ارزیابی طبقه‌بندی¬های پیکسل-پایه و شیء-پایه تصاویر هوایی برای تشخیص گونه‌های درختی (مطالعۀ موردی: جنگلکاری‌ چمستان نور)

نوع مقاله: مقاله پژوهشی

چکیده

تصاویر هوایی رقومی جنگل‌های شمال که با دوربین هوایی پیشرفته UltraCamD گرفته‌ شده‌اند، منبع بسیار با ‌ارزشی برای تولید اطلاعات مفید جنگل هستند. ویژگی‌های خاص این تصاویر، ضرورت تعیین روش بهینۀ طبقه‌بندی آنها را مطرح می‌سازد. در این تحقیق داده‌های ادغام‌شدۀ این سنجنده در چهار باند طیفی 16 بیتی و با اندازه تفکیک مکانی 7 سانتی‌متر مربوط به سال 1387 از یک منطقۀ جنگلکاری در چمستان نور، با هدف تشخیص گونه‌های درختی، تجزیه و تحلیل شدند. در تصحیح هندسی دقیق تصاویر، علاوه بر داده‌های GPS و IMU همراه تصویر، از نقاط کنترل زمینی اخذ‌شده با DGPS نیز استفاده شد. بارزسازی‌های مناسب انجام گرفت و باندهای حاصل به‌همراه باندهای اصلی به‌کار گرفته شدند. نمونه‌های تعلیمی یکسان در هر دو روش طبقه‌‌بندی استفاده ‌شدند. نقشۀ واقعیت زمینی برای ارزیابی نتایج طبقه‌بندی‌ها، به‌روش میدانی تهیه ‌شد. در روش پیکسل-پایه، طبقه‌بندی نظارت‌شده به‌روش حداکثر تشابه انجام گرفت. در روش شیء-پایه، ابتدا قطعه‌بندی تصویر با ترکیب‌های باندی و ضرایب مناسب شاخص‌های رنگ، شکل، فشردگی، همواری و مقیاس به اجرا‌ درآمد و در ادامه، طبقه‌بندی به‌روش‌ نزدیک‌ترین همسایه و بر مبنای منطق فازی در سطوح طبقات والد و وارث اجرا و بهترین حالت طبقه‌بندی با استفاده از معیارهای پایداری طبقه‌بندی، تفکیک‌پذیری طبقات و ارزیابی صحت تعیین ‌شد. ارزیابی صحت نقشه‌های حاصل از دو روش در مقایسه با داده‌های مبنا، نشان‌دهندۀ برتری معنی‌دار از نظر صحت کلی و ضریب کاپای طبقه‌بندی شیء-پایه است. ضمن اینکه نقشه‌های حاصل از آن، حالت نامناسب فلفل‌نمکی موجود در نقشه‌های پیکسل-پایه را ندارد. به‌علاوه روش شیء-پایه با بهره‌گیری از اطلاعات مکانی موجود در تصویر، در کنار اطلاعات طیفی آن، در تفکیک گونه‌هایی که تشابه طیفی زیادی با هم داشتند، بسیار موفق عمل کرد. صحت طبقه‌بندی شیء-پایه بر روی داده‌های با توان تفکیک مکانی زیاد، وابسته به نوع طبقات و ماهیت تفکیک‌پذیری آنها، کیفیت قطعه‌بندی، اندازۀ نمونه‌ها، کیفیت نمونه‌برداری، چارچوب و قالب طبقه‌بندی و توزیع مکانی و درجۀ آمیختگی جنگل است.

کلیدواژه‌ها


عنوان مقاله [English]

Evaluation of pixel-based and object-based classification methods for tree identification using aerial images (Case study: a forestation in Chamestan-Nur)

چکیده [English]

Digital images which have been acquired by UltraCamD advanced aerial camera from Northern forests of Iran have potentially valuable data for obtaining useful information. In this study a pan-sharpened imagery (in 4 bands with 16 bit spectral and 7 cm spatial resolution) collected in 2008 from a forestation area near the town of Nur, was analyzed for tree identification. On-board GPS/IMU parameters along with ground control points using DGPS were applied to ortho-rectify the image precisely. Appropriate enhancement methods were accomplished and different band sets were utilized based on original and derivative images. The same training sets were utilized for both pixel-based and object-based classification methods. Reference map was produced through fieldwork for assessment of the accuracy of resulted maps. In pixel-based method supervised maximum likelihood classification was carried out. For object-based classification, segmentation was conducted stepwise at two levels in order to construct a hierarchical image object network. Initially various alternatives of segmentation with different color, shape, compactness, smoothness and scale parameters were tried. The classification hierarchy was developed and Nearest Neighbor classifier based on Fuzzy logic, using integration of different object features was performed. By examination of different features and band sets along with the revising training areas, the optimum classification framework was established based on Class separability, Best classification results, Class stability and Accuracy assessment. The comparison of the resulted maps with reference data showed that object-based approach produced significantly higher overall accuracy and Kappa index. Meanwhile the resulted maps indicated the nonexistence of “salt and pepper” effect, like pixel-based results. Furthermore object-based method separate properly the species mixed spectrally, considering spatial information. The accuracy of detailed vegetation classification with very high-resolution imagery is highly dependent upon the type and separability of the classes, segmentation quality, sample size, sampling quality, classification framework and ground vegetation distribution and mixture.