این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مرتع، جلد ۱۶، شماره ۴، صفحات ۷۱۹-۷۳۰
عنوان فارسی ارزیابی قابلیت خوارزمیک‌های مختلف و تفسیر بصری تصاویر گوگل ارث در تفکیک و طبقه‌بندی واحدهای اکولوژیک گیاهی
چکیده فارسی مقاله سابقه و هدف: تصاویر ماهواره­ای و فناوری سنجش از دور از ابزارهای کارآمد و نوین جهت استخراج اطلاعات مربوط به علوم زمین شناخته می­شوند که ارزیابی و پایش اکوسیستم­ها را با هزینه­ای کمتر از روش­های میدانی ممکن می­سازند. یکی از مهم­ترین روش­های استخراج اطلاعات از داده­های ماهواره­ای، تکنیک­های مختلف طبقه­بندی تصاویر است. پژوهش حاضر به منظور ارزیابی قابلیت خوارزمیک­های طبقه­بندی درختی و درخت تصمیم­گیری بر روی تصاویر ماهواره­ای سنتینل 2 و همچنین تفسیر بصری تصاویر گوگل ارث جهت تفکیک و طبقه­بندی واحدهای اکولوژیک گیاهی در یکی از مراتع نیمه­استپی استان چهارمحال و بختیاری صورت گرفته است. مواد و روش­ها: جهت تفکیک واحدهای اکولوژیک گیاهی (واحدهای همگن پوشش گیاهی) ابتدا از روش تفسیر بصری استفاده شد که شامل تعیین پلی­گون­ها بر روی تصویر و سپس تعریف مناطق همگن با خصوصیات مشابه بود تا نوع تیپ غالب و پوشش سطحی زمین تشخیص داده شود. سپس ویژگی هر پلی­گون بر اساس گونه­های غالب و نوع آشفتگی­ها تفسیر و یک طبقه­بندی کلی انجام گرفت. بعد از تفکیک واحدهای اکولوژیک گیاهی و جداسازی مرز تقریبی واحدها، نمونه­برداری از پوشش گیاهی مطابق با زمان اوج حداکثر رشد گونه­های گیاهی انجام شد. پس از تعیین پوشش گیاهی و تولید آن، میانگین درصد پوشش­های گیاهی برآورد شده در محدوده هر واحد اکولوژیک محاسبه شد. برای این منظور، ابتدا گونه غالب گیاهی هر واحد مشخص و سپس گونه‌های همراه آن مشروط به داشتن 50 درصد و یا بیشتر پوشش گونه ماقبل آن تعیین شد. در نهایت واحدهای اکولوژیک گیاهی تشخیص داده شده حاصل بر اساس گونه غالب و به روش فیزیونومیک و فلورستیک، نام­گذاری و به‌صورت آمار توصیفی بیان شد. در این مطالعه علاوه بر روش تفسیر بصری، از خوارزمیک­های طبقه­بندی درختی و درخت تصمیم­گیری نیز جهت تولید نقشه پوشش گیاهی استفاده شد. بدین منظور تصاویر چندطیفی سنجنده MSI سنتینل 2 به­عنوان منبع اصلی پردازش مورد استفاده قرار گرفت. در مرحله بعد نمونه­های کنترل زمینی به­عنوان الگوی مشخصات طیفی طبقات، از هر گروه از واحدهای اکولوژیک گیاهی در طی عملیات میدانی و به­صورت تصادفی برداشت شدند. سپس تفکیک نمونه­ها به مجموعه داده­های آموزشی و آزمایشی انجام گرفت، بدین صورت که قسمتی برای طبقه­بندی (یک­سوم نمونه­ها) و بخشی دیگر جهت برآورد صحت نتایج حاصل از خوارزمیک­های طبقه­بندی ذکر شده (دوسوم نمونه­ها) تقسیم شدند. به منظور استخراج هرچه بهتر اطلاعات، لایه‌های کمکی همچون مدل رقومی ارتفاع، تحلیل مؤلفه­های اصلی و شاخص­های گیاهی نظیر NDVI به همراه داده­های طیفی در فرآیند طبقه­بندی مورد استفاده قرار گرفتند. سپس نسبت به طبقه­بندی خوارزمیک­ها در نرم­افزار