دوره 4، شماره 2 - ( 6-1404 )
سال 4 شماره 2 صفحات 102-88 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Amiri Z, Abbasi M, Kahyani S, Riyahi Bakhtyari H R. (2025). Evaluating the Role of Spectral Library–Derived Indices in Improving Forest Type Classification in the Central Zagros Using Sentinel-2 Imagery. jfer. 4(2), : 7
URL: http://yujs.yu.ac.ir/jzfr/article-1-150-fa.html
URL: http://yujs.yu.ac.ir/jzfr/article-1-150-fa.html
امیری زهرا، عباسی مژگان، کهیانی صالح، ریاحی بختیاری حمیدرضا.(1404). ارزیابی نقش شاخص‌های طیفی استخراج‌شده از کتابخانه طیفی در بهبود طبقه‌بندی تیپ‌های جنگلی زاگرس مرکزی با استفاده از تصاویر Sentinel-2 مجله تحقیقات اکوسیستم‌های جنگلی 4 (2) :102-88
دانشگاه شهرکرد ، hriyahi@sku.ac.ir
چکیده: (245 مشاهده)
سابقه و هدف: جنگل‌های زاگرس به‌عنوان یکی از اکوسیستم‌های طبیعی کشور، دارای تنوع اکولوژیکی قابل‌توجهی هستند و تیپ‌بندی آن‌ها نقش کلیدی در مدیریت پایدار دارد. جنگل‌های شهرستان فلارد در استان چهارمحال و بختیاری با پوشش غالب بلوط و بنه بخشی از زاگرس مرکزی را تشکیل می‌دهند و نقش برجسته‌ای در پایداری اکولوژیک، تنوع‌زیستی و تأمین خدمات زیست‌محیطی منطقه دارند. بااین‌حال، نبود نقشه‌های تیپ‌بندی به‌روز و دقیق، مدیریت علمی این عرصه‌ها را با دشواری مواجه ساخته است. روش‌های سنتی برداشت زمینی به‌دلیل هزینه‌های بالا و محدودیت‌های دسترسی فیزیوگرافیکی، کارایی لازم را ندارند. پژوهش پیش‌رو با هدف بهره‌گیری از فناوری‌های نوین سنجش از دور و ارزیابی تأثیر به‌کارگیری شاخص‌های طیفی مستخرج از کتابخانه طیفی بر افزایش دقت طبقه‌بندی نظارت‌شده تصاویر ماهواره‌ای Sentinel-2 در تفکیک تیپ‌های جنگلی انجام شد.
مواد و روش‌ها: به منظور بررسی تاثیر شاخص‌های طیفی حاصل از کتابخانه طیفی در تفکیک گونه‌های غالب منطقه، این مطالعه در سه منطقه جنگلی با دو تیپ خالص و یک تیپ مخلوط به ترتیب میشان (بلوط خالص)، کته‌سیاه (بنه خالص) و وندون (پوشش آمیخته بلوط و بنه) در شهرستان فلارد استان چهارمحال و بختیاری و با سه سناریو مختلف طبقه‌بندی انجام شد. در سناریو اول تنها تصاویرSentinel-2 مربوط به تاریخ ۲۴ مهر ۱۴۰۳)برای هر سه منطقه‌ی مورد مطالعه، مورد طبقه‌بندی قرار گرفت. در سناریو دوم علاوه بر باندهای اصلی سنجنده، شاخص‌های طیفی عمومی (NDVI ، SAVI، MSAVI، GNDVI، EVI) که به‌ترتیب برای ارزیابی سبزینگی، کاهش اثر خاک، سنجش سلامت کلروفیلی و افزایش حساسیت به پوشش‌های متراکم هست، بر روی داده‌های Sentinel-2 اعمال و وارد فرایند طبقه‌بندی شدند. در سناریو سوم علاوه بر باندهای اصلی، شاخص‌های طیفی تخصصی (PRI، CRI، MCRI، CAI، NDVI800، NPCI، RENDVI و ARI) مستخرج از داده‌های کتابخانه‌ی طیفی دو گونه بلوط و بنه در فرایند طبقه‌بندی قرار گرفتند. طبقه‌بندی داده‌ها در هر سه منطقه با سه الگوریتم نظارت‌شده شامل ماشین بردار پشتیبان (SVM)، حداکثر احتمال (MLC)و حداقل فاصله از میانگین (MinDist) انجام شد. صحت طبقه‌بندی با استفاده از نقشه واقعیت زمینی و معیارهای ضریب کاپا و دقت کلی بررسی شد.
