ارزيابي قابليت طبقه‌بندي نظارت شده تصاوير ماهواره‌اي لندست 8 در تهيه نقشه جوامع گياهي مراتع (مطالعه موردي: مراتع جنوب استان يزد)

Assessing the Ability of supervised Classification of Landsat 8 Satellite Images in Mapping Rangelands Plant Community (Case Study: Rangelands of Southern Yazd Province)

بررسي تغييرات مكاني و زماني تركيب گونه­ ها و جوامع گياهي يك گام اساسي در ارزيابي شرايط سلامت مرتع، درك فرآيندهاي تكاملي اكوسيستم محلي و توسعه استراتژي­هاي مديريت مرتع است. هدف از پژوهش حاضر ارزيابي قابليت طبقه ­بندي نظارت شده تصاوير ماهواره­اي لندست 8 در تهيه نقشه جوامع گياهي مراتع جنوب استان يزد مي­­ باشد. بدين منظور از 90 نمونه تعليمي از مناطقي كه تا حداقل شعاع 60 متر از نقطه مركزي تركيب همگني از گونه­ هاي گياهي را نشان مي­دادند؛ در سال 1394 نمونه­ برداري شد و سپس جوامع گياهي بر اساس چيرگي درصد تاج پوشش تفكيك شدند. داده ­هاي ماهواره­اي شامل باندهاي 1 تا 7 سنجنده OLI ماهواره لندست 8 در تاريخ 29 ارديبهشت 1394 مي ­باشد كه پس از انجام تصحيحات هندسي، اتمسفري و راديومتريكي مورد استفاده قرار گرفت. در پژوهش حاضر دقت شش الگوريتم طبقه­ بندي متوازي السطوح، كمترين فاصله، فاصله ماهالانوبيس، حداكثر تشابه، شبكه عصبي و ماشين بردار پشتيبان با كرنل شعاعي در تفكيك و تعيين محدودۀ جامعه گياهي مورد بررسي قرار گرفت. بر اساس نتايج، الگوريتم حداكثر تشابه و شبكه عصبي در طبقه ­بندي تصوير ماهواره لندست 8 به ترتيب با دقت كلي 96/4 و 84/8 و ضريب كاپاي 0/95 و 0/82 از بالاترين دقت و الگوريتم طبقه ­بندي متوازي السطوح به ترتيب با دقت كلي 18/7 و ضريب كاپاي 0/07 از كمترين دقت برخوردار بود. به طور كلي نتايج اين تحقيق نشان داد به منظور تفكيك و طبقه­ بندي جوامع گياهي مختلف در منطقه مورد مطالعه الگوريتم حداكثر تشابه داراي نتايج مطلوبي مي­ باشد و تلفيق مطالعات ميداني با سنجش از دور قابليت بسيار مناسبي در تفكيك و طبقه­بندي تيپ­ها و جوامع گياهي ايجاد مي­ كند.

Investigating spatial and temporal changes in the composition of plant species and communities is an essential step in assessing pasture health conditions, understanding the evolutionary processes of the local ecosystem, and developing rangeland management strategies. The aim of this study is to evaluate the ability of supervised classification of Landsat 8 satellite images in mapping the plant communities in the southern rangelands of Yazd province. To do so, we selected and sampled 90 training samples from areas that showed a homogeneous composition of plant species up to a minimum radius of 60 meters from the central point in 2015, and then; plant communities were separated based on the prevalence of the percentage of cover crown. A Landsat 8 satellite image of OLI sensor on May 29, 2015 was used after geometric, atmospheric and radiometric corrections. In the present study, the final accuracy of six supervised classification algorithms including parallel classification algorithms, the minimum distance, the Mahalanobis distance, the maximum likelihood, the neural network and support vector machine with radial kernel were examined in the separation and determination of the range of the plant community. Based on the results, the maximum likelihood algorithm and the neural network had the highest accuracy with the final accuracy of 96.4% and 84.8% and Kappa coefficient of 0.95 and 0.82, respectively. In general, the results of this study showed that in order to differentiate and classify different plant communities in the study area, the maximum likelihood algorithm has good results and combining field studies with remote sensing is a very suitable capability in segregating and classifying the plant types and communities.