تهیه نقشه پوشش‌ گیاهی مناطق کران‌رودی با استفاده از طبقه‌بندی پیکسل‌مبنا و شیءمبنا تصاویر چندزمانه ماهواره سنتینل2

پوشش‌های گیاهی مناطق کران‌رودی، با وجود مساحت کم، خدمات اکوسیستمی فراوانی عرضه می‌کنند. نظر به اینکه برنامه‌های نظارتی و آماربرداری پیوسته‌ای برای این پوشش‌های گیاهی در کشور وجود ندارد، تهیه نقشه‌ و پایگاه‌ داده مکانی برای آنها امری ضروری است. اما آمیختگی این پوشش‌های گیاهی با سایر کاربری‌های زمین سبب ایجاد چالش‌ها و مشکلاتی در تهیه نقشه برای آنها شده است. بنابراین، انتخاب روش مناسب طبقه‌بندی بسیار حائز اهمیت است. در این زمینه و در تحقیق حاضر، دو روش پیکسل‌مبنا و شیء‌مبنا در طبقه‌بندی این پوشش‌های گیاهی، با استفاده از تصاویر رایگان ماهواره سنتینل‌2، مقایسه شده است. بدین‌منظور، پنج منطقه کران‌رودی متفاوت در استان چهارمحال و بختیاری انتخاب شد و برای آموزش مدل‌های طبقه‌بندی به‌کار رفت. در فرایند مدل‌سازی، از الگوریتم طبقه‌بندی جنگل تصادفی و داده‌های چندزمانه ماهواره سنتینل‌2 استفاده شد. اعتبارسنجی مدل‌ها به‌صورت گسترده، با استفاده از نقاط صحت‌سنجی مستقل در سطح استان، انجام شد. نتایج نشان داد که تصاویر ماهواره سنتینل‌2 قابلیت بالایی در تهیه نقشه پوشش گیاهی در مناطق کران‌رودی کوه‌های زاگرس دارد و روش طبقه‌بندی پیکسل‌مبنا (صحت کلی 83.9%) بهتر از روش شیءمبنا (صحت کلی 76.7%) بوده است. در مجموع، تحقیق حاضر استفاده از روش طبقه‌بندی پیکسل‌مبنا روی تصاویر چندزمانه ماهواره سنتینل‌2 را به‌منزله ابزاری ارزان و مناسب در آشکارسازی این پوشش‌های گیاهی پیشنهاد می‌دهد. حائز اهمیت است که در این روش، تا جای ممکن، از پیکسل‌های دارای خلوص بیشتر به‌منزله پیکسل‌های آموزشی در توسعه مدل‌ها استفاده شود.

Mapping Vegetation in Riparian Areas Using PixelBased and ObjectBased Classification of Sentinel2 MultiTemporal Imagery

Despite the low area coverage, riparian vegetation presents several ecosystem services. But there is no precise spatial information on these ecosystems in Iran. Considering the lack of such information, mapping and providing a spatial database is essential. Due to the mixture of these vegetation types and other land covers, the detection of these types of vegetation is challenging, and choosing an appropriate classification method is of great significance. This study examines the performance of pixelbased and objectbased classification approaches for the detection of these vegetation types using freely available Sentinel2 imagery. Five different riparian areas in ChaharmahalvaBkhtiari province were selected and used for training the classification models. We used random forest algorithm and multitemporal Sentinel2 data to perform the classification models. The validation of classification models was based on independent validation points spread across the province. Our results showed that multitemporal Sentinel2 imagery has a high capability to map riparian vegetation in the Zagros Mountains. Moreover, the pixelbased classification approach (overall accuracy of 83.9%) represents more accurate results compared to the objectbased classification approach (overall accuracy of 76.7%). Overall, this study recommends a pixelbased classification approach to map these vegetation types using freely available multitemporal Sentinel2 imagery. Note that it is important to use pure pixels for training the classification models.