Journal of Geomatics Science and Technology

fa ارائه روشی شیء‌مبنا جهت طبقه‌بندی مناطق جنگلی با استفاده از تصاویر پلاریمتری رادار و ابرطیفی Providing Object Based Method for Classifying Forest Regions Using POLSAR and Hyper-Spectral Images فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research <div style="text-align: justify;">جنگل به‌ عنوان یکی از منابع سخت تجدیدپذیر در محیط‌زیست به شمار می‌آید. کسب اطلاعات از این منابع، همواره مورد توجه سازمان‌ها و مدیران بخش‌های منابع طبیعی بوده است. سنجش‌ازدور به‌عنوان علمی قوی و تا حدودی مقرون‌به‌صرفه، توانایی در اختیار قرار دادن اطلاعاتی از قبیل نوع گونه‌های اصلی، تخمین زیست‌توده، شناسایی و طبقه‌بندی تک‌درختان و غیره را از منابع جنگلی دارد. نحوه بهره‌گیری تصاویر سنجش‌ازدوری به‌ منظور بهبود نتیجه طبقه‌بندی، امروزه مورد توجه محققین می‌باشد. وجود جنگل‌هایی با تنوع گونه بالا و همچنین شباهت طیفی و ساختاری گونه‌های جنگلی، ضرورت استفاده توأمان از تصاویر رادار و اپتیک را بیشتر می‌کند. از این رو، هدف این مقاله ارائه الگوریتمی می‌باشد که از داده‌های پلاریمتری و ابرطیفی به‌صورت توأمان استفاده می‌کند. به طوری که اطلاعات ساختاری و سطحی از تصویر پلاریمتری و اطلاعات رنگی، طیفی و شیمیایی از تصویر ابرطیفی استخراج شود. الگوریتم از دو مرحله اصلی تشکیل شده است. در مرحله اول قطعه‌بندی تصویر و تفکیک مناطق جنگلی از غیرجنگل انجام می‌شود. در مرحله دوم، ویژگی‌های مختلف از دو مجموعه داده، برای هر قطعه استخراج می‌شوند. ویژگی‌های پلاریمتری در دسته‌های ویژگی‌های اصلی، المان‌های تجزیه‌کننده‌ها و تفکیک‌کننده‌های SAR و همچنین، ویژگی‌های اپتیک شامل ویژگی‌های اصلی، ویژگی‌های مرتبط با محتوای شیمیایی گونه‌ها و نسبت‌های بازتابندگی می‌باشند. به منظور انتخاب بهینه ویژگی‌ها از الگوریتم انتخاب ویژگی ژنتیک و همچنین از الگوریتم ماشین بردار پشتیبان به‌منظور تهیه تصویر طبقه‌بندی‌شده بهره گرفته می‌شوند. نتایج حاکی از آن می‌باشد که استفاده از الگوریتم ژنتیک و تمام ویژگی‌ها دقت کلی 78/82 درصدی و ضریب کاپای 36/79 را حاصل کرده است. ویژگی‌های مبتنی بر محتوای شیمیایی درخت و شاخص‌های طیفی و بازتابندگی در ناحیه مادون قرمزکوتاه به همراه درجه پلاریزاسیون، مؤلفه Kd تجزیه کروگاگر، مؤلفه H از تجزیه H/Alpha و Lambda از تجزیه کلود-پوتیر به عنوان ویژگی‌های مؤثر در طبقه‌بندی معرفی شدند.</div> <div style="text-align: justify;">Forest has been introduced as one of the resolvable sources in environment. The forest regions considerably effect on metrological condition and CO2 content of the regions. Hence, Management and preservation of these sources is so critical and important for forestry organizations. Since, propounding tree species maps are essential and useful issues for managers and also because of vast area of the forest, remote sensing could be powerful tool for forest mapping in a large terrain. Optical and synthetic aperture radar (SAR) are two prevalent remote sensing imaging systems which have high capacities to provide different information, such as recognizing type of tree species, biomass and CO2 content estimation, tree chemical combinations and tree species classification which commonly could be utilized in forest regions management. In this paper, because of same spectral and structural behaviors of trees to each other and existence of various types of trees in forest, a new algorithm has been developed to classify tree species by using Hyper-spectral and POLSAR images. The algorithm consists of two main stages, first the co-registered image is segmented to certain groups of homogenous pixels and forest and non-forest segments are separated to each others. Since in SAR images every object of land surface has certain scattering mechanism and because of volume mechanism of forest regions, we utilize polarimetric signatures so that recognize volume scattering mechanism in image. Second, specific features of each segment are extracted from Hyper-spectral and POLSAR images. Reflectance in each band, continuum removals features in special spectral ranges and spectral indices related to chemical contents tree structures, stress and spectral ratios are some extractable features from Hyper-spectral image and on the other hand, POLSAR features include original features, decomposition methods, and SAR discriminators. Although both hyperspectral and SAR images provide large number of features, but some of them have correlation to each other and became as extra features which should be removed in trend of process. For this reason, non-parametric feature selection algorithm has been proposed to select effective features among all. To choose the optimum features, genetic algorithm is applied and then, trained SVM algorithm in feature space with optimal dimensions classifies image to certain tree species. To find out ability of each type of features in classification, the features are divided to groups with certain number of features and overall accuracy and kappa coefficient related to each group is calculated.  The results demonstrated that combination of GA algorithm and all features has more accuracy than others algorithm which was about 82.78% in overall accuracy and 79/36 in kappa coefficient. Spectral indices related to chemical behaviors of trees and reflectance in SWIR regions have better performance than other mentioned optical features. Some effective polarimetric features, such as lambda, degree of polarization, Alpha/H of cloude-potier decomposition, span and Kd of  krogager decomposition were some freatures with high ability in tree species classification. SAR features play major roles in three parts of the result; first, constructed Polarimetric signature of SAR images was useful for displaying volume mechanism and separation of forest and non-forest segments. Second, mentioned features of SAR images had high ability to distinct pine species of needle leaf species from broad leaf species. The last application of SAR images was in helping the algorithm to classify short leaf loblolly and loblolly from each others.</div> رادار با روزنه مجازی, ابرطیفی, انتخاب ویژگی, بهینه‌سازی ژنتیک, طبقه‌بندی کننده SVM Hyper-Spectral Image, POLSAR Image, Feature Extraction, Feature Selection, Forest Classification 133 147 http://jgst.issgeac.ir/browse.php?a_code=A-10-129-2&slc_lang=fa&sid=1 M. Vahidi میلاد وحیدی M.vahidi71@kntu.ac.ir 10031947532846005523 10031947532846005523 No دانشگاه صنعتی خواجه نصیرالدین طوسی M. R. Sahebi محمودرضا صاحبی sahebi@kntu.ac.ir 10031947532846005524 10031947532846005524 Yes دانشگاه صنعتی خواجه نصیرالدین طوسی S. Babaie ساسان بابایی s_babaie@srbiau.ac.ir 10031947532846005525 10031947532846005525 No دانشگاه آزاد اسلامی واحد علوم و تحقیقات