یافته‌ها: نتایج نشان داد که در حالت اول، الگوریتم حداکثر احتمال به ترتیب با صحت کلی و ضریب کاپا در میشان (4/98٪، 71/0)، کته‌سیاه (5/77٪، 32/0) و وندون (7/86٪، 67/0) عملکرد بهتری داشت. در حالت دوم، همین الگوریتم در میشان (7/97٪، 65/0) و کته‌سیاه (9/75٪، 38/0) بهترین بود، اما در وندون، ماشین بردار پشتیبان با صحت کلی 9/77٪ و ضریب کاپای 57/0 برتر بود. در حالت سوم، نتایج حاصل از بررسی صحت نشان داد الگوریتم ماشین بردار پشتیبان در هر سه منطقه میشان (2/99٪، 81/0)، کته‌سیاه (2/98٪، 74/0) و وندون (0/89٪، 67/0) بالاترین دقت را گزارش کرده است. مقایسه‌ی سه حالت نشان داد که شاخص‌های طیفی تخصصی حاصل از کتابخانه طیفی در افزایش دقت طبقه‌بندی، مؤثرتر از شاخص‌های عمومی عمل کردند. با وجود دقت بالای الگوریتم‌ها، محدودیت‌هایی مانند شباهت طیفی خاک و پوشش گیاهی در مناطق کم‌تراکم، بر نتایج تأثیر گذاشت.
نتیجه‌گیری: بر اساس یافته‌ها، می‌توان نتیجه گرفت که تلفیق داده‌های طیفی معتبر و الگوریتم‌های یادگیری ماشین، ابزار مؤثری در تهیه نقشه‌های دقیق پوشش جنگلی است. استفاده از کتابخانه طیفی در کنار تصاویر سنتینل-۲، امکان تفکیک دقیق‌تر گونه‌های جنگلی را فراهم می‌کند. همچنین الگوریتم SVM به‌عنوان گزینه‌ای مناسب برای طبقه‌بندی تیپ‌های جنگلی در مناطق با پوشش متراکم و ساختار پیچیده پیشنهاد می‌شود. یافته‌های این پژوهش در برنامه‌ریزی حفاظتی- مدیریتی و پایش مستمر اکوسیستم‌های جنگلی زاگرس قابل کاربرد است.
مواد و روش‌ها: به منظور بررسی تاثیر شاخص‌های طیفی حاصل از کتابخانه طیفی در تفکیک گونه‌های غالب منطقه، این مطالعه در سه منطقه جنگلی با دو تیپ خالص و یک تیپ مخلوط به ترتیب میشان (بلوط خالص)، کته‌سیاه (بنه خالص) و وندون (پوشش آمیخته بلوط و بنه) در شهرستان فلارد استان چهارمحال و بختیاری و با سه سناریو مختلف طبقه‌بندی انجام شد. در سناریو اول تنها تصاویرSentinel-2 مربوط به تاریخ ۲۴ مهر ۱۴۰۳)برای هر سه منطقه‌ی مورد مطالعه، مورد طبقه‌بندی قرار گرفت. در سناریو دوم علاوه بر باندهای اصلی سنجنده، شاخص‌های طیفی عمومی (NDVI ، SAVI، MSAVI، GNDVI، EVI) که به‌ترتیب برای ارزیابی سبزینگی، کاهش اثر خاک، سنجش سلامت کلروفیلی و افزایش حساسیت به پوشش‌های متراکم هست، بر روی داده‌های Sentinel-2 اعمال و وارد فرایند طبقه‌بندی شدند. در سناریو سوم علاوه بر باندهای اصلی، شاخص‌های طیفی تخصصی (PRI، CRI، MCRI، CAI، NDVI800، NPCI، RENDVI و ARI) مستخرج از داده‌های کتابخانه‌ی طیفی دو گونه بلوط و بنه در فرایند طبقه‌بندی قرار گرفتند. طبقه‌بندی داده‌ها در هر سه منطقه با سه الگوریتم نظارت‌شده شامل ماشین بردار پشتیبان (SVM)، حداکثر احتمال (MLC)و حداقل فاصله از میانگین (MinDist) انجام شد. صحت طبقه‌بندی با استفاده از نقشه واقعیت زمینی و معیارهای ضریب کاپا و دقت کلی بررسی شد.
