مقایسه میزان کارآیی سه روش رایج طبقه بندی نظارت شده داده های ماهواره ای در مطالعه پوشش گیاهی

استفاده از فناوری های نوینی همچون سنجش از دور و سامانه اطلاعات جغرافیایی جهت مطالعه اکوسیستم های گیاهی و به خصوص تهیه نقشه های زمین پوشش، مستلزم شناخت کارآیی این ابزار و نیز شناسایی بهترین روش های کاربرد آن ها می باشد. هدف از انجام این مطالعه مقایسه میزان کارآیی سه روش رایج طبقه بندی نظارت شده داده های ماهواره ای (روش حداقل فاصله از میانگین، روش متوازی السطوح و روش حداکثر احتمال) در تشخیص گروه های گیاهی منطقه حفاظت شده گلول و سرانی (استان خراسان شمالی) می باشد. بدین منظور 143 نمونه تعلیمی از مناطقی که تا شعاع حداقل 30 متری ترکیب همگنی از گونه های گیاهی را نشان می دادند جمع آوری و مختصات آن ها به وسیله دستگاه gps ثبت و به محیط سامانه اطلاعات جغرافیایی منتقل شد. داده های ماهواره ای شامل تصاویر ماهواره های +landsat etm و irs liss iii بود که هر یک با استفاده از نرم افزار envi 4.2 آماده سازی و مورد تجزیه و تحلیل قرار گرفته و میزان کارآیی هر روش طبقه بندی با محاسبه دو شاخص صحت کلی (overall accuracy) و ضریب کاپا (kappa coefficient) بررسی گردید. نتایج نشان دادند که در بین روش های بکار برده شده، روش حداکثر احتمال بیشترین میزان دقت را در طبقه بندی هر دو گروه داده های ماهواره ای دارد (35/ 90، 19/ 82=oa و 878/ 0، 772/ 0=ka) و در مقابل روش متوازی السطوح نیز کمترین میزان دقت را در طبقه بندی گروه های گیاهی در منطقه مورد مطالعه داشت (09/ 67، 76/ 58 =oa و 593/ 0، 478/ 0=ka). این نتایج نشان می دهد که برداشت نمونه های تعلیمی کافی از طبقات موجود در طبیعت و بررسی میزان احتمال تعلق هر یک از پیکسل های تصاویر ماهواره ای به این طبقات، به خوبی می تواند در طبقه بندی گروه های گیاهی موجود در منطقه مفید واقع شود.

Comparison of three common methods in supervised classification of satellite data for vegetation studies

Usage of modern technologies such as GIS and RS in plant ecosystems studies and especially land cover mapping is needed to recognition of these instruments efficiency and also identification of the best methods for applying them. This study aimed to compare the efficiency of three common supervised classification methods of satellite data (Minimum to Distance, Parallelepiped and Maximum Likelihood) to identification of plant groups in GoloulviaSarani protected area, Northern Khorasan Province, Iran. In order to this, 143 training samples (>30m2) were collected from areas that shown a homogenous plant species composition. These data recorded by GPS device and so transported to a GIS database. Satellite data included Landsat ETM+, and IRSP6 LISS III that were prepared and analyzed by ENVI 4.2 software. Amount of efficiency for each method was evaluated by measurement of overall accuracy (OA) and Kappa coefficient (KC) criteria. Results showed that ML method makes the highest accuracy for two data series (OA=90.35, 82.19 and KC=0.878, 0.772 for Landsat and IRS data respectively). In the face, PP method showed the worst results (OA=67.09, 58.76 and KC=0.593, 0.478). These results suggested that collection of sufficient training samples from natural classes and surveying probability of image pixel's dependency on these classes can be useful for classification of plant groups.