پهنه‌بندی پوشش گیاهی شهرستان صومعه‌سرا با استفاده از سری زمانی تصاویر ماهواره‌ای

تهیه نقشه‌های پهنه‌بندی در مناطق دارای پوشش‌های مشابه از نظر طیفی، به‌عنوان یک چالش در حوزه سنجش از دور شناخته می‌شود. هدف از پژوهش پیش‌رو، افزایش صحت طبقه‌بندی پوشش گیاهی با تمرکز بر شناسایی صنوبرکاری‌های‌ شهرستان صومعه‌سرا در استان گیلان بود. اطلاعات مستخرج از تصاویر ماهواره‌ای به‌همراه نمونه‌های زمینی در روش طبقه‌بندی جنگل تصادفی برای پهنه‌بندی باغ‌های صنوبرکاری‌شده استفاده شد. این اطلاعات از تلفیق باندها و شاخص‌های طیفی تصاویر نوری ماهواره سنتینل 2 و باندهای راداری ماهواره سنتینل 1 به‌صورت سری زمانی و مدل رقومی ارتفاعی  که توسط ماهواره alospalsar تهیه شده است، به‌دست آمد. پس از تجزیه‌وتحلیل‌های سری زمانی، بهترین تصاویر از نظر قدرت تفکیک مناطق صنوبرکاری‌ از مناطق دیگر برای ورود به الگوریتم طبقه‌بندی انتخاب شدند. نتایج نشان داد که تصاویر نوری نسبت‌به راداری توانایی بهتری برای پهنه‌بندی داشتند. همچنین، استفاده از سری زمانی به‌جای تک‌تصویر و استفاده از شاخص‌ها به‌طور میانگین تا سه درصد صحت کلی طبقه‌بندی را افزایش داد. به‌طور کلی، تصاویر نوری و راداری ماهواره‌های سنتینل 1 و سنتینل 2 و ایلوس با استفاده از روش ارائه‌شده از قابلیت زیادی در طبقه‌بندی درختان صنوبر در مناطق وسیع دارند. مساحت این مناطق در شهرستان صومعه‌سرا 7778 هکتار برآورد شد.

land cover mapping of the sowmeh sara city using time series of satellite imagery

the remote sensing field faces a significant challenge in preparing land use maps in regions with similar spectral coverages. this research aimed to enhance crop classification accuracy by prioritizing poplar in guilan province’s soomesara county. to classify poplar plantations, the researchers used data extracted from satellite imagery and field samples employing a random forest classification method. they utilized sentinel-2 optical images, sentinel-1 radar polarization data, and the alospalsar digital elevation model produced in a time series to obtain this information. the team selected optimal images with high separability power for distinguishing poplar farms from other classes after analyzing the time series. results demonstrated that optical images had better capabilities for land use classification than radar images. additionally, implementing time series data instead of single images and using indices increased overall classification accuracy up to three percent. in conclusion, the researchers found that the proposed method utilizing sentinel-1, sentinel-2, and alos optical and radar satellite images has a high potential for poplar mapping in large areas. the estimated area of these regions in soomesara county was 7,778 hectares.