نقش قدرت تفکیک مکانی و رادیومتری تصاویر هوایی در تشخیص گونه‌های درختی به روش طبقه‌بندی شئ- پایه

نوع مقاله: علمی- پژوهشی

نویسندگان

1 هیات علمی دانشگاه آزاد اسلامی واحد تبریز

2 هیات علمی دانشگاه تهران

چکیده

حجم بسیار زیاد تصاویر هوایی چند طیفی، منجر به کاهش شدید سرعت پردازش داده‌ها و بروز مشکلاتی در آرشیو و مدیریت آنها برای تولید نقشه گونه‌های درختی می‌شود. بنابراین پژوهش پیش‌رو به‌منظور بررسی تأثیر کاهش توان تفکیک مکانی و رادیومتری این تصاویر، در تشخیص گونه‌های درختی به روش طبقه‌بندی شئ- پایه در سه منطقه جنگلی مجزا انجام شد. ابتدا تصاویر اصلی (با اندازه تفکیک مکانی 7 سانتی‌متر و توان تفکیک رادیومتری 16 بیت) مورد قطعه‌بندی واقع شده و پس از دستیابی به مطلوب‌ترین نتیجه، طبقه‌بندی شدند. سپس به‌ترتیب با 2، 3، 4، 5 و 6 برابر کردن اندازه پیکسل‌ها و همچنین کاهش عمق رادیومتری از 16 بیت به 8 بیت، فرایند طبقه‌بندی بر مبنای همان قطعه‌بندی و مجموعه باندها، توصیف‌گرها و نمونه‌های تعلیمی، مجدداً تکرار شده و نتایج به‌دست آمده مورد ارزیابی صحت قرار گرفتند. طبق نتایج، در هر سه منطقه، با کاهش توان رادیومتری از 16 به 8 بیت، صحت کلی و ضریب کاپا نسبت به تصاویر اصلی به شکل محسوسی کاهش یافت. اما با کاهش توان تفکیک مکانی، روند یکسانی از تغییرات صحت در این سه منطقه مشاهده نشد. از این‌رو نتیجه‌گیری شد که در جنگلکاری‌های یکدست یا جنگل‌های با تنوع گونه‌های درختی کم و آمیختگی گرو‌هی، افزایش اندازه پیکسل‌ها تا حد 4 برابر، در مطالعات اجرایی که با موضوع پژوهش پیش‌رو انجام می‌شود، قابل توجیه و توصیه است. اما در جنگل‌های طبیعی که از تنوع گونه‌های درختی بیشتری برخوردار بوده و آمیختگی، بیشتر به‌صورت پایه‌ای است، افزایش اندازه پیکسل‌ها باید با احتیاط بیشتری انجام شده و تحقیقی مشابه پژوهش پیش‌رو باید در قسمت‌هایی از آنها انجام شود.
 

کلیدواژه‌ها


عنوان مقاله [English]

The effect of spatial and radiometric resolutions of aerial images for tree species classification by object-based approach

نویسندگان [English]

  • Omid Refieyan 1
  • Ali Asghar Darvishsefat 2
1 Assistant Professor, Department of Environmental Engineering, Tabriz Branch, Islamic Azad University, Tabriz, Iran.
2 Professor, Department of Forestry and Forest Economics, University of Tehran, Karaj, Iran.
چکیده [English]

The optimal computational capability for analyzing multispectral aerial images e.g. for fine-scale tree species mapping is often considerably constrained by their enormous data volume. This may be mainly reflected in a reduction in the speed of data processing as well as in their archiving. This research was conducted to explore the effect of alterations in spatial and radiometric resolutions in the quality of object-based tree species classification by UltraCamD aerial images. The study was conducted in three different study sites. Segmentation was firstly implemented on the original images featuring spatial and radiometric resolution of 7 cm and 8-bit, respectively. The optimum segmentation result was then classified. Following this, rescaling in spatial (to 14, 21, 28, 35 and 42 cm pixel size) and radiometric (16-bit to 8-bit) resolutions were conducted, which was followed by classification of the resulted images using the similar segmentation, input bands, features and training and validation data. Based on the conducted accuracy assessment of the resulted classified images, the accuracy was shown to reduce along with a decrease in the radiometric resolution for all of the three areas. However, the trend was shown to be non-uniform when reducing the spatial resolution of the input data. It is concluded that a downscaling of the pixel size down to 4 times coarser than the original pixel size does not notably affect the classification of even-aged or homogeneous forests, while it should be merely conducted with caution in case of natural stands encompassing undisturbed, heterogeneous and diverse groups of species. 

