مقایسه روشهای ناپارامتری طبقه بندی بردار پشتیبان و شی پایه در برآورد ویژگی های کمی تک درختان بلوط ایرانی در جنگل های شهری روی تصاویر ماهواره ایی worldview-2

سنجش از دور، انواع داده ها و منابع مفید برای نقشه برداری جنگل را فراهم می کند. امروزه یکی از کاربردهای رایج در زمینه جنگلداری، شناسایی درختان و گونه های درختی با استفاده از تجزیه و تحلیل مبتنی بر شیء و طبقه بندی تصاویر ماهواره ای یا هوایی است. این مطالعه بر تشخیص تاج پوشش درختان در سطح انفرادی می پردازد. هدف از این تحقیق، بررسی پتانسیل تصاویر ماهواره ایی با قدرت تفکیک بالایی worldview-2 مربوط به سال 2014 جهت تهیه نقشه درختان با روش های طبقه بندی ناپارامتریک در جنگل های اطراف شیراز می باشد. در مطالعه کنونی به ارزیابی برآورد پارامترهای جنگل با تمرکز بر استخراج تک درختان به دو روش طبقه بندی شی پایه و بردار پشتیبان با ارزیابی صحت به روش ماتریس پیچیده و روش (area under operating characteristic curve) auc با کمک تصاویر هوایی (unmanned aerial vehicle)uav فانتوم4 مربوط به سال 2018 در دو منطقه مجزا پرداخته شده است. پس از انجام تصحیحات لازم بر روی تصاویر ماهواره ایی، طبقات جنگل و غیرجنگل تعریف و نمونه های تعلیمی انتخاب شدند. نتایج طبقه بندی نشان می دهد طبقه بندی شی پایه دارای صحت بالاتری در برآورد پارامترهای تک درختان و پس از آن بردار پشتیبان می باشند. نتایج حاصل از تجزیه و تحلیل رگرسیونی نشان داد که استفاده از تصاویر ماهواره ایی wv-2 (r2=0.97) برای برآورد تاج پوشش درختان مناسب است. می توان نتیجه گیری نمود که با توجه به هزینه و زمان بسیار کم برای تفسیر تصاویر ماهواره ایی wv-2، این تصاویر می تواند جهت آماربرداری درختان شهری بجای آماربرداری زمینی استفاده شود. این مطالعه تائید می کند که با استفاده از داده های سنجنده wv-2 ، امکان استخراج پارامترهای درختان منفرد در جنگل، وجود دارد.

compare of non-parametric classification methods involve support vector machine and object-based in evaluation quantitative characteristic of individual tress of quercus branti with worldview-2 satellite images

remote sensing provides a variety of data and useful resources for forest mapping. today, one of the most common uses in forestry is the identification of trees and tree species using object-based analysis and classification of satellite or aerial images. this research focuses on the identification of the canopy of trees at the individual level. the purpose of this study is to investigate the potential of high resolution worldview-2 satellite imagery obtained in 2014 for mapping trees with nonparametric classification methods in the surrounding forests of shiraz. in the current study, assessment of forest parameters were performed with the focus on the extraction of single trees using two classification methods, object-based and support vector analysis, verified with complexity matrix and area under operating characteristic curve (auc) methods with the help of unmanned aerial vehicle(uav) aerial imagery of phantom 4 aircraft obtained in 2018 in two separate regions. after making the necessary corrections on satellite imagery, forest and non-forest classes were defined and educational samples were selected. the classification results indicate that the object-based classification has the highest accuracy in assessing the parameters of single trees, and after that the support vector is placed. the results of regression analysis indicated that using wv-2 images (r2= 0.97) was suitable for estimating canopy area on the city. based on our results, it can be concluded that considering the high accuracy and quick interpretation of satellite images, wv-2 images can be reliable alternatives for ground survey method in measuring tree canopies in cities with similar forest structure. this study confirms that it is possible to extract the parameters of single trees in the forest using wv-2 sensor data.