Idrisi TerrSet اقدام شد. بدین ترتیب نقشه­های واحدهای اکولوژیک گیاهی مربوط به منطقه مورد مطالعه به­دست آمد. جهت ارزیابی صحت نتایج طبقه­بندی، نقشه­های حاصل با نقاط واقعیت زمینی ثبت شده مورد بررسی قرار گرفت. سپس ماتریس خطای مربوط به هر روش توسط نرم­افزار تولید و در نهایت ارزیابی و مقایسه آماره­های استخراج شده انجام شد. نتایج: نتایج حاصل از تفسیر بصری نشان داد در نهایت 7 نوع واحد اکولوژیک گیاهی که از نظر ویژگی­های ساختاری متفاوت بودند شناسایی شدند که شامل Astragalus verus، Bromus tomentellus، Scariola orientalis، Astragalus verus-Bromus tomentellus، Astragalus verus-Stipa hohenikeriana، Bromus tomentellus-Stipa hohenikeriana و Stipa hohenikeriana می­باشد. نتایج به­دست آمده از خوارزمیک طبقه­بندی درختی نشان داد که واحد اکولوژیک Astragalus verus-Stipa hohenikeriana با 99/0 درصد و واحد اکولوژیک Bromus tomentellus با 90/0 درصد به ترتیب بالاترین و پایین­ترین دقت تولید کننده را دارا هستند. در حالی­که بالاترین دقت استفاده کننده (دقت کاربر) مربوط به واحد اکولوژیک Astragalus verus با 99/0 درصد و پایین­ترین مقدار آن متعلق به واحد اکولوژیک Stipa hohenikeriana با 85/0 درصد است. از طرفی نتایج حاصل از خوارزمیک درخت تصمیم­گیری بیانگر دقت تولید کننده و دقت کاربر بالای 95/0 درصد در تمامی واحدهای اکولوژیک گیاهی می­باشد. به­طوری­که واحد اکولوژیک Astragalus verus و Astragalus verus-Stipa hohenikeriana با 100 درصد و واحد اکولوژیک Bromus tomentellus با 95/0 درصد به ترتیب بیشترین و کمترین دقت تولید کننده را دارا می­باشند. در حالی­که بیشترین دقت کاربر مربوط به واحد اکولوژیک Astragalus verus-Bromus tomentellus با 100 درصد و کمترین مقدار آن متعلق به واحد اکولوژیک Bromus tomentellus-Stipa hohenikeriana با 97/0 درصد است. نتایج همچنین حاکی از آن است که دقت کلی و ضریب کاپا برای خوارزمیک طبقه­بندی درختی به ترتیب برابر 94/0 درصد و 92/0 و برای خوارزمیک درخت تصمیم­گیری برابر 99/0 درصد و 97/0 می­باشد. نتیجه­گیری: با توجه به نتایج به­دست آمده می­توان بیان نمود که خوارزمیک درخت تصمیم­گیری از قابلیت بالاتری در به­کارگیری اطلاعات طیفی جهت کلاسه­بندی واحدهای اکولوژیک گیاهی در مقایسه با خوارزمیک طبقه­بندی درختی برخوردار بوده و منجر به نتایج دقیق­تری شد. همچنین ادغام باندهای کمکی به‌دست آمده از تصاویر اصلی به­همراه باندهای خام، می­تواند باارزش­ترین اطلاعات را برای تشخیص واحدهای اکولوژیک گیاهی فراهم آورد. نتایج تحقیق حاضر همچنین حاکی از آن است که در صورت در دسترس نبودن تصاویر چندطیفی ماهواره­های با قدرت تفکیک مناسب، استفاده از تصاویر گوگل ارث با توجه به سهولت دسترسی و رایگان بودن آن­ها در تهیه نقشه­های موضوعی مانند پوشش زمین بسیار مناسب و مقرون به صرفه است و نقشه تولید شده از آن می­تواند به­عنوان یک واقعیت زمینی مورد استفاده قرار گیرد.
