تشخيص گونه‌هاي درختي با تصاوير هوايي رقومي به روش شي ـ پايه در جنگل‌هاي شمال ايران (مطالعه موردي: چمستان، نور)

Identification of Tree Species Using Object-Based Classification of Digital Aerial Images In The Northern Forests of Iran (Case Study: Chamestan-Nur)

شناسايي گونه‌هاي درختي نيازمند تفكيك تيپ‌هاي جنگلي است. داده‌هاي دورسنجي و به‌ويژه تصاوير هوايي رقومي با توان تفكيك مكاني و راديومتري بالا، ابزار مناسبي براي اين كار به شمار مي‌آيند. هدف از اين تحقيق ارزيابي قابليت اين تصاوير براي تشخيص گونه‌هاي درختي به روش طبقه‌بندي شي ـ پايه در جنگل‌هاي طبيعي آميخته است. اين بررسي در دو قطعه كوچك از جنگل‌هاي جلگه‌اي شمال كشور انجام شد. پس از ارزيابي كيفيت تصاوير و تصحيح هندسي آنها، عمليات پيش‌پردازش و توليد تصاوير تبديلي به اجرا درآمد. فرايند قطعه‌بندي در قالب چندتفكيكي انجام گرفت و به صورت كيفي ارزيابي شد. در ادامه عمل طبقه‌بندي با استفاده از توابع عضويت چندبعدي و به روش نزديك‌ترين همسايه استاندارد و تشكيل شبكه سلسله‌مراتبي انجام پذيرفت. در نهايت نقشه نوع گونه‌هاي درختي به‌دست‌آمده به صورت كمي ارزيابي گرديد و نمونه‌هاي تعليمي و نقشه واقعيت زميني به روش ميداني تهيه شدند. ارزيابي صحت نقشه‌هاي حاصل در مقايسه با نقشه واقعيت زميني نشان‌دهنده صحت كلي بيش از 70 درصد و ضريب كاپاي 46/0 و 5/0 در اين دو منطقه بود. گونه‌هاي درختي اصلي، مقادير متفاوتي از صحت را در دو منطقه ارايه كردند. داده‌هاي ارتفاعي دقيق مي‌تواند در بهبود نتايج طبقه‌بندي در چنين مطالعاتي بسيار موثر و كارآمد باشد. كليد‌واژه‌ها: UltraCamD، طبقه‌بندي شي ـ پايه، تشخيص گونه‌هاي درختي، جنگل‌هاي شمال، توابع عضويت.

Tree species identification is essential to forest type mapping. Remote sensing data, especially high spatial and radiometric resolution digital aerial images can be useful to this goal achievement. This research is aimed at the evaluation of digital aerial images in order to identify tree species in two study areas located in a natural mixed forest. Radiometric and geometric qualities of these images were evaluated and all images were corrected geometrically. Some appropriate transformations were performed and utilized. The hierarchical image object network was constructed and various alternatives of segmentation were tried and qualitatively evaluated. Nearest Neighbor classifier based on Fuzzy logic, leads to tree species map. Training samples and ground truth map were prepared through fieldwork. The result of accuracy assessment showed the overall accuracy more than 70% and Kappa Index of Agreement (KIA) equal to 0.46 and 0.5 in these areas. Main tree species presents different accuracies in two areas. Applying these aerial images and the object-based method in other forest areas together with the consideration of the influence of using proper elevation data on the accuracy of the produced map is suggested. Keywords: UltraCamD, Object-based classification, Tree species identification, Hyrcanian forests, Membership functions.