کلیدواژه‌ها [English]

  • UltraCamD
  • image segmentation
  • object-based classification
  • spatial and radiometric resolution
- Baltsavias, E., Eisenbeiss, H., Akca, D., Waser, L.T., Kuckler, M., Ginzler, C. and Thee, P. 2007. Modeling fractional shrub/tree cover and multi-temporal changes using high-resolution digital surface model and CIR-aerial images. Available from: http://www.photogrammetry.ethz.ch/ general/persons/devrim-pub1.html, 11p.

- Benz, U.C., Hoffmann, P., Willhauck, G., Lingenfelder, I. and Heynen, M. 2004. Multi-resolution object-oriented fuzzy analysis of remote sensing data for GIS-ready information. ISPRS Journal of Photogrammetry and Remote Sensing, 58: 239-258.

- Bohlin, J., Olsson, H., Olofsson, K. and Wallerman, J. 2007. Tree species discrimination by aid of template matching applied to digital air photos. Workshop on 3D Remote Sensing in Forestry- Session 6a, Vienna: 199-203.

- Definiens, A.G. 2006. Definiens Professional5 User Guide. The Image Intelligence Company, Available from: http://read.pudn.com/downloads112/ebook/467360/eCognition5.0UserGuide.pdf

- Heikkinen, V., Korpela, I., Tokola, T., Honkavaara, E. and Parkkinen, J. 2011. An SVM classification of tree species radiometric signatures based on the Leica ADS40 sensor. IEEE Transactions on Geoscience and Remote Sensing, 49(11): 4539-4551.

- Hirschmugl, M., Ofner, M., Raggam, J. and Schardt, M. 2007. Single tree detection in very high resolution remote sensing data. Remote Sensing of Environment, 110(4): 533-544.

- Honkavaara, E., Markelin, L., Ahokas, E., Kuittinen R. and Peltoniemi, J. 2008. Calibrating digital photogrammetric airborne imaging systems in a test field. The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 37(B1): 555-560.

- Kaartinen, H., Hyyppä, J., Yu, X., Vastaranta, M., Hyyppä, H., Kukko, A., Holopainen, M., Heipke, C., Hirschmugl, M., Morsdorf, F., Næsset, E., Pitkänen, J., Popescu, S., Solberg, S., Wolf, B.M. and Wu, J.C. 2012. An international comparison of individual tree detection and extraction using airborne laser scanning. Remote Sensing, 4: 950-974.

- Knight, J.F. and Lunetta, R.S. 2003. An experimental assessment of minimum mapping unit size. IEEE Transactions on Geoscience and Remote Sensing, 41(9): 2132-2134.

- Ozdemir, I., Norton, D.A, Ozkan, U.Y., Mert, A. and Senturk, O. 2008. Estimation of tree size diversity using object-oriented texture analysis and ASTER imagery. Sensors, 8(8): 4709-4724.

- Rafieyan, O., Darvishsefat, A.A., Babaii, S. and Mattaji, A. 2011. Identification of tree species using object-based classification of Digital Aerial Images in the Northern forests of Iran (Case study: Chamestan-Nur). Iranian Journal of Remote Sensing and GIS, 4(2): 63-74 (In Persian).

- Rama Rao, N., Garg, P.K. and Ghosh, S.K. 2007. Evaluation of radiometric resolution on land use/land cover mapping in an agricultural area. International Journal of Remote Sensing, 28(2): 443-450. 

- Schiewe, J. 2002. Segmentation of high-resolution remotely sensed data concepts, application and problems. Proceeding of Symposium on Geospatial Theory, Processing and Applications, Ottawa, Canada: 235-242.

- Shabanipoor, M. 2011. Investigation on the possibility of reconnaissance of tree species in high-resolution images by object-based classification. M.Sc. thesis, Department of Forestry, University of Tehran, Karaj, 73p (In Persian).

- Waser, L.T., Ginzler, C., Kuechler, M., Baltsavias, E. and Hurni, L. 2011. Semi-automatic classification of tree species in different forest ecosystems by spectral and geometric variables derived from ADS40 and RC30 data. Remote Sensing of Environment, 115(1): 76-85.

- Yu, Q., Gong, P., Clinton, N., Biging, G., Kelly M. and Schirokauer, D. 2006. Object-based detailed vegetation classification with airborn high spatial resolution remote sensing imagery. Photogrammetric Engineering and Remote Sensing, 72(7): 799-811.