بررسي بهبود صحت طبقه‌بندي تيپهاي جنگل با استفاده از ادغام داده‌هاي ماهواره‌اي(مطالعه موردي: طرح جنگل‌داري آذررود، سوادكوه -مازندران)

براي بررسي بهبود صحت طبقه‌بندي تيپهاي جنگلي با استفاده از داده‌هاي ماهواره‌اي از داده‌هاي چند طيفي و باند PAN سنجندهETM+ طرح جنگل‌داري آذررود واقع در شهرستان سوادكوه استفاده شد. باندها از نظر خطاي راديومتري و هندسي مورد بررسي و بازبيني قرار گرفتند. باند 1 به‌دليل وجود خطاي راديومتري حذف گرديد. با تصحيحات هندسي ضمن رفع اثر خطاي جابه‌جايي ناشي از پستي و بلندي با استفاده از 21 نقطه كنترل و مدل رقومي زمين با دقت كمتر از نيم پيكسل صورت گرفت. براي انجام عمليات ادغام (فيوژن) از روش متداول PC استفاده شد. عمل طبقه‌بندي تيپهاي جنگلي به‌روش نظارت شده و با الگوريتمهاي حداكثر احتمال، متوازي السطوح و حداقل فاصله از ميانگين انجام شد. بيشترترين ميزان صحت كلي براي طبقه‌بندي 6 طبقه قابل تفكيك، مربوط به طبقه‌بندي كننده حداكثر احتمال با صحت كلي12/34% و ضريب كاپاي 15/23% به‌دست آمد كه نتايج به‌دست آمده از اين روش در مقايسه با نتايج طبقه‌بندي بدون اعمال روش ادغام و با به‌كارگيري همان تعداد طبقه، بيانگر كاهش صحت مي‌باشد كه علت آن را مي‌توان در نوع روش انتخابي (PC) در عمليات ادغام و نامتجانس بودن منطقه مورد بررسي جستجو كرد. بنابراين تكرار اين عمليات در مناطق ديگر و استفاده از ساير روشهاي ادغام پيشنهاد مي‌گردد.

The combination of panchromatic band with multispectral data is known as data fusion operation, which increases ground resolution of multispectral data. The results of the application of this method on the accuracy level of forest type classification were investigated. The multispectral data and PAN band from the ETM+ sensors belong to forest district located in "Azarrood" forestry plans in "Savadkooh" were used for the sake of this survey. The bands were controlled according to Radiometric and geometric error separately. Band 1, was omitted because of the existence of radiometric error and its less importance in vegetation cover study. Geometric correction was performed by 22 round control points with DEM, up to orthorectification level, with up precision of least than half pixel. Fusion operation was performed by PC method. The supervised classification was performed with using basic and synthetic bands (ratio, principle Analysis), with maximum likelihood, minimum distance, parallelepiped algorithm. The highest overall accuracy was 34.12% and kappa coefficient 23.15% for separability six vegetation type. The result shows the reduction of data correctness in compare with the result of produced forest type map without fusion. That as the reasons, we can indicated are, selected method type for fusion operation, heterogeneous area. Therefore, the repetition of this operation in another area with using other fusion methods is proposed.