بهینه‌سازی روش‌های طبقه‌بندی داده‌های سنتینل 1 و 2 با ترکیب شاخص‌های طیفی (مطالعه موردی: تالاب انزلی)

سابقه و هدف: محدودیت‌های تکنیکی در طبقه‌بندی محیط‌های تالابی که دارای ناهمگونی زیادی ازنظر پوشش، کاربری و تنوع گونه‌های گیاهی هستند باعث تداخل در نتایج طبقه‌بندی و عدم دقت و صحت بالا در تفکیک کلاس‌های طبقه‌بندی پوشش‌های مختلف گیاهی می‌شود که متاسفانه بر روی تالاب انزلی کارهای بسیار اندکی انجام‌شده است. هدف اصلی این مطالعه بررسی ترکیب داده‌های چند طیفی و راداری در بهبود روش‌های طبقه‌بندی محیط‌های تالابی و ارائه روشی جهت تفکیک هرچه بهتر پوشش‌های مختلف‌ گیاهی در این محیط‌های غنی با تنوع زیستی بالا است. در این روش جهت بررسی بهتر تغییرات شاخص طیفی در طول یک سال از سامانه متن‌باز گوگل ارث انجین استفاده‌شده تا رفتار طیفی پدیده‌ها در طول سال به‌طور دقیق موردمطالعه قرار گیرد.مواد و روش‌ها: در این مطالعه از ترکیب داده‌های سنتیل 1 و2 به همراه ترکیب داده‌های سنتینل 2 و شاخص‌های طیفی ndvi، savi و mndwi استفاده‌ شده است. بهترین تصویر هر فصل (تابستان، پاییز، زمستان و بهار) از سال 2016 تا 2022 به‌منظور تهیه نقشه طبقه‌بندی و بررسی دقیق‌تر تغییرات موجود در تالاب، استفاده شد. به‌منظور طبقه‌بندی تصویر، نمونه‌های آموزشی بر اساس نمونه‌برداری‌های میدانی، ترکیب تصاویر ماهواره‌ای و تصاویر گوگل ارث انتخاب شدند. درنهایت برای طبقه‌بندی از سه الگوریتم نظارت‌شده ماشین بردار پشتیبان، شبکه عصبی و حداکثر احتمال استفاده شدند. همچنین نقشه شاخص‌ها در سامانه گوگل ارث انجین تهیه و محاسبه شاخص‌ها با استفاده از پروداکت‌های آماده موجود در این سامانه صورت گرفت و به‌صورت ماهانه به مدت یک سال مورد بررسی گردید. برای اطمینان از طبقه‌بندی و ارزیابی دقت طبقه‌بندی از معمول‌ترین پارامترهای برآورد صحت، صحت کلی، دقت تولیدکننده، دقت کاربر و ضریب کاپا استفاده شد.نتایج و بحث: نتایج نشان داد که ترکیب داده‌های سنتینل 1 و 2 نتایج بهتری را نسبت به ترکیب داده‌های سنتینل 2 و شاخص‌های طیفی دارد، به‌طوری‌که در چهار دوره بررسی ضریب کاپا به ترتیب 0.91، 0.84، 0.79، 0.97 و دقت کلی 92.99، 87.43، 83.80، 97.90 (در سال‌های 2016، 2017، ژانویه 2022 و جولای 2022) در ترکیب داده‌های سنتینل 1 و 2 به‌مراتب بیشتر از ترکیب داده‌های سنتینل 2 با شاخص‌های طیفی است. همچنین ترکیب داده‌های سنتینل 1و 2 باعث آشکارسازی هرچه بهتر پهنه‌های آبی و همچنین رویشگاه‌های لاله تالابی می‌شود. هر سه شاخص ndvi، savi و mndwi همبستگی بالایی در بررسی تغییرات در سال‌های مطالعه دارند، طوری که در شش ماه اول سال روند افزایشی و در شش ماه دوم روندی کاهشی مشاهده شد و روند تغییرات گیاهی و آبی یکسان است.نتیجه‌گیری: پیچیدگی‌های متعددی در ساختار فضایی تالاب‌ها رخ می‌دهد که شناسایی نوع پوشش زمین و تهدیدهای موجود را چالش‌برانگیز می‌کند. این مطالعه استفاده از داده‌های چند زمانی sentinel-1 و -2 را برای بررسی خصوصیات جامع تالاب ارائه می‌نماید. بررسی صحت‌ طبقه‌بندی در چهار دوره مطالعه در بازه زمانی سال‌های 2016 تا 2022 در استفاده از سه الگوریتم طبقه‌بندی ماشین بردار پشتیبان، حداکثر احتمال و شبکه عصبی نشان داد که ترکیب داده‌های سنتینل 2 و سنتینل 1 از دقت کلی و ضریب کاپا بالاتری نسبت به ترکیب داده‌های سنتینل 2 با شاخص‌های طیفی از برخوردار است. در بین 3 الگوریتم استفاده‌شده در تمامی سال‌ها الگوریتم حداکثر احتمال بیشترین میزان دقت کلی و ضریب کاپا را به نسبت به دو الگوریتم دیگر دارد.

