استفاده از تلفيق تصاوير نوري و راداري براي تيپ‌بندي مراتع

Using a Combination of Optical and Radar Imagery for Pasture Classification

سنجش از دور را مي‌توان به‌عنوان ابزاري قدرتمند با به‌كارگيري داده از منابع مختلف و تلفيق آنها با يكديگر براي طبقه‌بندي انواع پوشش گياهي و كاربري اراضي به‌كار گرفت. طبقه‌بندي انواع مراتع، اطلاعات اصلي را براي آناليز بهره‌وري كشاورزي، محاسبه كربن و شناسايي تنوع زيستي فراهم مي‌كند. نخستين مجموعه داده‌هاي استفاده‌شده در مطالعه حاضر، تصوير لندست (Thermatic Mapper) TM و دومين مجموعه داده‌ها، تصوير راداري ENVISAT ASAR براي منطقه مورد مطالعه واقع در محدوده شمال‌غربي شهر تهران (البرز جنوبي) است. در پژوهش حاضر، پس از اعمال چندين روش تصحيح توپوگرافي تصوير نوري كه همگي جزو روش‌هاي غيرلامبرتي‌اند و با توجه به معيارهاي ارزيابي اين روش‌ها، تصحيح توپوگرافي تصوير نوري انجام شد. در ادامه، سودمندي و بهبودي كه با استفاده از ويژگي‌هاي استخراج‌شده از تصوير راداري و نوري كه شامل بافت آنهاست و در تلفيق با باندهاي طيفي تصوير نوري به‌كار رفته است. روي نتايج طبقه‌بندي نهايي بررسي شد. براي انتخاب ويژگي‌هاي مستقل كه منتج به بالاترين صحت نتايج شود از الگوريتم ژنتيك استفاده شد. تاثير استفاده از داده‌هاي ارتفاعي منطقه و شاخص‌هاي گياهي تصوير نوري بر نتايج نهايي طبقه‌بندي در بخش ديگري از تحقيق بررسي و باندهاي بهينه انتخاب شدند. نتايج به‌دست‌آمده نشان‌دهنده افزايش صحت كلي و ضريب كاپاي طبقه‌بندي بيشترين شباهت از 04/77 و 7317/0 براي تصوير نوري اوليه به 1/78 و 7495/0 در حالت استفاده از الگوريتم ژنتيك و 37/83 و 8036/0 در حالت استفاده از داده‌هاي ارتفاعي و شاخص‌هاي گياهي است.

Remote sensing can be used as a powerful tool by using data from different sources and combine them for vegetation and land cover classification. Pasture type classification provides key information for analysis of agricultural productivity, carbon accounting and biodiversity. The first data set that used in this study Landsat TM (Thematic Mapper) optical image and the second ENVISAT ASAR radar image for the study area located within the North-West of Tehran (South Alborz). In this study after applying several methods which all of them are non-lambertian and regarding to evaluate them, topographic correction was performed for optical image. The usefulness and improvement of using texture features extracted from optical and radar images in integration with spectral bands of the optical image has been evaluated on the final classification results and genetic algorithm used to select features that are independent to derive the most accurate results. In another part of the study, the impact of elevation data and optical image vegetation indices evaluated on final classification result and optimal bands selected. The results indicate increase in the overall accuracy and maximum likelihood Kappa coefficient from 77.04 and 0.7317 for original optical image to 78.71 and 0.7495 in case of using genetic algorithm and 83.37 and 0.8036 in case of using elevation data and vegetation indices. Keywords: Image Fusion, Pasture Classification, Topographic Correction, Image Texture, Remote Sensing.