مقايسه ميزان كارآيي سه روش رايج طبقه بندي نظارت شده داده هاي ماهواره اي در مطالعه پوشش گياهي

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

استفاده از فناوري هاي نويني همچون سنجش از دور و سامانه اطلاعات جغرافيايي جهت مطالعه اكوسيستم-هاي گياهي و به خصوص تهيه نقشه-هاي زمين پوشش، مستلزم شناخت كارآيي اين ابزار و نيز شناسايي بهترين روش هاي كاربرد آن ها مي-باشد. هدف از انجام اين مطالعه مقايسه ميزان كارآيي سه روش رايج طبقه بندي نظارت شده داده هاي ماهواره اي (روش حداقل فاصله از ميانگين، روش متوازي السطوح و روش حداكثر احتمال) در تشخيص گروه هاي گياهي منطقه حفاظت شده گلول و سراني (استان خراسان شمالي) مي باشد. بدين منظور 143 نمونه تعليمي از مناطقي كه تا شعاع حداقل 30 متري تركيب همگني از گونه هاي گياهي را نشان مي دادند جمع آوري و مختصات آن ها بوسيله دستگاه GPS ثبت و به محيط سامانه اطلاعات جغرافيايي منتقل شد. داده-هاي ماهواره اي شامل تصاوير ماهواره هاي +Landsat ETM و IRS LISS III بود كه هر يك با استفاده از نرم افزار ENVI 4.2 آماده سازي و مورد تجزيه و تحليل قرار گرفته و ميزان كارآيي هر روش طبقه بندي با محاسبه دو شاخص صحت كلي (Overall Accuracy) و ضريب كاپا (Kappa Coefficient) بررسي گرديد. نتايج نشان دادند كه در بين روش هاي بكار برده شده، روش حداكثر احتمال بيشترين ميزان دقت را در طبقه بندي هر دو گروه داده-هاي ماهواره اي دارد (35/90، 19/82=OA و 878/0، 772/0=KA) و در مقابل روش متوازي السطوح نيز كمترين ميزان دقت را در طبقه بندي گروه هاي گياهي در منطقه مورد مطالعه داشت (09/67، 76/58 =OA و 593/0، 478/0=KA). اين نتايج نشان مي دهد كه برداشت نمونه هاي تعليمي كافي از طبقات موجود در طبيعت و بررسي ميزان احتمال تعلق هر يك از پيكسل هاي تصاوير ماهواره اي به اين طبقات، به خوبي مي تواند در طبقه بندي گروه هاي گياهي موجود در منطقه مفيد واقع شود.

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 Goloul-via-Sarani 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 IRS-P6 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 pixelʹs dependency on these classes can be useful for classification of plant groups.