Journal of Spatial Analysis Environmental Hazards

fa افزایش دقت پایش واحدهای اکولوژیکی گیاهی با ادغام داده‌های چندسنجنده‌ای: رویکردی نوین در مدیریت مخاطرات محیطی Increasing the Plant Ecological Units monitoring accuracy with multi-sensor data fusion: a new approach in environmental hazards management تخصصي Special پژوهشي Research هدف: در طول یک چشم‌انداز به‌راحتی نمیتوان بخشهایی از اراضی که مقدار و نوع پوشش گیاهی متفاوتی دارند را تشخیص داد. واحدهای اکولوژیک گیاهی بهعنوان واحدهای مدیریتی شناخته میشوند و گویای پیشینه مدیریت حاکم و تخریبات طبیعی بر منطقه هستند. هدف این تحقیق، تلفیق تصاویر ماهوارهای با قدرت تفکیک مکانی مختلف جهت افزایش دقت نقشه واحدهای اکولوژیک گیاهی مورد بررسی قرار گرفته است. روش پژوهش: ابتدا حوزه آبخیز مرجن بروجن در استان چهارمحال و بختیاری انتخاب شد. بعد از بررسیهای میدانی چهار واحد اکولوژیک گیاهی غالب در منطقه شناسایی شد. در این مطالعه تصاویر ماهواره لندست_8 با توان تفکیک مکانی 30 متر (باندهای 7_2) و باند پنکروماتیک 15 متر (باند 8)، همچنین تصاویر ماهواره سنتینل_2 شامل 4 باند پنکروماتیک (8، 4، 2،3) با توان تفکیک مکانی 10 متر مورد استفاده قرار گرفت. با استفاده از باند پنکروماتیک ماهواره لندست، باندهای 30 متری از طریق فرایند Pan-sharping به 15 متر ارتقاء یافته. سپس برای افزایش وضوح مکانی تصاویر 15 متری لندست به تصاویر 10 متری، از باندهای پنکروماتیک ماهواره سنتینل_2 استفاده شد. به این صورت که مجموع باندهای پنکروماتیک سنتینل_2 جهت انطباق هندسی با مجموع باندهای 15 متری ماهواره لندست_8، فرایند Co_Registration با حداقل میزان RMSE (05/0) انجام گرفت. سپس با استفاده از الگوریتم گرام اشمیت، باندهای 15 متری ماهواره لندست_8 به توان تفکیک مکانی 10 متر ارتقاء یافت. در نهایت با دو مجموع باندی (2 تا 8) تصاویر ماهواره لندست_8 با توان تفکیک مکانی 15 متر و 10 متر، با استفاده از الگوریتم طبقهبندی RF نقشههای طبقهبندی واحدهای اکولوژیک گیاهی تهیه شد و دقت نقشههای تولیدی به صورت ماتریس خطا نمایش داده شد. یافته‌ها: نتایج نشان داد که با افزایش توان تفکیک مکانی تصاویر بر دقت نقشههای طبقهبندی واحدهای اکولوژیک گیاهی نیز افزوده میشود. بهطوری که مجموعه باندهای 15 متری میزان دقت کلی نقشه طبقهبندی را 66 درصد نشان میدهند، در حالی که با افزایش وضوح مکانی باندها به 10 متر، میزان دقت کلی نقشه طبقهبندی به 82 درصد ارتقاء پیدا کرده است. همچنین نتایج ماتریس خطا نشان میدهد که نقشه طبقهبندی حاصل از مجموعه دادههای 10 متری، هر چهار گروه واحد اکولوژیک گیاهی میزان دقت تولیدکننده، دقت کاربر و شاخص توافق کاپا ارتقاء یافته است. نتیجه‌گیری: نتایج این مطالعه نشان میدهد که استفاده از فرایند تلفیق گرام اشمیت و افزایش توان تفکیک مکانی از 30 متر به 10 متر سبب کاهش میزان پیکسلهای مختلط و افزایش پیکسلهای خالص و در نتیجه بهبود کیفیت تصاویر در نقشههای تولیدی میشود.   Objective: During a landscape, it is not facile to discriminate land parts that have dissimilar amounts and types of vegetation. Plant Ecological Units (PEUs) are known as management units and are a reflection of the management actions and natural disturbances in the region. This research aims to fuse different resolutions of satellite images to increase the PEUs classification accuracy. Methods: For this purpose, the Marjan-Borujen watershed in Chaharmahal va Bakhtiari province was selected. After field monitoring and surveys, four dominant PEUs groups were identified in the study area. In this study, bands from the Landsat_8 satellite images with 30 m  spatial resolution (bands 7_2) and a 15 m panchromatic band (band 8) were used, as well as the Sentinel_2 satellite images including panchromatic bands (8, 4, 2, 3) with 10 m spatial resolution. First step, using the Landsat panchromatic band, the 30-m bands were upgraded to 15 m through the pen-sharpening process; so the 15 m  data set was prepared from the Landsat_8 satellite. Then, to increase the spatial resolution of the 15-meter data set to 10 m, the Sentinel_2 panchromatic bands were used. In this way, the Sentinel_2 panchromatic bands were geometrically matched with the Landsat_8 15 m data set, and the Co-Registration process was performed with the minimum RMSE(0.05). Finally,  two data sets (2 to 8 bands) of the Landsat_8 satellite images with 15 m and 10 m spatial resolution, the PEUs classification maps were prepared using the RF classification algorithm, and the maps' accuracy was displayed as an error matrix. Results: The results show that increasing the spatial resolution significantly enhances the accuracy of PEUs classification maps. The 15 m set shows an overall classification map accuracy of 66%, while increasing the spatial resolution to 10 m enhances the overall accuracy to 82%. As well as, the error matrix results show that the classification map procured from the 10 m set, all four PEUs groups have improved the producer accuracy, user accuracy, and kappa agreement index. So, in this map, PEU 2 and PEU 3 have the highest kappa agreement coefficient (83 percent). Conclusions: This study shows that using the Gram-Schmidt fusion algorithm and consequently increasing the spatial resolution of Landsat 8 images from 30 m to 10 m reduces mixed pixels and increases pure pixels, which in turn improves the quality of PEU classification maps.   الگوریتم گرام اشمیت , ادغام تصاویر , سنجش از دور , واحدهای اکولوژیک گیاهی, Gram-Schmidt algorithm, Image fusion, Remote sensing, Plant Ecological Units. 0 0 http://jsaeh.khu.ac.ir/browse.php?a_code=A-10-2159-1&slc_lang=fa&sid=1 Ataollah Ebrahimi عطالله ابراهیمی Ataollah.Ebrahimi@sku.ac.ir 100319475328460012613 100319475328460012613 Yes Shahrekord University دانشگاه شهرکرد Masoumeh Aghababaei معصومه آقابابایی ma.aghababaeei@stu.sku.ac.ir 100319475328460012614 100319475328460012614 No Shahrekord University دانشگاه شهرکرد | Ali Asghar Naghipour علی اصغر نقی پور aa.naghipour@sku.ac.ir 100319475328460012615 100319475328460012615 No Shahrekord University دانشگاه شهرکرد Esmaeil Asadi اسماعیل اسدی asadi-es@sku.ac.ir 100319475328460012616 100319475328460012616 No Shahrekord University دانشگاه شهرکرد