Journal of Rangeland

fa ارزیابی قابلیت خوارزمیک‌های مختلف و تفسیر بصری تصاویر گوگل ارث در تفکیک و طبقه‌بندی واحدهای اکولوژیک گیاهی Evaluation of the ability of different algorithms and visual interpretation of Google Earth images in the separation and classification of plant ecological units تخصصي Special پژوهشي Research سابقه و هدف: تصاویر ماهوارهای و فناوری سنجش از دور از ابزارهای کارآمد و نوین جهت استخراج اطلاعات مربوط به علوم زمین شناخته میشوند که ارزیابی و پایش اکوسیستمها را با هزینهای کمتر از روشهای میدانی ممکن میسازند. یکی از مهمترین روشهای استخراج اطلاعات از دادههای ماهوارهای، تکنیکهای مختلف طبقهبندی تصاویر است. پژوهش حاضر به منظور ارزیابی قابلیت خوارزمیکهای طبقهبندی درختی و درخت تصمیمگیری بر روی تصاویر ماهوارهای سنتینل 2 و همچنین تفسیر بصری تصاویر گوگل ارث جهت تفکیک و طبقهبندی واحدهای اکولوژیک گیاهی در یکی از مراتع نیمهاستپی استان چهارمحال و بختیاری صورت گرفته است. مواد و روشها: جهت تفکیک واحدهای اکولوژیک گیاهی (واحدهای همگن پوشش گیاهی) ابتدا از روش تفسیر بصری استفاده شد که شامل تعیین پلیگونها بر روی تصویر و سپس تعریف مناطق همگن با خصوصیات مشابه بود تا نوع تیپ غالب و پوشش سطحی زمین تشخیص داده شود. سپس ویژگی هر پلیگون بر اساس گونههای غالب و نوع آشفتگیها تفسیر و یک طبقهبندی کلی انجام گرفت. بعد از تفکیک واحدهای اکولوژیک گیاهی و جداسازی مرز تقریبی واحدها، نمونهبرداری از پوشش گیاهی مطابق با زمان اوج حداکثر رشد گونههای گیاهی انجام شد. پس از تعیین پوشش گیاهی و تولید آن، میانگین درصد پوششهای گیاهی برآورد شده در محدوده هر واحد اکولوژیک محاسبه شد. برای این منظور، ابتدا گونه غالب گیاهی هر واحد مشخص و سپس گونه‌های همراه آن مشروط به داشتن 50 درصد و یا بیشتر پوشش گونه ماقبل آن تعیین شد. در نهایت واحدهای اکولوژیک گیاهی تشخیص داده شده حاصل بر اساس گونه غالب و به روش فیزیونومیک و فلورستیک، نامگذاری و به‌صورت آمار توصیفی بیان شد. در این مطالعه علاوه بر روش تفسیر بصری، از خوارزمیکهای طبقهبندی درختی و درخت تصمیمگیری نیز جهت تولید نقشه پوشش گیاهی استفاده شد. بدین منظور تصاویر چندطیفی سنجنده MSI سنتینل 2 بهعنوان منبع اصلی پردازش مورد استفاده قرار گرفت. در مرحله بعد نمونههای کنترل زمینی بهعنوان الگوی مشخصات طیفی طبقات، از هر گروه از واحدهای اکولوژیک گیاهی در طی عملیات میدانی و بهصورت تصادفی برداشت شدند. سپس تفکیک نمونهها به مجموعه دادههای آموزشی و آزمایشی انجام گرفت، بدین صورت که قسمتی برای طبقهبندی (یکسوم نمونهها) و بخشی دیگر جهت برآورد صحت نتایج حاصل از خوارزمیکهای طبقهبندی ذکر شده (دوسوم نمونهها) تقسیم شدند. به منظور استخراج هرچه بهتر اطلاعات، لایه‌های کمکی همچون مدل رقومی ارتفاع، تحلیل مؤلفههای اصلی و شاخصهای گیاهی نظیر NDVI به همراه دادههای طیفی در فرآیند طبقهبندی مورد استفاده قرار گرفتند. سپس نسبت به طبقهبندی خوارزمیکها در نرمافزار Idrisi TerrSet اقدام شد. بدین ترتیب نقشههای واحدهای اکولوژیک گیاهی مربوط به منطقه مورد مطالعه بهدست آمد. جهت ارزیابی صحت نتایج طبقهبندی، نقشههای حاصل با نقاط واقعیت زمینی ثبت شده مورد بررسی قرار گرفت. سپس ماتریس خطای مربوط به هر روش توسط نرمافزار تولید و در نهایت ارزیابی و مقایسه آمارههای استخراج شده انجام شد. نتایج: نتایج حاصل از تفسیر بصری نشان داد در نهایت 7 نوع واحد اکولوژیک گیاهی که از نظر ویژگیهای ساختاری متفاوت بودند شناسایی شدند که شامل Astragalus verus، Bromus tomentellus، Scariola orientalis، Astragalus verus-Bromus tomentellus، Astragalus verus-Stipa hohenikeriana، Bromus tomentellus-Stipa hohenikeriana و Stipa hohenikeriana میباشد. نتایج بهدست آمده از خوارزمیک طبقهبندی درختی نشان داد که واحد اکولوژیک Astragalus verus-Stipa hohenikeriana با 99/0 درصد و واحد اکولوژیک Bromus tomentellus با 90/0 درصد به ترتیب بالاترین و پایینترین دقت تولید کننده را دارا هستند. در حالیکه بالاترین دقت استفاده کننده (دقت کاربر) مربوط به واحد اکولوژیک Astragalus verus با 99/0 درصد و پایینترین مقدار آن متعلق به واحد اکولوژیک Stipa hohenikeriana با 85/0 درصد است. از طرفی نتایج حاصل از خوارزمیک درخت تصمیمگیری بیانگر دقت تولید کننده و دقت کاربر بالای 95/0 درصد در تمامی واحدهای اکولوژیک گیاهی میباشد. بهطوریکه واحد اکولوژیک Astragalus verus و Astragalus verus-Stipa hohenikeriana با 100 درصد و واحد اکولوژیک Bromus tomentellus با 95/0 درصد به ترتیب بیشترین و کمترین دقت تولید کننده را دارا میباشند. در حالیکه بیشترین دقت کاربر مربوط به واحد اکولوژیک Astragalus verus-Bromus tomentellus با 100 درصد و کمترین مقدار آن متعلق به واحد