ارزﯾﺎﺑﯽ ﻗﺎﺑﻠﯿﺖ ﺗﺼﺎوﯾﺮ ﻣﺎﻫﻮاره ﻫﺎي ﻟﻨﺪﺳﺖ 8 و ﺳﻨﺘﯿﻨﻞ 2 ﺑﺮاي ﺗﻬﯿﻪ ﻧﻘﺸﻪ ﺗﯿﭗ ﺟﻨﮕﻞ ﻫﺎي ﻫﯿﺮﮐﺎﻧﯽ در ﺣﻮﺿﻪ آﺑﺨﯿﺰ ﮐﺠﻮر

Investigation on the capability of Landsat-8 and Sentinel-2 data for mapping forest type in the Kojur watershed of Hyrcanian forests

سابقه و هدف آگاهي از موقعيت مكاني تيپ هاي جنگلي، اطلاعات ارزشمندي را براي برنامه ريزي و مديريت پايدار جنگل ها فراهم مي كند. استفاده از فناوري سنجش از دور و سيستم اطلاعات جغرافيايي در تهيه اين قبيل اطلاعات به ويژه در مناطق كوهستاني و صعب العبور، مورد توجه بسياري از محققان و مجريان طرح هاي جنگلداري است. به همين منظور تحقيق حاضر با هدف بررسي قابليت داده هاي ماهواره هاي لندست8 و سنتينل2 در تهيه نقشه تيپ جنگل هاي هيركاني در حوضه آبخيز كجور انجام شد. مواد و روش ها پس از بررسي كيفيت داده ها، به منظور استخراج هر چه بهتر اطلاعات پردازش هايي مانند تهيه شاخص هاي گياهي، تبديل تسلدكپ، تحليل مولفه هاي اصلي و ادغام بر روي تصاوير ماهواره اي صورت گرفت. به منظور تهيه نقشه واقعيت زميني از اطلاعات موجود (شهريور 1392 و ارديبهشت 1393) و همچنين برداشت هاي ميداني انجام شده در شهريور 1397 (در مجموع 60 قطعه نمونه)، استفاده گرديد. تعيين تيپ تمامي قطعه نمونه ها براساس روش گرجي بحري انجام شد. در ادامه پس از بررسي ميزان تفكيك پذيري تيپ ها و تعيين تعداد طبقات (راش خالص، راش آميخته، راش- ممرز، ممرز آميخته، لور خالص و لور-اوري)، نقشه هاي تيپ جنگل با استفاده از داده هاي ماهواره اي و به كارگيري الگوريتم هاي ماشين بردار پشتيبان، جنگل تصادفي، شبكه عصبي مصنوعي و حداكثر تشابه تهيه شد. به-منظور ارزيابي دقيق تر عملكرد روش هاي طبقه بندي از دو دسته نمونه تعليمي با تعداد پيكسل هاي متفاوت براي آموزش در الگوريتم هاي طبقه بندي استفاده شد. يافته ها نتايج اين تحقيق نشان داد كه داده هاي ماهواره سنتينل2 از قابليت بيشتري در مقايسه با داده هاي ماهواره لندست8 براي تهيه نقشه تيپ جنگل برخوردار هستند، به ويژه وقتي كه تعداد تيپ ها زياد باشد. از سوي ديگر يافته هاي اين تحقيق نشان داد با به كارگيري روش ادغام مناسب براي داده هاي هر يك از ماهواره ها، مي توان نقشه تيپ جنگل دقيق تري توليد كرد. ارزيابي عملكرد الگوريتم هاي مختلف طبقه بندي نيز نشان داد كه ميزان نمونه هاي تعليمي در نتايج تاثير دارد، به طوري كه با استفاده از نمونه هاي تعليمي كمتر، روش-هاي ماشين بردار پشتيبان و حداكثر تشابه در بيشتر حالت ها بهترين عملكرد را ارايه كردند، اما با افزايش 100 درصدي تعداد نمونه هاي تعليمي، بهترين نتايج در تمامي حالت ها با استفاده از روش جنگل تصادفي حاصل گرديد. نتيجه گيري بر اساس يافته هاي اين پژوهش و با توجه به نتايج با ثبات تر روش هاي ماشين بردار پشتيبان و جنگل تصادفي در حالت-هاي مختلف طبقه بندي، الگوريتم هاي مذكور براي تهيه نقشه تيپ قابليت بالاتري نسبت به دو روش ديگر دارند. با توجه به صحت طبقه-بندي ها، مي توان بيان داشت كه داده هاي ماهواره هاي لندست8 و سنتينل2 از قابليت متوسطي (صحت كلي حدود 75% در طبقه بندي با چهار تيپ) براي تهيه نقشه تيپ جنگل هاي هيركاني برخوردار هستند. براي ارزيابي دقيق تر اين داده ها، پيشنهاد مي شود تحقيقات تكميلي در ساير رويشگاه هاي جنگل هاي هيركاني ضمن در نظر گرفتن ويژگي هاي فنولوژيكي و شرايط توپوگرافي منطقه انجام شود

Background and Objectives: Information on forest types and their spatial distribution are valuable for sustainable forest management and planning. The use of remote sensing technology and geographic information system for providing such fundamental information specially in mountainous and remote areas, has been considered by many researchers and forest managers. The current study aims to investigate the capability of Landsat-8 and Sentinel-2 satellite data to generate forest type map in the Kojur watershed of Hyrcanian forests. The performance of some parametric and non-parametric classification methods was also compared. Materials and Methods: Following quality assessment, some preprocessing techniques including vegetation indices (VI) extraction, tasseled cap transformation (TCT), principal component analysis (PCA) and fusion were applied on the satellite imagery. Field information collected in September 2018 plus available field data from September 2013 and May 2014, in total 60 sample plots, were used to produce a ground truth map. Forest type was determined through Gorji Bahri approach in each plot. Based on forest types separability, six types were identified (pure beech, mixed beech, beech-hornbeam, mixed hornbeam, pure eastern hornbeam, and eastern hornbeam-Persian oak) to be classified using satellite data. The performance of some classifiers like support vector machine (SVM), random forest (RF), artificial neural network (ANN) and maximum likelihood (ML) was analyzed using two different training datasets. Results: The results indicated that the sentinel-2 dataset performed better than Landsat-8 for producing forest type map specially when the number of classes increases. It was also found that image fusion methods on sentinel-2 and landsat-8, appropriately improved the result of classifications. This research confirms the effectiveness of number of training samples on the performance of classifiers. Respecting the accuracy assessment criterion, the SVM and RF algorithms showed better result while only 22% of field data was used as training samples. By increasing the number of training samples to 50% of field measurements, the highest accuracy was obtained using RF algorithm applying on all datasets from two satellites. Conclusion: The Landsat-8 and Sentinel-2 satellite data have moderate capability (overall accuracy around 75% for four-class classification) for mapping forest types in the Hyrcanian forest. The SVM and RF produced more stable and accurate results in comparison with two other algorithms, ANN and ML. Complementary studies are recommended in different forest sites while considering phenology of species and topographic attributes.