استفاده از شاخص شناسایی مانگرو در تهیه نقشه جنگل‌های مانگرو با استفاده از تصاویر ماهواره سنتینل-2 در سامانه google earth engine

پیشرفت در سنجش از دور امکان نقشه برداری سریع مانگرو را با نیاز کمتر به کارهای فشرده زمینی، پردازش های پیچیده و سنگین و تکنیک های طبقه بندی وابسته به مهارت فراهم می کند. در این پژوهش، با استفاده از تصاویر ماهواره سنتینل-2 به تهیه نقشه جنگل های مانگرو استان هرمزگان در سه زیست بوم قشم، خمیر و سیریک در سامانه google earth engine (gee)  پرداخته شد. بدین منظور تمام مراحل تهیه نقشه این جنگل ها، در gee انجام شد. به این منظور از تصاویر تصحیح شده level-2a استفاده شد. سپس به منظور کاهش خطا، پیکسل های ابری با تابع masks2clouds از تصاویر حذف شدند. همچنین از شاخص جدید شناسایی جنگل های مانگرو (mmri) و شاخص های طیفی مرسوم برای بارزسازی تمایز طیفی پوشش مانگرو از اطراف استفاده شد. برای طبقه بندی تصویر مناطق مورد مطالعه از سه کلاس برای پوشش زمین شامل: مانگرو و غیر مانگرو (خشکی) و دریا (آب) استفاده شد. طبقه بندی براساس الگوریتم جنگل تصادفی انجام شد و ارزیابی صحت در نرم افزار r بر اساس روش اعتبارسنجی k-fold مورد بررسی قرار گرفت. نتایج طبقه بندی در سایت قشم با صحت کلی و کاپای %98 و 0/73 در بین سه زیست بوم بالاترین صحت را داشت. در سایت خمیر و سیریک صحت کلی به ترتیب برابر 97 % و مقدار کاپای 0/71 و 0/70 بود. شاخص mmri مهم ترین متغیر در طبقه بندی در قشم و خمیر بود درحالی‌که در سیریک شاخص savi مهم ترین شاخص طیفی در تهیه نقشه پوشش مانگرو بود. صحت کلی بالای 95 % در هر سه سایت نشان می دهد ترکیب داده های سنتینل-2 با استفاده از شاخص های مناسب در gee رهیافت موثری برای تولید نقشه‌ جنگل های مانگرو است.

application of mangrove recognition index for mapping mangrove forests using sentinel-2 satellite images in google earth engine

advances in remote sensing enable fast mangrove mapping the less need for intensive fieldwork, complex and heavy processing, and skill-based classification techniques. in this research, mangrove forest mapping was performed using sentinel-2 satellite images in google earth engine (gee) in hormozgan province in three ecosystems of qeshm, khamir, and sirik. for this purpose, all steps of mapping these forests, including pre-processing and classification were performed in the gee. the modular mangrove recognition index (mmri) and classic spectral indices were also used to highlight the spectral differentiation of mangrove cover from the surroundings. to classify the image of the study area, three land cover classes were used: mangrove, non-mangrove, and sea (water). the classification was performed based on the random forest algorithm and accuracy assessment was evaluated in r software based on the k-fold validation method. the qeshm site was demonstrated the highest accuracy among the three ecosystems with an overall accuracy of 98% and a kappa of 0.73. khamir and sirik sites were shown an overall accuracy of 97% and a kappa value of 0.71 and 0.70, respectively. the mmri index was the most important variable in the rf classification in qeshm and khamir, while in sirik, the savi index was the most important spectral index in mangrove map providing. the overall accuracy of over 95% at all three sites indicates that combining sentinel-2 data using appropriate indices in the gee is an effective approach to mangrove forest mapping