مقایسه دقت روش‌های طبقه‌بندی پیکسل پایه و شیءگرا در تهیه نقشه تیپ‌های گیاهی (مطالعه موردی: مرجن بروجن)

یکی از روش‌های تهیه نقشه تیپ‌های گیاهی، استفاده از تکنیک‌های مختلف طبقه‌بندی تصاویر ماهواره‌ای است. هدف مطالعه حاضر، مقایسه دقت روش‌های طبقه‌بندی پیکسل‌پایه و طبقه‌بندی شیءگرا در تهیه و تفکیک نقشه پوشش گیاهی در مرتع مرجن شهرستان بروجن است. در این مطالعه علاوه بر تصاویر ماهواره لندست 8 مربوط به سال 2017، از تصاویر گوگل ارث نیز به عنوان داده‌های مرجع (با استفاده از تفسیر چشمی) جهت طبقه‌بندی اولیه 6 تیپ‌گیاهی موجود در منطقه (شامل astragalus verus، bromus tomentellus، scariola orientalis، astragalus verusbromus tomentellus، astragalus verusstipa hohenikeriana، bromus tomentellusstipa hohenikeriana) و یک تیپ کاربری اراضی کشاورزی استفاده شد. سپس تصاویر لندست با استفاده از تکنیک طبقه بندی شی‌ءگرا و پیکسل‌پایه (بیشترین شباهت) در نرم‌افزار terrset طبقه‌بندی شدند. برای پردازش طبقه‌بندی تصاویر ماهواره‌ای به روش شیءگرا، تصویر با اندازه کرنل (پهنای پنجره) 3 و تحمل تشابه (دامنه شباهت) 10 و با مقیاس و فشردگی 0.5 استفاده شد. سپس مهم‌ترین روش‌های ارزیابی صحت شامل ماتریس خطا، دقت کل و ضریب کاپای طبقه‌بندی استخراج شدند. با مقایسه نتایج به دست آمده و مقایسات آماری تیجفتی دو روش می‌توان نتیجه گرفت که روش شی‌ءگرا با ضریب کاپای 0.63 و دقت کل 0.80 نسبت به روش نظارت شده (بیشترین شباهت) با ضریب کاپای 0.59 و دقت کل 0.77 از دقت بالاتری برخوردار است و برای طبقه‌بندی پوشش گیاهی روش مناسب تری می‌باشد.

Accuracy of pixel v.s. object-based classification methods in mapping vegetation types (Case study: Marjan Boroujen)

One of the methods of vegetation mapping is using satellite image rsquo;s classification techniques. The objective of the present study is to compare the pixel and objectbased classification methods on rangelands vegetation mapping at Marjan, Boroujen. To do so, Landsat8 satellite imagery of 2017 as well as Google Earth images (as reference data by visual interpretation) were used to accurately map six vegetation types: (Astragalus Bromus tomentelus, AstragalusStipa hohenikeriana, Bromus tomentelusStipa hohenikeriana) and an agricultural land cover. Then the Landsat images were classified by pixelbased classification (i.e., maximum likelihood) and objectbased techniques using TerrSet software. Kernel size (window width) of 3, similarity tolerance of 10, weight mean factor and weight variance factor of 0.5 were used for objectbased classification of satellite images. Then, the most important indicators of accuracy assessment, including overall kappa index and overall accuracy extracted from error matrix were calculated to compare the methods. Results indicates that the objectbased method with 0.63 overall kappa index and overall accuracy of 0.80 is a superior method relative to the supervised classification method (maximum likelihoodwith overall kappa index of 0.59 and overall accuracy of 0.77. Therefore, objectbased classification of remotely sensed images is recommended for vegetation mapping.