ارزيابي طبقه‌بندي هاي پيكسل-پايه و شيي-پايه تصاوير هوايي براي تشخيص گونه‌هاي درختي (مطالعه موردي: جنگلكاري‌ چمستان نور)

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

تصاوير هوايي رقومي جنگل‌هاي شمال كه با دوربين هوايي پيشرفته UltraCamD گرفته‌ شده‌اند، منبع بسيار با ‌ارزشي براي توليد اطلاعات مفيد جنگل هستند. ويژگي‌هاي خاص اين تصاوير، ضرورت تعيين روش بهينه طبقه‌بندي آنها را مطرح مي‌سازد. در اين تحقيق داده‌هاي ادغام شده اين سنجنده در چهار باند طيفي 16 بيتي و با اندازه تفكيك مكاني 7 سانتي‌متر مربوط به سال 1387 از يك منطقه جنگلكاري در چمستان نور، با هدف تشخيص گونه‌هاي درختي، تجزيه و تحليل شدند. در تصحيح هندسي دقيق تصاوير، علاوه بر داده‌هاي GPS و IMU همراه تصوير، از نقاط كنترل زميني اخذ‌شده با DGPS نيز استفاده شد. بارزسازي‌هاي مناسب انجام گرفت و باندهاي حاصل به‌همراه باندهاي اصلي به‌كار گرفته شدند. نمونه‌هاي تعليمي يكسان در هر دو روش طبقه‌‌بندي استفاده ‌شدند. نقشه واقعيت زميني براي ارزيابي نتايج طبقه‌بندي‌ها، به‌روش ميداني تهيه ‌شد. در روش پيكسل-پايه، طبقه‌بندي نظارت‌شده به‌روش حداكثر تشابه انجام گرفت. در روش شيي-پايه، ابتدا قطعه‌بندي تصوير با تركيب‌هاي باندي و ضرايب مناسب شاخص‌هاي رنگ، شكل، فشردگي، همواري و مقياس به اجرا‌ درآمد و در ادامه، طبقه‌بندي به‌روش‌ نزديك‌ترين همسايه و بر مبناي منطق فازي در سطوح طبقات والد و وارث اجرا و بهترين حالت طبقه‌بندي با استفاده از معيارهاي پايداري طبقه‌بندي، تفكيك‌پذيري طبقات و ارزيابي صحت تعيين ‌شد. ارزيابي صحت نقشه‌هاي حاصل از دو روش در مقايسه با داده‌هاي مبنا، نشان‌دهنده برتري معني‌دار از نظر صحت كلي و ضريب كاپاي طبقه‌بندي شيي-پايه است. ضمن اينكه نقشه‌هاي حاصل از آن، حالت نامناسب فلفل‌نمكي موجود در نقشه‌هاي پيكسل-پايه را ندارد. به‌علاوه روش شيي-پايه با بهره‌گيري از اطلاعات مكاني موجود در تصوير، در كنار اطلاعات طيفي آن، در تفكيك گونه‌هايي كه تشابه طيفي زيادي با هم داشتند، بسيار موفق عمل كرد. صحت طبقه‌بندي شيي-پايه بر روي داده‌هاي با توان تفكيك مكاني زياد، وابسته به نوع طبقات و ماهيت تفكيك‌پذيري آنها، كيفيت قطعه‌بندي، اندازه نمونه‌ها، كيفيت نمونه‌برداري، چارچوب و قالب طبقه‌بندي و توزيع مكاني و درجه آميختگي جنگل است.

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.