کاربرد پردازش شی گرا تصاویر ماهوارهای در طبقهبندی خودکار اشکال ناهمواریها مطالعه موردی : حوضه آبریز شرق دریاچه ارومیه
نام نخستين پديدآور
/سیدمحمد حسنی تبار
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
: جغرافیا و برنامهریزی
تاریخ نشرو بخش و غیره
، ۹۴
نام توليد کننده
، صفدری
یادداشتهای مربوط به نشر، بخش و غیره
متن يادداشت
چاپی
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
کارشناسی ارشد
نظم درجات
سنجش از دور و سیستماطلاعات جغرافیایی گرایش مطالعات آب و خاک
زمان اعطا مدرک
۱۳۹۴/۰۶/۱۴
کسي که مدرک را اعطا کرده
تبریز
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
از آنجایی که هر واحد ژئومورفولوژی در یک منطقة مطالعاتی، محدودهصای نسبتا همگن با بسیاری خصوصیات فیزیومتریک یکسان است، بنابراین برنامهصریزیصها و اقدامات توسعهصای یکسانی را ایجاب میصکند .به همین دلیل شناسایی و طبقهصبندی این واحدهای همگن اهمیت و کاربرد فراوانی در مطالعات حوزة علوم منابع طبیعی دارد .در این تحقیق، ما به بررسی توانمندی پردازشص شیءگرا در شناسایی و طبقه-بندی اشکال ناهمواریصهای حوضه آبریز شرق دریاچه ارومیه پرداختیم .در این روش، با تاکید بر خصوصیات ژئومتریک لندفرمصها، از مدل رقومی ارتفاع استفاده شده است .بطوریکه با استفاده از پارامترهای آماری میانگین و انحرافصمعیار شیءهای تصویری ایجاد شده، به تفکیک و طبقهصبندی اشکال ناهمواریصها در سطوح سهصگانه پرداختیم .جهت اینصکار پس بهینهصسازی مقیاس در فرآیند سگمنتصسازی، مقیاسصهای مناسب جهت ایجاد سگمنتصها در سطوح مورد نظر، محاسبه شده و شیءهای تصویری حاصل شدند .سپس در سطح اول، پس از تعیین آستانه ارتفاعی در منطقه(۱۴۴۰متر(، منطقه مورد مطالعه در دو کلاس اراضی مرتفع و اراضی کمصارتفاع، طبقهصبندی شد .در سطح دوم با هدف تفکیک دو کلاس قبلی به واحدهای کوچکتر، پارامترهای میانگین و انحرافصمعیار برای شیءهای تصویری ایجاد شده، محاسبه و با در نظر گرفتن آستانهصی آماری انحرافصمعیار، کلاس اراضی مرتفع به دو کلاس کوهستان)انحراف-معیار<میانگین انحرافصمعیار (و فلات)انحرافصمعیار>میانگین انحرافصمعیار(، و همچنین کلاس اراضی کم-ارتفاع به دو کلاس، تپهصهای کمصارتفاع و دشت مسطح، تفکیک شدند .در سطح سوم، جهت تفکیک کلاس کوهستان به دو کلاس کوهستان مرتفع و کوهستان کمصارتفاع، از میانگین ارتفاعی شیءهای تصویری این کلاس استفاده شده است .کلاس فلات نیز با استفاده از پارامتر انحرافصمعیار به دو کلاس فلات) انحراف-معیار > میانگین انحرافصمعیار(و تپهصهای مرتفع) انحرافصمعیار<میانگین انحرافصمعیار( ، تفکیک شد .تحلیل خودصهمبستگی فضایی موران، بیانگر تفکیکصپذیری نسبتا بالا در بین کلاسصهای سطح سوم است .بطوری-که در همه کلاسصها، مقادیر مثبت برای این شاخص، ثبت شده است .بررسی مقادیر این شاخص نشان میصدهد که کلاسصهای کوهستان مرافع، دشت مرتفع و دشت مسطح، بهصترتیب دارای بیشترین تفکیک-پذیری هستند .نتایج این تحقیق نشان میصدهد که استفاده از پردازشصهای مبتنی بر شیء) شیءگرا(، با تاکید بر خصوصیات ژئومتریک پدیدهصهای سطح زمین، میصتواند در تهیه نقشه ناهمواریصها در مقیاس منطقهصای و ناحیهصای، بسیار کارآمد و موثر باشد
متن يادداشت
is Relatively homogenous area with most physio-metric same characteristics, So it requires the same planning and development measures. Therefore, the importance of many, in the studies of natural resources, identify and classify the homogeneous units. In this study, we investigated object-oriented processing capabilities in the identification and classification of landforms in the basin of East Urmia Lake . In this method, the use of digital elevation model with an emphasis on geometric characteristics of landforms. So that, using the statistical parameters mean and standard deviation objects, separation and classification of landforms have three levels. To do this, after optimization of the scale, calculated the appropriate scale, to produce segments at desired levels and produced image objects. In the first level, after determining the elevation threshold in the area (1440 meter), The study area is classified into two classes of high lands and low land. At the second level, with the aim of separating the two previous class into smaller units, calculated mean and standard deviation for image objects created. Then, taking into account the statistical threshold standard deviation, High land class was separated into two classes mountains (SD> mean of standard deviation)and plateaus(SD < mean of standard deviation) and low land class into two classes, low hills and flat plains. In the third level, for the separate Mountain to Mountain high and Mountain low classes, used of the mean elevation of this class. Also, Plateau separated into two classes, Plateau (SD < Mean Standard Deviation) and high hills (SD> Mean Standard Deviation) using standard deviation parameter. Moran spatial autocorrelation analysis, Represents a relatively high separability of the third level classes. So that in all classes, recorded positive values for this indicator. Values of this index shows the highest separability, in the class of high mountains, high plains and flat plains. The results show that, have high ability in mapping of reliefs in the regional and zonal scale, the use of object-based processing (object-oriented), with an emphasis on geometric properties of the surface phenomena ،Since each unit geomorphological in a studies location
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )