نوع مقاله : مقاله مستخرج از طرح پژوهشی
نویسندگان
1 استادیار ژئومورفولوژی، گروه زمین شناسی دریایی، دانشکده منابع طبیعی، دانشگاه علوم و فنون دریایی خرمشهر،خرمشهر، ایران
2 استادیار، گروه مهندسی برق، مجتمع آموزش عالی فنی و مهندسی اسفراین،اسفراین، ایران
چکیده
روند توسعه‌ی شهری مانند یک روند فازی است؛ بنابراین ناحیه‌بندی فازی و پایش فضای شهری با استفاده از تصاویر پنکروماتیک HR-PRS، یکی از بهترین ابزارها در مدیریت و برنامه‌ریزی شهری محسوب می‌شود. از این رو در این نوشتار با هدف بررسی کارایی عملکرد روش‌های خوشه‌بندی فازی جهت ناحیه‌بندی در محدوده شهری قشم از تصاویر پنکروماتیک HR-PR سنجنده GeoEye-1 استفاده شده‌است. در این باره جهت بررسی عملکرد الگوریتم-های FWS ، MSA ، IDF و CFM با استفاده از نرم‌افزار MATLAB، 6 معیار کیفی مختلفی در سه دسته مکانی، رادیومتریکی و مکانی-رادیومتریک تعریف شده‌است. در ادامه با استفاده از این روش‌ها و بر اساس ویژگی‌های فازی به ادغام تصاویر ورودی پرداخته و با استفاده از روش خوشه‌بندی فازی و خروجی ادغام که ماهیتی فازی دارد، به ناحیه‌بندی محدوه‌ی شهری مورد مطالعه اقدام گردید. نتایج پژوهش کارایی روش‌های ناحیه‌بندی پیشنهادی را از منظر تشخیص پدیده‌ها و عوارض مکانی و انسانی و استخراج دقیق اطلاعات از تصاویر ماهواره‌ای تأیید می‌نمایند. در این میان روش FWS بهترین عملکرد را در ناحیه‌بندی مناطق شهری از خود نشان داده است. بنابراین، طبق نتایج تحقیق استفاده از الگوریتم‌های خوشه‌بندی و ویژگی‌های فازی یک روش مناسب و بهینه برای تلفیق اطلاعات تصویر ماهواره‌ای HR-PRS از یک منطقه‌ی شهری با هدف ناحیه‌بندی است.
کلیدواژه‌ها
موضوعات
عنوان مقاله [English]
Efficiency of Fuzzy Algorithms in Segmentation of Urban Areas with Applying HR-PR Panchromatic Images (Case Study of Qeshm City)
نویسندگان [English]
- Heeva Elmizadeh 1
- Hadi Mahdipour Hossein-Abad 2
1 Assistant Professor Department of Marine Geology, Faculty of Marine Natural Resources, Khorramshahr Marine Science and Technology University, Khorramshahr, Iran
2 Electrical Engineering Department, Esfarayen University of Technology, Esfarayen, Esfarayen, Iran
چکیده [English]
The process of urban development is like a fuzzy process; Therefore, fuzzy segmentation and urban space monitoring using HR-PRS panchromatic images is one of the best tools in urban management and planning. In this study, panchromatic images of GeoEye-1 sensor related in the urban area of Qeshm has been used for analyzing the application of operation of the methods of fuzzy segmentation and clustering. Thus, for analyzing the operation of algorithms of FWS, MSA, IDF and CFM and using MATLAB software, 6 qualitative criteria has been described in three spatial categories, radiometric and spatial-radiometric. Using these methods and based on fuzzy characteristics, the input images have been fused and then, with application of fuzzy clustering method, and fusion output, which has a fuzzy nature, Thus, this article appears to study the segmentation of urban area. The result of the research confirms the efficiency of the suggested segmentation methods in terms of recognition of phenomena and man-made and spatial effects and exact exploitation of the information of satellite images. The method of FWS discloses the best performance in terms of segmentation of urban areas. Therefore, according to the research results, the use of clustering algorithms and fuzzy features is a suitable and optimal method for integrating HR-PRS satellite image information from urban area with the aim of segmentation.
کلیدواژه‌ها [English]
- Fuzzy Segmentation
- Remote Sensing
- Fuzzy Clustering Algorithm
- HR-PRS Panchromatic Images
- GeoEye-1 Sensor
- Qeshm
حاجی‌زاده وادقانی، بهاره، کریمی، سعید، بالیست، جهانبخش، (1397)، مکان‌یابی توسعه‌ی شهری با منطق فازی و ترکیب خطی‌وزنی و تکنیک تصمیم‌گیری فرایند تحلیل شبکه‌ای مطالعه‌ی موردی: شهرستان کاشان، فصلنامه-ی علمی-پژوهشی اطلاعات جغرافیایی، دوره‌ی 27، شماره‌ی 105، صص 232-219.