اکولوژیک Bromus tomentellus-Stipa hohenikeriana با 97/0 درصد است. نتایج همچنین حاکی از آن است که دقت کلی و ضریب کاپا برای خوارزمیک طبقهبندی درختی به ترتیب برابر 94/0 درصد و 92/0 و برای خوارزمیک درخت تصمیمگیری برابر 99/0 درصد و 97/0 میباشد. نتیجهگیری: با توجه به نتایج بهدست آمده میتوان بیان نمود که خوارزمیک درخت تصمیمگیری از قابلیت بالاتری در بهکارگیری اطلاعات طیفی جهت کلاسهبندی واحدهای اکولوژیک گیاهی در مقایسه با خوارزمیک طبقهبندی درختی برخوردار بوده و منجر به نتایج دقیقتری شد. همچنین ادغام باندهای کمکی به‌دست آمده از تصاویر اصلی بههمراه باندهای خام، میتواند باارزشترین اطلاعات را برای تشخیص واحدهای اکولوژیک گیاهی فراهم آورد. نتایج تحقیق حاضر همچنین حاکی از آن است که در صورت در دسترس نبودن تصاویر چندطیفی ماهوارههای با قدرت تفکیک مناسب، استفاده از تصاویر گوگل ارث با توجه به سهولت دسترسی و رایگان بودن آنها در تهیه نقشههای موضوعی مانند پوشش زمین بسیار مناسب و مقرون به صرفه است و نقشه تولید شده از آن میتواند بهعنوان یک واقعیت زمینی مورد استفاده قرار گیرد. Background and objectives: Satellite images and remote sensing technology are recognized as efficient and modern tools for extracting information related to earth sciences, which make it possible to evaluate and monitor ecosystems at a lower cost than field methods. One of the most important methods of extracting information from satellite data is various image classification techniques. The present study was conducted in order to evaluate the capability of Classification Tree Analysis and Decision Forest algorithms on Sentinel 2 satellite images as well as a visual interpretation of Google Earth images to separate and classify plant ecological units in one of the semi-steppe rangelands of Chaharmahal and Bakhtiari province. Methodology: In order to distinguish plant ecological units (homogeneous units of vegetation), the visual interpretation method was first used, which included determining polygons on the image and then defining homogeneous areas with similar characteristics in order to identify the dominant type and surface cover of the land. Then, the characteristics of each polygon were interpreted based on the dominant species and the type of disturbances and a general classification was done. After separating the plant ecological units and separating the approximate boundaries of the units, vegetation sampling was done according to the peak growth time of the plant species. After determining the vegetation cover and its production, the average percentage of the estimated vegetation cover in each ecological unit was calculated. For this purpose, first, the dominant plant species of each specific unit and then its accompanying species were determined on the condition of having 50% or more coverage of the previous species. Finally, the identified plant ecological units were named based on the dominant species and by physiognomic and floristic methods and expressed in the form of descriptive statistics. In this study, in addition to the visual interpretation method, Classification Tree Analysis and Decision Forest algorithms were also used to generate a vegetation map. For this purpose, multispectral images of the MSI Sentinel 2 sensor were used as the main processing source. In the next stage, ground control samples were taken randomly from each group of plant ecological units as a model for the spectral characteristics of the classes. Then, the samples were separated into training and experimental datasets, in such a way that a part was divided for classification (one-third of the samples) and another part was divided to estimate the accuracy of the results of the mentioned classification algorithms (two-thirds of the samples). In order to extract information as best as possible, auxiliary layers such as digital elevation model, principal component analysis, and plant indices such as NDVI along with spectral data were used in the classification process. Then the algorithms were classified in Idrisi TerrSet software. In this way, maps of plant ecological units related to the studied area were obtained. In order to evaluate the accuracy of the classification results, the resulting