مقایسه روش‌های ناپارامتری طبقه‌بندی بردار پشتیبان و درخت تصمیم در برآورد ویژگی‌های کمی تک درختان بلوط ایرانی، تالاب هفت برم، روی تصاویر ماهواره‌ایی worldview-2

یکی از متداول ترین کاربردهای جنگلداری، شناسایی درختان منفرد و ترکیب گونه های درختان با استفاده از تجزیه و تحلیل تصویر و طبقه بندی تصاویر ماهواره ای یا هوایی است. هدف از این مطالعه، ارزیابی روش های طبقه بندی بردار پشتیبان (svm) و درخت تصمیم (dt) در برآورد ویژگی های کمی درختان بلوط در تصاویر worldview-2 و تصاویر پهپادی (uav) است. در این مطالعه، جنگل هفت برم شیراز، به عنوان منطقه مورد مطالعه به منظور بررسی پتانسیل تصاویر ماهواره ای wv-2مورد بررسی قرار گرفت. برآورد پارامترهای جنگلی با تمرکز روی استخراج تک درخت با استفاده از روش های طبقه بندی svm و dt با ارزیابی ماتریس پیچیده و سطح زیر منحنی (auc) با کمک تصویر هوایی فانتوم4 (uav) در دو منطقه مجزا مورد ارزیابی قرار گرفت. داده ها با استفاده از آزمون های tمستقل، تحلیل رگرسیون چند متغیره، با استفاده از نرم افزار spss 2، excel 2016 ، ecognation,8.7، envi,5 ، pci geomatica 16 و google earth 7.3 تحلیل شد. طبقه بندی بردار پشتیبان، بالاترین و بهترین دقت را در برآورد پارامترهای تک درخت داشت. روش طبقه بندی svm، یک روش بسیار مفید برای شناسایی درختان بلوط در جنگل های کوهستانی زاگرس می باشد. با استفاده از داده های wv-2، پارامترهای درختان منفرد در جنگل می توانند استخراج شوند. روش بردار پشتیبان بر روی تصاویر wv-2 با صحت کلی svm، 96 درصد و ضریب کاپای آن0.97 نتایج قابل قبولی را بدست آورد. نتایج حاصل از تجزیه و تحلیل رگرسیونی نشان داد که استفاده از تصاویر ماهواره ایی wv-2 (r^2=0.98) برای برآورد تاج پوشش درختان مناسب است. در حالی که پهپاد، پتانسیل ارائه راه حل های قابل انعطاف و عملی برای نقشه برداری جنگل ها را دارد، برخی از مسائل مربوط به کیفیت تصویر هنوز هم برای بهبود عملکرد طبقه بندی باید مورد توجه قرار گیرند.

Compare of non-parametric classification methods involve SVM and Decision Tree in evaluation quantitative characteristic of individual tress of Persian Oak (Quercus Brantii Lindl.), Haft Barm wetland on WorldView-2 satellite images

One of the most common uses of forestry is to identify individual trees and compassions tree species using image analysis and satellite or aerial image classification. The aim of this study is to evaluate support vector machines (SVM) and Decision Tree (DT) classification methods in estimating the quantitative characteristics of oak trees in WorldView2 images and UAVs.In this study, HaftBarm forest, Shiraz, was considered as a study area to assess the potential of Worldview2 satellite images in 2015. Estimation of forest parameters with a focus on single tree extraction using SVM and DT classification methods with complex matrix evaluation and area under operational characteristic curve (AUC) with the help of UAV4 Phantom Bird image was evaluated in two separate areas. Data were analyzed using independent Ttests, multivariate regression analysis, using SPSS 25, Excel 2016, eCognation v. 8.7, ENVI, 5, PCI Geomatica 16 and Google Earth 7.3 software. The SVM classification had the highest and best accuracy in estimating single tree parameters. The SVM classification method was a very useful way to identify the oak tree Zagros mountain forest. Using WV2 data, the parameters of single trees in the forest can be extracted. The SVM algorithm using WV2 also produced very promising result, with 96% overall accuracy and a Kappa index of 0.97. The results of regression analysis indicated that using WV2 images (R2= 0.97) was suitable for estimating canopy area on the forest. While UAVs have the potential to provide flexible and practical solutions for mapping forests, some issues related to image quality still need to be addressed to improve classification performance.