طالشی، مصطفی. (1398). سیاست تمرکزگرایی و ناپایداری نظام سکونت‌گاهی در پیرامون کلان‌شهر تهران، فصلنامه‌ی اقتصاد فضا و توسعه‌ی روستایی، سال 8، شماره‌ی 2، پیاپی 28، صص 157-182.
فیروزی، محمدعلی؛ روستایی، شهریور؛ کاملی‌فر، محمدجواد و ملکی، سعید. (1398). تحلیل مؤلفه‌های تبیین کننده‌ی حکمروایی شهری دانش بنیان (مطالعه ای در کلان شهر تبریز)، فصلنامه‌ی پژوهش‌های جغرافیایی برنامه-ریزی شهری، دوره‌ی 3، شماره‌ی 7، صص 471-489.
کرم، امیر و یعقوب‌نژاداصل، نازیلا. (1392)، کاربرد منطق فازی در ارزیابی تناسب زمین برای توسعه‌ی کالبدی شهر، جغرافیا (فصلنامه‌ی علمی- پژوهشی انجمن جغرافیایی ایران)، سال یازدهم، شماره‌ی 36، بهار 1392، صص 249-231.
کرم، امیر، صفاکیش، فیده، کیانی، طیبه، (1395)، کاربرد مدل فازی در برنامه‌ریزی کاربری زمین جهت توسعه-ی شهری با هدف حفاظت از اکوسیستم طبیعی (مطالعه‌ی موردی: منطقه‌ی حفاظت شده‌ی بختگان(،فصلنامه‌ی جغرافیا و برنامه‌ریزی محیطی، سال 27، پیاپی 61، شماره‌ی 1، صص 88-69.
مهدی‌پور، هادی (1394). ناحیه‌بندی مقاوم به نویز چند تصویری در تصاویر ماهواره‌ای پنکروماتیک. رساله‌ی دکتری برق- مخابرات، دانشگاه فردوسی مشهد.
Awad, M., Chehdi, K. and Nasri, A. (2009). Multi-component image segmentation using a hybrid dynamic genetic algorithm and fuzzy C-means, IET Image Processing, vol. 3, pp. 52-62.
Bayram. B., Demir. N., Akpinar. B., Oy. S., Erdem. F., Vögtle. T., Seker. D. Z. (2018). Effect of Different Segmentation Methods Using Optical Satellite Imagery to Estimate Fuzzy Clustering Parameters for SENTINEL-1A SAR Images, International archives of the photogrammetry, remote sensing and spatial information sciences, Vol.XLII-1, pp.39-43
Ben Salah. M, Mitiche. A, and Ben Ayed. I. (2010) Effective level set image segmentation with a kernel induced data term, Image Processing, IEEE Transactions on, vol. 19, pp. 220-232.
Bonafoni, S., Baldinelli, G., & Verducci, P. (2017). Sustainable strategies for smart cities: Analysis of the town development effect on surface urban heat island through remote sensing methodologies. Sustainable Cities and Society, 29, 211–218. doi:10.1016/j.scs.2016.11.005
Carleer, A., Debeir, O, & Wolff, E. (2005). Assessment of very high spatial resolution satellite image segmentations, Photogrammetric Engineering & Remote Sensing, vol. 71, pp. 1285-1294, 2005.
Das, S. and Sil, S. (2010). Kernel-induced fuzzy clustering of image pixels with an improved differential evolution algorithm, Information Sciences, vol. 180, pp. 1237–1256.
Du, S., Du, S., Liu, B., Zhang, X., & Zheng, Z. (2020). Large-scale urban functional zone mapping by integrating remote sensing images and open social data. GIScience & Remote Sensing, 57(3), 411–430. doi:10.1080/15481603.2020.1724707
Fang, W., Liang-shu, W., Jun-jie, H., Gui-ling, L., & Xi-ping, J. (2017). Optimized fuzzy C-means clustering algorithm for the interpretation of the near-infrared spectra of rocks. Spectroscopy Letters, 50(5), 270–274.
Gao, B., & Wang, J. (2015). Multi-Objective Fuzzy Clustering for Synthetic Aperture Radar Imagery. IEEE Geoscience and Remote Sensing Letters, 12(11), 2341–2345.
Ghamisi, P., Ali, A.-R., Couceiro, M. S., & Benediktsson, J. A. (2015). A Novel Evolutionary Swarm Fuzzy Clustering Approach for Hyperspectral Imagery. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(6), 2447–2456.
Grinias, I., Panagiotakis, C., & Tziritas, G. (2016). MRF-based segmentation and unsupervised classification for building and road detection in peri-urban areas of high-resolution satellite images. ISPRS Journal of Photogrammetry and Remote Sensing, 122, 145–166.
