Journal of Applied Research in Geographical Sciences

fa ارزیابی دقت تصاویر فراطیفی و چندطیفی در طبقه بندی پوشش تالاب ها با استفاده از روش‌های مختلف طبقه بندی (مطالعه موردی: تالاب شادگان) Evaluating the accuracy of hyperspectral and multispectral images in wetland cover classification using data mining models (Case study: Shadegan wetland) سنجش از دور Rs پژوهشي Research <div style="text-align: justify;">طبقه<span dir="LTR"></span>بندی پوششی تالاب<span dir="LTR"></span>ها به منظور شناسایی نوع گونههای گیاهی داخل تالاب و تمایز آن با پوشش گیاهی حاشیهی تالاب و بررسی تغییرات اکوسیستم آنها از اهمیت ویژهای برخوردار است. با توجه به مشابهت طیفی بین گونههای مختلف گیاهی تالاب و گیاهان حاشیهی تالاب و زمینهای کشاورزی این امر با استفاده از دادههای چندطیفی با مشکلاتی مواجه است و دادههای ابرطیفی میتواند در این زمینه بسیار سودمند باشد. در این مطالعه توان سنجنده‌های ابرطیفی و چندطیفی در شناسایی ویژگی‌های تالاب و توانایی سنجنده‌های  <span dir="LTR">ETM+</span>(۲۰۱۱)، <span dir="LTR">Hyperion</span>(۲۰۱۱) و <span dir="LTR">ALI</span>(۲۰۱۱) به منظور مطالعهی ویژگی‌های تالاب شادگان طی سال ۱۳۹۰ بررسی شد و شاخصهای مختلف طیفی به همراه ترکیب مناسبی از باندهای تصاویر ماهوارهای سنجندههای مذکور به عنوان ورودی انواع روش‌های طبقهبندی شامل روشهای حداکثر احتمال، حداقل فاصله، شبکه عصبی و ماشین بردار پشتیبان مورد مقایسه قرار گرفت. نتایج نشان داد که روش‌های ماشین بردار پشتیبان و شبکه عصبی با دارا بودن دقت طبقهبندی بالای ۸۵ درصد در هر سه تصویر<span dir="LTR">,</span> نتایج نزدیک‌تری به واقعیت نشان می‌دهند. دقت طبقهبندی برای هر سه تصویر برای روش ماشین بردار پشتیبان در بالاترین حد خود بود به طوریکه برای تصویر <span dir="LTR">Hyperion</span> صحت کلی برابر ۹۵.۷۳، برای <span dir="LTR">ALI</span> برابر ۸۸.۰۳ و برای <span dir="LTR">ETM+</span> برابر با ۸۹.۳۴ است. بنابراین ویژگی‌های در نظر گرفته شده برای تالاب، در سه تصویر حاصل از الگوریتم <span dir="LTR">SVM</span> نشان داد که نمایش تمایز کاربری پوشش گیاهی حاشیه تالاب از کاربری زمین‌های کشاورزی آبی دارای ابهام بیشتری نسبت به سایر ویژگی‌های تالاب است. بررسی‌ها نشان داد که این بخش در تصاویر <span dir="LTR">ALI</span> و <span dir="LTR">ETM+ </span> نسبت به تصاویر <span dir="LTR">Hyperion</span> کمتر قابل شناسایی هستند و یا در برخی مناطق این قسمت‌ها اصلا قابل تفکیک از ارضی کشاورزی آبی نیستند، در حالیکه <span dir="LTR">Hyperion</span> به دلیل دارای بودن تعداد ۲۲۰ باند و داشتن سطح بالاتری از جزئیات طیفی<span dir="LTR">,</span> توانایی تفکیک این دو کلاس را از هم دارد<span dir="LTR">.</span></div> <div> <div id="ftn4"><span dir="RTL"></span></div> </div> <div style="text-align: justify;">Wetland cover classification is of special importance in order to identify the type of plant species inside the wetland and also to distinguish it from the wetland margin vegetation and to study their ecosystem changes.  Due to the spectral similarity between different plant species of wetlands and plants along the wetlands and agricultural lands, this is faced with problems using multispectral data and hyperspectral data can be very useful in this regard. in this study power of hyperspectral and multispectral sensors in identifying the characteristics of the wetland and the ability of ETM + (2011), Hyperion (2011) and ALI (2011) sensors to study the characteristics of Shadegan wetland during 1390 and different spectral indices with a suitable combination of The satellite imagery bands of these sensors were compared as input to a variety of classification methods including maximum likelihood, minimum distance, neural network and support vector machine. The results showed that the support vector machine and neural network methods with closer classification accuracy of 85% in all three images show closer results to reality. The classification accuracy for all three images was at its highest for the backup vector machine method, with a total accuracy of 95.73 for the Hyperion image, 88.03 for the ALI and 89.34 for the ETM +. Therefore, the characteristics considered for the wetland, in the three images obtained from the SVM algorithm showed that showing the differentiation of wetland vegetation use from irrigated agricultural land use is more ambiguous than other wetland features. Studies have shown that this part is less recognizable in ALI and ETM + images than Hyperion images, or in some areas these parts are not separable from aquaculture land at all, while Hyperion due to having 220 bands and having a higher level of Spectral details have the ability to distinguish between the two classes.</div> تصاویر ابرطیفی, تصاویر چندطیفی, تالاب شادگان, طبقه‌بندی Superspectral images, Multispectral images, Shadegan wetland, Classification 272 292 http://jgs.khu.ac.ir/browse.php?a_code=A-10-4577-1&slc_lang=fa&sid=1 Hamid Bagheri حمید باقری h-bagheri@tvu.ac.ir 100319475328460021116 100319475328460021116 No Department of Civil Engineering, Technical and Vocational University (TVU), Tehran, Iran عضو هیات علمی, گروه مهندسی عمران, دانشگاه فنی و حرفه‌ای، تهران، ایران Rahime Rostami رحیمه رستمی Rahimeh.rostami@ut.ac.ir 100319475328460021117 100319475328460021117 Yes PhD student, University of Tehran دانشجوی دکتری دانشگاه تهران