maps were checked with the registered ground reality points. Then, the error matrix related to each method was generated by the software, and finally, the extracted statistics were evaluated and compared. Results: The results of visual interpretation showed that finally 7 types of plant ecological units were identified that were different in terms of structural features, including Astragalus verus, Bromus tomentellus, Scariola orientalis, Astragalus verus-Bromus tomentellus, Astragalus verus-Stipa hohenikeriana, Bromus tomentellus- Stipa hohenikeriana and Stipa hohenikeriana. The results obtained from the Classification Tree Analysis algorithm showed that the ecological unit Astragalus verus-Stipa hohenikeriana with %0.99 and the ecological unit Bromus tomentellus with %0.90 have the highest and lowest producer accuracy, respectively. While the highest user accuracy is related to the ecological unit Astragalus verus with %0.99 and the lowest value belongs to the ecological unit Stipa hohenikeriana with %0.85. On the other hand, the results of the Decision Forest algorithm indicate producer accuracy and user accuracy above %0.95 in all plant ecological units. So that the ecological unit Astragalus verus and Astragalus verus-Stipa hohenikeriana with %100 and the ecological unit Bromus tomentellus with %0.95 have the highest and lowest producer accuracy, respectively. While the highest user accuracy is related to the ecological unit Astragalus verus-Bromus tomentellus with %100 and the lowest value belongs to the ecological unit Bromus tomentellus-Stipa hohenikeriana with %0.97. The results also show that the overall accuracy and kappa coefficient for the Classification Tree Analysis algorithm is %0.94 and 0.92, respectively, and for the Decision Forest algorithm is %0.99 and 0.97. Conclusion: According to the obtained results, it can be stated that the Decision Forest algorithm has a higher capability in using spectral information for the classification of plant ecological units in comparison with the Classification Tree Analysis algorithm and led to more accurate results. Also, the integration of the auxiliary bands obtained from the original images along with the raw bands can provide the most valuable information for the identification of plant ecological units. The results of the present research also indicate that if multispectral satellite images with appropriate resolution are not available, using Google Earth images due to their ease of access and their free availability is very suitable and affordable for the preparation of thematic maps such as land cover. It is economical and the map produced from it can be used as a ground reality. سنتینل 2, طبقه‌بندی درختی, درخت تصمیم‌گیری, داده‌های کمکی Sentinel 2, Classification Tree Analysis Algorithm, Decision Forest Algorithm, auxiliary data 745 764 http://rangelandsrm.ir/browse.php?a_code=A-10-1393-1&slc_lang=fa&sid=1 Samaneh Sadat Mahzooni-Kachapi سمانه سادات محزونی کچپی sadatmahzooni@yahoo.com 100319475328460015338 100319475328460015338 No Department of Range and Watershed Management, Faculty of Natural Resource and Earth Science, Shahrekord University, Shahrekord گروه مرتع و آبخیزداری، دانشکده منابع طبیعی و علوم زمین، دانشگاه شهرکرد، شهرکرد Pejman Tahmasebi پژمان طهماسبی pejman.tahmasebi@sku.ac.ir 100319475328460015339 100319475328460015339 Yes Department of Range and Watershed Management, Faculty of Natural Resource and Earth Science, Shahrekord University, Shahrekord گروه مرتع و آبخیزداری، دانشکده منابع طبیعی و علوم زمین، دانشگاه شهرکرد، شهرکرد Ataollah Ebrahimi عطاالله ابراهیمی ataollah.ebrahimi@sku.ac.ir 100319475328460015340 100319475328460015340 No Department of Range and Watershed Management, Faculty of Natural Resource and Earth Science, Shahrekord University, Shahrekord گروه مرتع و آبخیزداری، دانشکده منابع طبیعی و علوم زمین، دانشگاه شهرکرد، شهرکرد Mohammad Hassan Jouri محمدحسن جوری mjouri@gmail.com 100319475328460015341 100319475328460015341 No Department of Natural Resources, Islamic Azad University, Noor Branch, Noor گروه منابع طبیعی، دانشگاه آزاد اسلامی واحد نور، نور