Hasanzadeh, M., and Kasaei, S. (2010). A Multispectral Image Segmentation Method Using Size-Weighted Fuzzy Clustering and Membership Connectedness. IEEE Geoscience and Remote Sensing Letters, 7(3), 520–524.
Hu, Y., & Zhang, Y. (2020). Spatial–temporal dynamics and driving factor analysis of urban ecological land in Zhuhai city, China. Scientific Reports, 10(1). doi:10.1038/s41598-020-73167-0
Karantzalos. K., and Argialas. D. (2006). Improving edge detection and watershed segmentation with anisotropic diffusion and morphological levellings, International Journal of Remote Sensing, vol. 27, pp. 5427-5434.
Mahata, K., Das, R., Das, S., & Sarkar, A. (2020). Land Use Land Cover map segmentation using Remote Sensing: A Case study of Ajoy river watershed, India. Journal of Intelligent Systems, 30(1), 273–286. doi:10.1515/jisys-2019-0155
Mahmoudi. F. T; Samadzadegan. F. and Reinartz. P. (2015). Object recognition based on the context aware decision-level fusion in multi views imagery," Selected Topics in Applied Earth Observations and Remote Sensing, IEEE Journal of, vol. 8, pp. 12-22.
Ming. D., Ci. T., Cai. H., Li. L., Qiao. C., and Du. J. (2012). Semivariogram-based spatial bandwidth selection for remote sensing image segmentation with mean-shift algorithm," Geoscience and Remote Sensing Letters, IEEE, vol. 9, pp. 813-817.
Mitra, S. and Kundu, P. P. 2011. Satellite image segmentation with Shadowed C-Means, Information Sciences, vol. 181, pp. 3601–3613.
Naeini A.A., Niazmardi S., Namin S.R., Samadzadegan F., Homayouni S. (2013) A Comparison Study Between Two Hyperspectral Clustering Methods: KFCM and PSO-FCM, Computational Intelligence and Decision Making, vol 61, pp. 23-33.
Pan, J. (2015). Area Delineation and Spatial-Temporal Dynamics of Urban Heat Island in Lanzhou City, China Using Remote Sensing Imagery. Journal of the Indian Society of Remote Sensing, 44(1), 111–127. doi:10.1007/s12524-015-0477-x
Sansone, M., Zeni, O., & Esposito, G. (2012). Automated segmentation of comet assay images using Gaussian filtering and fuzzy clustering. Medical & Biological Engineering & Computing, 50(5), 523–532.
Wan, Y., Zhong, Y., & Ma, A. (2019). Fully Automatic Spectral–Spatial Fuzzy Clustering Using an Adaptive Multiobjective Memetic Algorithm for Multispectral Imagery. IEEE Transactions on Geoscience and Remote Sensing, 57(4), 2324–2340.
Wilkes, P., Disney, M., Vicari, M. B., Calders, K., & Burt, A. (2018). Estimating urban above ground biomass with multi-scale LiDAR. Carbon Balance and Management, 13(1). doi:10.1186/s13021-018-0098-0
Xu, Y., Chen, R., Li, Y., Zhang, P., Yang, J., Zhao, X., Wu, D. (2019). Multispectral Image Segmentation Based on a Fuzzy Clustering Algorithm Combined with Tsallis Entropy and a Gaussian Mixture Model. Remote Sensing, 11(23), 2772.
Yu, H., Xu, L., Feng, D., & He, X. (2015). Independent feature subspace iterative optimization based fuzzy clustering for synthetic aperture radar image segmentation. Journal of Applied Remote Sensing, 9(1), 095060.
Yu. X, He. H, Hu. D, and Zhou. W. (2014). Land cover classification of remote sensing imagery based on interval-valued data fuzzy c-means algorithm, Science China Earth Sciences, vol. 57, pp. 1306-1313.
Zeinali, B., & Asghari, S. (2016). Mapping and monitoring of dust storms in Iran by fuzzy clustering and remote sensing techniques. Arabian Journal of Geosciences, 9(9).
Zhang, Y., Jiang, P., Zhang, H., & Cheng, P. (2018). Study on Urban Heat Island Intensity Level Identification Based on an Improved Restricted Boltzmann Machine. International Journal of Environmental Research and Public Health, 15(2), 186. doi:10.3390/ijerph15020186
Zheng, Z.; Cao, J.; Lv, Z.; Benediktsson, J.A. (2019). Spatial–Spectral Feature Fusion Coupled with Multi-Scale Segmentation Voting Decision for Detecting Land Cover Change with VHR Remote Sensing Images. Remote Sensing, Vol.11(16), 2-22.
)