Object-Based Classification of UltraCamD Imagery for Identification of Tree Species in the Mixed Planted Forest

تحقيق حاضر به منظور ارزيابي تصاوير رقومي هوايي با توان تفكيك مكاني بالا براي تشخيص گونه هاي درختي به روش نيمه خودكار انجام شد. براي بهره‌گيري از تمام مزاياي اين تصاوير، از طبقه‌بندي شي‌پايه در يك محدوده جنگلكاري آميخته استفاده شد. دو پنجره از يك فريم تصوير UltraCamD به روش مثلث‌بندي هوايي تصحيح هندسي شده و تبديل‌هاي طيفي مناسب بر روي آن اعمال گرديد. قطعه‌بندي در دو سطح انجام و منجر به ايجاد شبكه سلسله مراتبي قطعات شد. در مرحله بعد، سلسله‌مراتب طبقات ايجاد شده و طبقه‌بندي‌كننده نزديك‌ترين همسايه با استفاده از تركيب توصيف‌گرهاي مختلف، به كار گرفته‌شد. نمونه‌هاي تعليمي و نقشه واقعييت زميني به روش ميداني تهيه شد. ارزيابي صحت نقشه‌هاي حاصل در مقايسه با داده‌هاي مبنا، نشان دهنده صحت كلي و ضريب كاپا به ترتيب برابر با 2/90% و 82/0 (در منطقه 1) و 8/69% و 49/0 (در منطقه 2) بود. تصاوير تبديلي موجب بهبود نتايج طبقه‌بندي شدند. كسب صحت پايين‌تر در منطقه 2 مربوط به تنوع بالا و آميختگي شديد گونه‌ها در اين منطقه مي‌باشد. نقشه‌هايي با جزييات و صحيح‌تر، با بهره‌گيري از داده‌هاي ارتفاعي دقيق قابل دستيابي خواهندبود. ميزان صحت نقشه‌هاي بزرگ‌مقياس پوشش گياهي حاصل از طبقه‌بندي شي‌پايه تصاوير با توان تفكيك مكاني بالا، به كيفيت قطعه‌بندي، اندازه نمونه‌ها، چارچوب طبقه‌بندي و آميختگي و پراكنش پوشش گياهي بستگي دارد.

This study is a contribution to assess the high resolution digital aerial imagery for semi-automatic analysis of tree species identification. To maximize the benefit of such data, the object-based classification was conducted in a mixed forest plantation. Two subsets of an UltraCam D image were geometrically corrected using aero-triangulation method. Some appropriate transformations were performed and utilized. Segmentation was conducted stepwise at two levels and a hierarchical image object network was constructed. The classification hierarchy was developed and Nearest Neighbor classifier, using integration of different features was performed. Training samples and ground truth map were prepared through fieldwork. Accuracy assessment of the resulting maps in comparison with reference data showed overall accuracies and Kappa Index of Agreement of 90.2%, 0.82 (Area1) and 69.8%, 0.49 (Area2), respectively. Transformed images were advantageous to improve the results. The lower accuracy in Area2 can be attributed to high diversity and heterogeneous mixture of species. More detailed and accurate mapping of tree species would be fulfilled applying precise 3D data. The accuracy of detailed vegetation classification with very high-resolution imagery is highly dependent on the segmentation quality, sample size, sampling quality, classification framework and ground vegetation distribution and mixture.