ارزیابی دقت تصاویر فراطیفی و چندطیفی در طبقه بندی پوشش تالاب ها (مطالعه موردی: تالاب شادگان)

طبقه بندی پوششی تالاب ها به منظور شناسایی نوع گونه های گیاهی داخل تالاب و تمایز آن با پوشش گیاهی حاشیه ی تالاب و بررسی تغییرات اکوسیستم آنها از اهمیت ویژه ای برخوردار است. با توجه به مشابهت طیفی بین گونه های مختلف گیاهی تالاب و گیاهان حاشیه ی تالاب و زمین های کشاورزی این امر با استفاده از داده های چندطیفی با مشکلاتی مواجه است و داده های ابرطیفی می تواند در این زمینه بسیار سودمند باشد. در این مطالعه توان سنجنده‌های ابرطیفی و چندطیفی در شناسایی ویژگی‌های تالاب و توانایی سنجنده‌های  etm+(2011)، hyperion(2011) و ali(2011) به منظور مطالعه ی ویژگی‌های تالاب شادگان طی سال 1390 بررسی شد و شاخص های مختلف طیفی به همراه ترکیب مناسبی از باندهای تصاویر ماهواره ای سنجنده های مذکور به عنوان ورودی انواع روش‌های طبقه بندی شامل روش های حداکثر احتمال، حداقل فاصله، شبکه عصبی و ماشین بردار پشتیبان مورد مقایسه قرار گرفت. نتایج نشان داد که روش‌های ماشین بردار پشتیبان و شبکه عصبی با دارا بودن دقت طبقه بندی بالای 85 درصد در هر سه تصویر, نتایج نزدیک‌تری به واقعیت نشان می‌دهند. دقت طبقه بندی برای هر سه تصویر برای روش ماشین بردار پشتیبان در بالاترین حد خود بود به طوریکه برای تصویر hyperion صحت کلی برابر 95.73، برای ali برابر 88.03 و برای etm+ برابر با 89.34 است. بنابراین ویژگی‌های در نظر گرفته شده برای تالاب، در سه تصویر حاصل از الگوریتم svm نشان داد که نمایش تمایز کاربری پوشش گیاهی حاشیه تالاب از کاربری زمین‌های کشاورزی آبی دارای ابهام بیشتری نسبت به سایر ویژگی‌های تالاب است. بررسی‌ها نشان داد که این بخش در تصاویر ali و etm+  نسبت به تصاویر hyperion کمتر قابل شناسایی هستند و یا در برخی مناطق این قسمت‌ها اصلا قابل تفکیک از ارضی کشاورزی آبی نیستند، در حالیکه hyperion به دلیل دارای بودن تعداد 220 باند و داشتن سطح بالاتری از جزئیات طیفی, توانایی تفکیک این دو کلاس را از هم دارد.

evaluation of the accuracy of hyperspectral and multispectral images in classifying wetland covers using different classification methods. (case study: shadegan wetland)

classification of wetland covers is of particular importance for identifying the types of plant species within the wetland and distinguishing them from the vegetation cover on the wetland margins. it also helps in studying the ecosystem changes in wetlands. in this regard, satellite images are the best imput for this type of classification. however, due to spectral similarity between different plant species in wetlands, vegetation on wetland margins, and agricultural lands, using multi-spectral data faces challenges, and hyperspectral data can be very useful in this field. in this study, hyperspectral and multispectral images were used to identify the characteristics of shadegan wetland and evaluate the capabilities of hyperion, etm+, and ali images in studying the wetland features during the year 1390. various spectral indices along with a suitable combination of satellite image bands were used as inputs for different classification methods including maximum likelihood, minimum distance, neural network, and support vector machine (svm) to achieve the best results. the results showed that svm and neural network methods provided more accurate results. the classification accuracy for all three images was at its highest level for the svm method, with an overall accuracy of 95.73% for hyperion image, 88.03% for ali image, and 89.34% for etm+ image. therefore, the considered features for the wetland were shown in three images resulting from the svm algorithm, indicating that the separation of vegetative cover on the wetland margin from irrigated agricultural lands has more ambiguity compared to other wetland features. the investigations showed that this part is less identifiable in ali and etm+ images compared to hyperion images, or in some areas, these parts are not separable from irrigated agricultural lands at all, while hyperion has the ability to distinguish between these two classes.