integrating sentinel 1 and 2 satellite data with spectral indices to improve classification methods (anzali wetland)

introduction: technical limitations in classifying heterogeneous wetland environments, characterized by diverse vegetation cover, land use, and species diversity, often lead to interference in classification results and reduced accuracy in differentiating vegetation classes within wetland ecosystems. there is limited research available to improve classification methods in wetland environments. the main objective of this study is to investigate the combination of multi-spectral and radar data in improving the classification methods of wetland environments and to provide a method for fine separation of different plant covers in these biodiversity environments. in order to better examine the changes of the spectral index during a year, the open-source system of google earth engine is used so that the spectral behavior of the phenomena during the year can be accurately studied.material and methods: in this study, a combination of sentinel-1 and sentinel-2 data was used as the first data series, and a combination of sentinel-2 data with spectral indices such as ndvi, savi, and mndwi was used as the second data series. the best image for each season (summer, autumn, winter, and spring) from 2016 to 2022 was selected to create classification maps and examine detailed changes in the wetland. for image classification, training areas were selected based on field sampling, combining satellite imagery and google earth images. classification was performed using three supervised algorithms: support vector machine, artificial neural network, and maximum likelihood. also, the index map was prepared in the google earth engine system and the indices were calculated using the ready-made products available in this system and were reviewed monthly for one year. to ensure the classification and to evaluate the classification accuracy, the most common accuracy estimation parameters, overall accuracy, producer accuracy, user accuracy and kappa coefficient were used.results and discussion: the results indicated that the combination of sentinel-1 and sentinel-2 data yielded better results compared to the combination of sentinel-2 data with spectral indices. the overall accuracy and kappa coefficient for the four periods were 92.99%, 87.43%, 83.80%, and 97.90% (in 2016, 2017, january 2022, and july 2022, respectively) when using the combination of sentinel-1 and sentinel-2 data, which were significantly higher than the results obtained with the combination of sentinel-2 data and spectral indices. furthermore, the combination of sentinel-1 and sentinel-2 data resulted in better detection of water bodies and lotus habitats within the wetland. ndvi, savi and mndwi have a high correlation in examining the changes, so that an increasing trend was observed in the first six months of the year and a decreasing trend in the second six months, and the trend of vegetation and water changes is the same.conclusion: due to the complexity of wetland spatial structures and existing threats, identifying land cover types is challenging. this study demonstrates the use of multi-temporal sentinel-1 and sentinel-2 data to comprehensively assess wetland characteristics. the accuracy assessment for the four study periods from 2016 to 2022 using three classification algorithms, support vector machine, maximum likelihood, and artificial neural network, showed that the combination of sentinel-2 and sentinel-1 data outperformed the combination of sentinel-2 data with spectral indices in terms of overall accuracy and kappa coefficient. among the three algorithms used, the maximum likelihood algorithm consistently achieved the highest overall accuracy and kappa coefficient compared to the other two algorithms.