یافته‌ها: نتایج نشان داد که در حالت اول، الگوریتم حداکثر احتمال به ترتیب با صحت کلی و ضریب کاپا در میشان (4/98٪، 71/0)، کته‌سیاه (5/77٪، 32/0) و وندون (7/86٪، 67/0) عملکرد بهتری داشت. در حالت دوم، همین الگوریتم در میشان (7/97٪، 65/0) و کته‌سیاه (9/75٪، 38/0) بهترین بود، اما در وندون، ماشین بردار پشتیبان با صحت کلی 9/77٪ و ضریب کاپای 57/0 برتر بود. در حالت سوم، نتایج حاصل از بررسی صحت نشان داد الگوریتم ماشین بردار پشتیبان در هر سه منطقه میشان (2/99٪، 81/0)، کته‌سیاه (2/98٪، 74/0) و وندون (0/89٪، 67/0) بالاترین دقت را گزارش کرده است. مقایسه‌ی سه حالت نشان داد که شاخص‌های طیفی تخصصی حاصل از کتابخانه طیفی در افزایش دقت طبقه‌بندی، مؤثرتر از شاخص‌های عمومی عمل کردند. با وجود دقت بالای الگوریتم‌ها، محدودیت‌هایی مانند شباهت طیفی خاک و پوشش گیاهی در مناطق کم‌تراکم، بر نتایج تأثیر گذاشت.
نتیجه‌گیری: بر اساس یافته‌ها، می‌توان نتیجه گرفت که تلفیق داده‌های طیفی معتبر و الگوریتم‌های یادگیری ماشین، ابزار مؤثری در تهیه نقشه‌های دقیق پوشش جنگلی است. استفاده از کتابخانه طیفی در کنار تصاویر سنتینل-۲، امکان تفکیک دقیق‌تر گونه‌های جنگلی را فراهم می‌کند. همچنین الگوریتم SVM به‌عنوان گزینه‌ای مناسب برای طبقه‌بندی تیپ‌های جنگلی در مناطق با پوشش متراکم و ساختار پیچیده پیشنهاد می‌شود. یافته‌های این پژوهش در برنامه‌ریزی حفاظتی- مدیریتی و پایش مستمر اکوسیستم‌های جنگلی زاگرس قابل کاربرد است.
شماره‌ی مقاله: 7
فهرست منابع
1. Abbasi, M., Darvishsefat, A.A., Shepman, M.A., Marvi-Mohajer, M.R. & Sobhani, H. 2009. Spectral reflectance differences of leaves of major tree species in Caspian forests using ground spectrometry. Iranian Journal of Forest and Poplar Research, 4: 568-580.
2. Abedi, R. & Bonyad, A.A. 2013. Mapping tree species composition using satellite imagery. National Geomatics Conference, 1 May 2013, Tehran. Iran.
3. Ahmadi Sani, N., Darvishsefat, A.A., Zobeiri, M., Farzaneh, A., 2009. Potentiality of ASTER images for forest density mapping in Zagros (Case study: Marivan forests). Iranian Journal of Natural Resources 61(4): 603-614.
4. Amini, M. 2006. Monitoring forest extent changes and its relation with physiographic and human factors using satellite imagery and GIS (Case study: Aramardeh forests, Baneh). M.Sc. Thesis, Gorgan University of Agricultural Sciences and Natural Resources, Iran.
5. Amiri, M., Mostafa, M. & Rahimi, M. 2019. Mapping forest types in Ziarat-Gorgan forest management plan using parametric and non-parametric methods. Iranian Journal of Forest, 2: 239-254.