کلیدواژه‌های فارسی مقاله سنتینل 2، طبقه‌بندی درختی، درخت تصمیم‌گیری، داده‌های کمکی
عنوان انگلیسی Evaluation of the ability of different algorithms and visual interpretation of Google Earth images in the separation and classification of plant ecological units
چکیده انگلیسی مقاله Background and objectives: Satellite images and remote sensing technology are recognized as efficient and modern tools for extracting information related to earth sciences, which make it possible to evaluate and monitor ecosystems at a lower cost than field methods. One of the most important methods of extracting information from satellite data is various image classification techniques. The present study was conducted in order to evaluate the capability of Classification Tree Analysis and Decision Forest algorithms on Sentinel 2 satellite images as well as a visual interpretation of Google Earth images to separate and classify plant ecological units in one of the semi-steppe rangelands of Chaharmahal and Bakhtiari province. Methodology: In order to distinguish plant ecological units (homogeneous units of vegetation), the visual interpretation method was first used, which included determining polygons on the image and then defining homogeneous areas with similar characteristics in order to identify the dominant type and surface cover of the land. Then, the characteristics of each polygon were interpreted based on the dominant species and the type of disturbances and a general classification was done. After separating the plant ecological units and separating the approximate boundaries of the units, vegetation sampling was done according to the peak growth time of the plant species. After determining the vegetation cover and its production, the average percentage of the estimated vegetation cover in each ecological unit was calculated. For this purpose, first, the dominant plant species of each specific unit and then its accompanying species were determined on the condition of having 50% or more coverage of the previous species. Finally, the identified plant ecological units were named based on the dominant species and by physiognomic and floristic methods and expressed in the form of descriptive statistics. In this study, in addition to the visual interpretation method, Classification Tree Analysis and Decision Forest algorithms were also used to generate a vegetation map. For this purpose, multispectral images of the MSI Sentinel 2 sensor were used as the main processing source. In the next stage, ground control samples were taken randomly from each group of plant ecological units as a model for the spectral characteristics of the classes. Then, the samples were separated into training and experimental datasets, in such a way that a part was divided for classification (one-third of the samples) and another part was divided to estimate the accuracy of the results of the mentioned classification algorithms (two-thirds of the samples). In order to extract information as best as possible, auxiliary layers such as digital elevation model, principal component analysis, and plant indices such as NDVI along with spectral data were used in the classification process. Then the algorithms were classified in Idrisi TerrSet software. In this way, maps of plant ecological units related to the studied area were obtained. In order to evaluate the accuracy of the classification results, the resulting maps were checked with the registered ground reality points. Then, the error matrix related to each method was generated by the software, and finally, the extracted statistics were evaluated and compared. Results: The results of visual interpretation showed that finally 7 types of plant ecological units were identified that were different in terms of structural features, including Astragalus verus, Bromus tomentellus, Scariola orientalis, Astragalus verus-Bromus tomentellus, Astragalus verus-Stipa hohenikeriana, Bromus tomentellus- Stipa hohenikeriana and Stipa hohenikeriana. The results obtained from the Classification Tree Analysis algorithm showed that the ecological unit Astragalus verus-Stipa hohenikeriana with %0.99 and the ecological unit Bromus tomentellus with %0.90 have the highest and lowest producer accuracy, respectively. While the highest user accuracy is related to the ecological unit Astragalus verus with %0.99 and the lowest value belongs to the ecological unit Stipa hohenikeriana with %0.85. On the other hand, the results of the Decision Forest algorithm indicate producer accuracy and user accuracy above %0.95 in all plant ecological units. So that the ecological unit Astragalus verus and Astragalus verus-Stipa hohenikeriana with %100 and the ecological unit Bromus tomentellus with %0.95 have the highest and lowest producer accuracy, respectively. While the highest user accuracy is related to the ecological unit Astragalus verus-Bromus tomentellus with %100 and the lowest value belongs to the ecological unit Bromus tomentellus-Stipa hohenikeriana with %0.97. The results also show that the overall accuracy and kappa coefficient for the Classification Tree Analysis algorithm is %0.94 and 0.92, respectively, and for the Decision Forest algorithm is %0.99 and 0.97. Conclusion: According to the obtained results, it can be stated that the Decision Forest algorithm has a higher capability in using spectral information for the classification of plant ecological units in comparison with the Classification Tree Analysis algorithm and led to more accurate results. Also, the integration of the auxiliary bands obtained from the original images along with the raw bands can provide the most valuable information for the identification of plant ecological units. The results of the present research also indicate that if multispectral satellite images with appropriate resolution are not available, using Google Earth images due to their ease of access and their free availability is very suitable and affordable for the preparation of thematic maps such as land cover. It is economical and the map produced from it can be used as a ground reality.
کلیدواژه‌های انگلیسی مقاله Sentinel 2, Classification Tree Analysis Algorithm, Decision Forest Algorithm, auxiliary data
نویسندگان مقاله سمانه سادات محزونی کچپی | Samaneh Sadat Mahzooni-Kachapi
Faculty of Natural Resources and Earth Science, Shahrekord University
دانشکده منابع طبیعی و علوم زمین، دانشگاه شهرکرد

پژمان طهماسبی | Pejman Tahmasebi
Faculty of Natural Resources and Earth Science, Shahrekord University
دانشکده منابع طبیعی و علوم زمین، دانشگاه شهرکرد

عطاالله ابراهیمی | Ataollah Ebrahimi
Faculty of Natural Resources and Earth Science, Shahrekord University
دانشکده منابع طبیعی و علوم زمین، دانشگاه شهرکرد

محمدحسن جوری | Mohammad Hassan Jouri
Islamic Azad University, Noor Branch
دانشگاه آزاد اسلامی واحد نور

نشانی اینترنتی http://rangelandsrm.ir/browse.php?a_code=A-10-1393-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده تخصصی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات