ارزیابی قابلیت داده های ماهواره های لندست8 و سنتینل2 برای تهیة نقشة تیپ جنگل های هیرکانی در حوضة آبخیز کجور

سابقه و هدف: آگاهی از موقعیت مکانی تیپ‌های جنگلی، اطلاعات ارزشمندی را برای برنامه‌ریزی و مدیریت پایدار جنگل‌ها فراهم می‌کند. استفاده از فناوری سنجش از دور و سیستم اطلاعات جغرافیایی در تهیة این قبیل اطلاعات به ویژه در مناطق کوهستانی و صعب العبور، مورد توجه بسیاری از محققان و مجریان طرح‌های جنگلداری است. به همین منظور تحقیق حاضر با هدف بررسی قابلیت داده‌های ماهواره‌های لندست8 و سنتینل2 در تهیة نقشة تیپ‌ جنگل‌های هیرکانی در حوضة آبخیز کجور انجام شد.مواد و روش‌ها: پس از بررسی کیفیت داده‌ها، به منظور استخراج هر چه بهتر اطلاعات پردازش‌هایی مانند تهیة شاخص‌های گیاهی، تبدیل تسلدکپ، تحلیل مولفه‌های اصلی و ادغام بر روی تصاویر ماهواره‌ای صورت گرفت. به‌منظور تهیة نقشة واقعیت زمینی از اطلاعات موجود (شهریور 1392 و اردیبهشت 1393) و همچنین برداشت‌های میدانی انجام شده در شهریور 1397 (در مجموع 60 قطعه نمونه)، استفاده گردید. تعیین تیپ تمامی قطعه نمونه‌ها براساس روش گرجی‌بحری انجام شد. در ادامه پس از بررسی میزان تفکیک‌پذیری تیپ‌ها و تعیین تعداد طبقات (راش خالص، راش آمیخته، راش ممرز، ممرز آمیخته، لور خالص و لوراوری)، نقشه‌های تیپ جنگل با استفاده از داده‌های ماهواره‌ای و به‌کارگیری الگوریتم‌های ماشین بردار پشتیبان، جنگل تصادفی، شبکة عصبی مصنوعی و حداکثر تشابه تهیه شد. بهمنظور ارزیابی دقیق‌تر عملکرد روش‌های طبقه‌بندی از دو دسته نمونة تعلیمی با تعداد پیکسل‌های متفاوت برای آموزش در الگوریتم‌های طبقه‌بندی استفاده شد.یافته‌ها: نتایج این تحقیق نشان داد که داده‌های ماهوارة سنتینل2 از قابلیت بیشتری در مقایسه با داده‌های ماهوارة لندست8 برای تهیة نقشة تیپ جنگل برخوردار هستند، به‌ویژه وقتی که تعداد تیپ‌ها زیاد باشد. از سوی دیگر یافته‌های این تحقیق نشان داد با به کارگیری روش ادغام مناسب برای داده‌های هر یک از ماهواره‌ها، می‌توان نقشة تیپ جنگل دقیق‌تری تولید کرد. ارزیابی عملکرد الگوریتم‌های مختلف طبقه‌بندی نیز نشان داد که میزان نمونه‌های تعلیمی در نتایج تاثیر دارد، به طوری که با استفاده از نمونه‌های تعلیمی کمتر، روشهای ماشین بردار پشتیبان و حداکثر تشابه در بیشتر حالت‌ها بهترین عملکرد را ارائه کردند، اما با افزایش 100 درصدی تعداد نمونه‌های تعلیمی، بهترین نتایج در تمامی حالت‌ها با استفاده از روش جنگل تصادفی حاصل گردید.نتیجه‌گیری: بر اساس یافته‌های این پژوهش و با توجه به نتایج با ثبات‌تر روش‌های ماشین بردار پشتیبان و جنگل تصادفی در حالتهای مختلف طبقه‌بندی، الگوریتم‌های مذکور برای تهیة نقشة تیپ قابلیت بالاتری نسبت به دو روش دیگر دارند. با توجه به صحت طبقهبندی‌ها، می‌توان بیان داشت که داده‌های ماهواره‌های لندست8 و سنتینل2 از قابلیت متوسطی (صحت کلی حدود 75% در طبقه‌بندی با چهار تیپ) برای تهیة نقشة تیپ‌ جنگل‌های هیرکانی برخوردار هستند. برای ارزیابی دقیق‌تر این داده‌ها، پیشنهاد می‌شود تحقیقات تکمیلی در سایر رویشگاه‌های جنگل‌های هیرکانی ضمن در نظر گرفتن ویژگی‌های فنولوژیکی و شرایط توپوگرافی منطقه انجام شود.

Investigation on the capability of Landsat-8 and Sentinel-2 data for mapping forest type in the Kojur watershed of Hyrcanian forests

Investigation on the capability of Landsat8 and Sentinel2 data for mapping forest type in the Kojur watershed of Hyrcanian forestsAbstractBackground and Objectives: Information on forest types and their spatial distribution are valuable for sustainable forest management and planning. The use of remote sensing technology and geographic information system for providing such fundamental information specially in mountainous and remote areas, has been considered by many researchers and forest managers. The current study aims to investigate the capability of Landsat8 and Sentinel2 satellite data to generate forest type map in the Kojur watershed of Hyrcanian forests. The performance of some parametric and nonparametric classification methods was also compared.Materials and Methods: Following quality assessment, some preprocessing techniques including vegetation indices (VI) extraction, tasseled cap transformation (TCT), principal component analysis (PCA) and fusion were applied on the satellite imagery. Field information collected in September 2018 plus available field data from September 2013 and May 2014, in total 60 sample plots, were used to produce a ground truth map. Forest type was determined through Gorji Bahri approach in each plot. Based on forest types separability, six types were identified (pure beech, mixed beech, beechhornbeam, mixed hornbeam, pure eastern hornbeam, and eastern hornbeamPersian oak) to be classified using satellite data. The performance of some classifiers like support vector machine (SVM), random forest (RF), artificial neural network (ANN) and maximum likelihood (ML) was analyzed using two different training datasets.Results: The results indicated that the sentinel2 dataset performed better than Landsat8 for producing forest type map specially when the number of classes increases. It was also found that image fusion methods on sentinel2 and landsat8, appropriately improved the result of classifications. This research confirms the effectiveness of number of training samples on the performance of classifiers. Respecting the accuracy assessment criterion, the SVM and RF algorithms showed better result while only 22% of field data was used as training samples. By increasing the number of training samples to 50% of field measurements, the highest accuracy was obtained using RF algorithm applying on all datasets from two satellites.Conclusion: The Landsat8 and Sentinel2 satellite data have moderate capability (overall accuracy around 75% for fourclass classification) for mapping forest types in the Hyrcanian forest. The SVM and RF produced more stable and accurate results in comparison with two other algorithms, ANN and ML. Complementary studies are recommended in different forest sites while considering phenology of species and topographic attributes.