6. Cho, M.A., Malahlela, O. & Ramoelo, A. 2015. Assessing the utility of World View-2 imagery for tree species mapping in South African subtropical humid forest. International Journal of Applied Earth Observation and Geoinformation, 38: 349-357. [DOI:10.1016/j.jag.2015.01.015]
7. Ebrahimi, G. 2012. Forest type mapping using satellite data (Case study: part of Marivan forests).
8. M.Sc. Thesis, Kurdistan University, Iran.
9. Ginindza, Th. 2025. Identification of commercial forest tree species using Sentinel‑2 and PlanetScope imageries in the Usutu Forest, Eswatini. Journal of Geographic Information System, 17: 1-22. [DOI:10.4236/jgis.2025.171001]
10. Grabska, E., Hostert, P., Pflugmacher, D. & Ostapowicz, K. 2019. Forest stand species mapping using the Sentinel‑2 time series. Remote Sensing, 11: 1197. [DOI:10.3390/rs11101197]
11. Hadiyan, J., Shataei, S. & Bonyad, A. 2012. Evaluation of vegetation indices for forest canopy density estimation. Iranian Journal of Forest and Poplar Research, 20: 33-45.
12. Hościło, A. & Lewandowska, A. 2019. Mapping forest type and tree species on a regional scale using multi-temporal Sentinel‑2 data. Remote Sensing, 11: 929. [DOI:10.3390/rs11080929]
13. Isbaex, C., Coelho, A., Gonçalves, A. & Sousa, A. 2024. Mapping of forest species using Sentinel‑2A images in the Alentejo and Algarve Regions, Portugal. Land, 13: 2-21. [DOI:10.3390/land13122184]
14. Jeong, J. & Park, Ch. 2023. Developing a mapping procedure for urban forests using online map services and Sentinel‑2A images. Urban Forestry & Urban Greening, 89: 128095. [DOI:10.1016/j.ufug.2023.128095]
15. Laurin, G.V., Puletti, N., Hawthorne, W., Liesenberg, V., Corona, P., Papale, D. & Valentini, R. 2016. Discrimination of tropical forest types and dominant species using hyperspectral and simulated Sentinel‑2 data. Remote Sensing of Environment, 176: 163-176. [DOI:10.1016/j.rse.2016.01.017]
16. Luhrabi, Y., Abbasi, M., Soltani, A., Riyahi bakhtyari, H.R. 2018. Determination of the most suitable method for forest type mapping in central Zagros using landsat-8 satellite Images, Journal of Forest Research and Development, 4(2): 191-205.
17. Mirki, M., Sohrabi, H., Sadeghi, S., Fatehi, P. & Immitzaer, M. 2023. Mapping mangrove forests using Sentinel‑2 imagery and Google Earth Engine. Marine Science and Technology Journal, 22: 40-49.
18. Mohammadpour, P., Viegas, D. & Viegas, C. 2022. Vegetation mapping with Random Forest using Sentinel‑2 and GLCM texture features. Remote Sensing, 14: 2-20. [DOI:10.3390/rs14184585]
19. Nasiri, V., Beloiu, M., Darvishsefat, A.A., Griess, V., Maftei, C. & Waser, L. 2022. Mapping tree species composition in a Caspian temperate mixed forest using spectral-temporal metrics and machine learning. International Journal of Applied Earth Observation and Geoinformation, 116: 103154. [DOI:10.1016/j.jag.2022.103154]
20. Pourghasemi, M. 2021. Radiative transfer models at leaf and canopy of trees for two species of Quercus brantii and Pistacia atlantica in Zagros forests (Case study: Chaharmal-Bakhtiyari province). PhD Thesis, Shahrekord University, Iran, 145p.
21. Yang, J., Kyung Lee, Y. & Chi, J. 2023. Spectral unmixing-based Arctic plant species analysis using a spectral library and terrestrial hyperspectral imagery. International Journal of Applied Earth Observation and Geoinformation, 125: 103583. [DOI:10.1016/j.jag.2023.103583]
22. Zarco‐Tejada, P J., Ustin, S.L., & Whiting, M.L. 2005. Temporal and spatial relationships between within‐field yield variability in cotton and high‐spatial hyperspectral remote sensing imagery. Agronomy journal, 97(3): 641-653. [DOI:10.2134/agronj2003.0257]
23. Zhang, J., Wang, Ch., Yuan, L., Zang, Y. & Wu, K. 2020. Construction of a plant spectral library based on an optimized feature selection method. Biosystems Engineering, 195: 1-16. [DOI:10.1016/j.biosystemseng.2020.04.008]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
