classification, Photogrammetry, Earth Observation
Systems, Information Extraction, Applied Geoinformatics for Society and Environment-
Stuttgart University of Applied Sciences, 2009, pp. 109-211
18. Rusthum A.S., Mohammed S. Object-Oriented Image Processing of an high resolution satellite
imagery with perspectives for urban growth, planning and development, International Journal
of Image Processing, 2011, Vol. 2, pp.72-86
19. Kundra E.H., Panchal V.K., Singh K., Kaura H., Arora S. Extraction of Satellite Image using
Particle Swarm Optimization, International Journal of Engineering, 2010, Vol. 4, pp.86-92.
20. Subbiah B., Christopher S. Image Classification through integrated K- Means algorithm, IJCSI
International Journal of Computer Science Issues, 2012, Vol. 2, pp. 518-524.
21. Sapkal A.T., Bokhare C., Tarapore N.Z. Satellite Image Classification using the Back Propagation
Algorithm of Artificial Neural Network. 2009. Geomatrix Conference.
22. USGS. (U.S. Department of the Interior). USGS Glovis. Available at: https://glovis.usgs.gov
[Cited: 12/23/2018] https://glovis.usgs.gov/app?fullscreen=1.
Опубликован
2020-10-11
Выпуск
Раздел
РАЗДЕЛ IV. АНАЛИЗ И РАСПОЗНАВАНИЕ ОБРАЗОВ