Vegetation classification based on wetland index using object based classification of satellite images (Case study: Anzali wetland)
Subject Areas : Natural resources and environmental managementMaryam Haghighi Khomami 1 , Mohammad Javad Tajaddod 2 , Mokaram Ravanbakhsh 3 , Fariborz Jamalzad Fallah 4
1 - Instructor of Natural Environment Research Group, Academic Center for Education Culture & Research (ACECR), Environmental Research Institute, Rasht, Iran
2 - MSc. Environmental Planning, Natural Environment Research Group, Academic Center for Education Culture & Research (ACECR), Environmental Research Institute, Rasht, Iran
3 - Instructor of Natural Environment Research Group, Academic Center for Education Culture & Research (ACECR), Environmental Research Institute, Rasht, Iran
4 - Assistant Professor, Natural Environment Research Group, Academic Center for Education Culture & Research (ACECR), Environmental Research Institute, Rasht, Iran
Keywords: remote sensing, Normalized difference vegetation index (NDVI), Classification, Anzali Wetland, Wetland plants index,
Abstract :
Background and ObjectiveRecently, a lot of studies have been done in Anzali wetland as one of the most important wetlands of Ramsar Convention, which has a high cost due to the nature and geographical location of the wetland. Advances in technology have made it possible to evaluate natural environments more accurately, fast, and low cost with remote sensing data due to their easy accessibility, high accuracy, extensive and reproducible coverage in terms of time and space, and information extraction in a relatively short time. Because one of the most important problems in studying vegetation changes is the lack of accurate spatial information over time. Satellite imagery and remote sensing technology make it possible to achieve a better program for environmental management by relying on the information produced by it. In this study, the vegetation classification of Anzali wetland was done by using the technique of Object base classifications of Landsat image incorporation with fieldwork based on the wetland index of plants as well as the vegetation index (NDVI) of the study area were analyzed. Wetland vegetation classification maps can be used to identify the amount and type of cover and planning to maintain and rehabilitate the wetland. Materials and Methods In this study, a vegetation map based on the wetland index is considered as one of the required criteria for ecological demarcation of wetlands. First, the general vegetation areas of the wetland on the coast and around it were identified. Then, vegetation data of wetland aquatic species were collected from different wetland areas in 0.25 m2 plots. In the land margin area, the wetland species of the wetland margin were collected with a 1 m2 plot. A total of 42 plots were collected during the spring and summer of 2019. After preparing the required images, their preprocessing including geometric, atmospheric, radiometric corrections and image enhancement were performed using ENVI. Landsat 8 Image on July 29, 1998, with a spatial resolution of 30 meters was used to classify vegetation and prepare a map of vegetation index (NDVI) and image of Sentinel-2 satellite (July 98) due to 10 m of the ground resolution was used to combine with Landsat 8 data as auxiliary data in image classification. The combining of these two images improves the spatial resolution also preserves the spectral values of the multispectral image. The object-based classification was performed on the integrated Landsat 8 image using training data from field work. The classification accuracy was evaluated for each class using experimental samples as ground control points and the classification error matrix was extracted. Results and Discussion First, the dominant plants and representatives of their wetland index were identified by field work. Then, the relative percentage of dominant plant cover at the sampling site was calculated according to the standard list of identified plant species, and Plants were divided into two groups of wetland and non-wetland based on the wetland index. From the classification of plot species in 42 plots, 180 plant species were identified in 124 genera and 48 families. Also, four groups of wetland plants were: obligate wetland plants (OBL), facultative and obligate wetland plants (OBL & FACW), facultative upland, and facultative wetland plants (FACU & FACW), and facultative wetland plants (FACW). A vegetation map was prepared from a combination of terrestrial samples and object base classification of the 2019 Landsat satellite OLI image sensor. The accuracy of the classified maps was evaluated based on the kappa coefficient and overall accuracy. The overall accuracy is 88.62% and the kappa coefficient is 84%. The Plant distribution was determined based on satellite image classification: OBL plants were observed in the water zone (west and Sorkhankol wetland margin), FACW plants were observed mostly in the dry margin and mainly in the southwest of the wetland (Siahkeshim wetland) and Choukam Wildlife Sanctuary in the eastern part of the wetland, OBL & FACW group with less uniform distribution was observed in the whole area and FACU & FACW group was observed in a small part in Choukam, north, and northwest of the wetland. The percentage of vegetation density map retrieved from the NDVI index shows the distribution of dense vegetation cover in different parts of the wetland and the limitation of the water level of the wetland bed. Conclusion The results of the satellite imagery study and their classification according to terrestrial samples showed that the spread and dispersal of obligate wetland species (OBL) were limited to water parts of the wetlands so that the highest distribution of these plants were in the west of the Anzali wetland and Sorkhankol. The spread of facultative wetland species (FACW) was in the arid areas of the wetland, which indicates the upland areas of the wetland in Siahkeshim (southwest) and Choukam (east). The result of image classification showed the percentage of plant group in each class: the agricultural class (with a present level of 23.9%) and the group of facultative species (FACW) (with a present level of 23.6% and mostly Phragmites, Alnus, and Salix species) have the top percentage of image classification classes of Anzali Wetland. This indicates more presence of facultative species compared to obligate species of wetland (OBL) (with a present level of 10.1%) and the level of agricultural land occupation, showed the wetland drying. The percentage of vegetation at the wetland level was assessed with the vegetation index (NDVI), most of which belongs to dense vegetation. Due to the fact that the satellite image is related to the summer season, this map shows the distribution of vegetation in different parts and the water level of the wetland bed, which has reduced the amount of water levels in the wetland. Periodic review of vegetation and its ecological changes provides useful information on changes in the water and ecological resources of the wetland to plan for its maintenance as an important ecosystem in the region.
Al-Wassai FA, Kalyankar N, Al-Zuky AA. 2011. Arithmetic and frequency filtering methods of pixel-based image fusion techniques. International Journal of Advanced Research in Computer Science 8(3): 122-133. arXiv preprint arXiv:1107.3348.
Baatz M, Schape A. 2000. Multiresolution Segmentation: An Optimization Approach for High Quality Multi-Scale Image Segmentation. In: Strobl, J., Blaschke, T. and Griesbner, G., Eds., Angewandte Geographische Informations-Verarbeitung, XII, Wichmann Verlag, Karlsruhe, Germany, 12-23.
Behrouzi Rad B. 1998. The value of wetlands and the role of the Ramsar Convention in their protection. Journal of Environmental Science, 10(34): 2-24. (In Persian).
Behrouzi Rad B. 2008. Iran Wetlands. Published by Geographical Organization of the Army Press. 812 p. (In Persian).
Darwish T, Faour G. 2008. Rangeland degradation in two watersheds of Lebanon. Lebanese Science Journal, 9(1): 71-80.
Feizizadeh B, Helali H. 2010. Comparison pixel-based, object-oriented methods and effective parameters in Classification Land cover/land use of west province Azerbaijan. Physical Geography Research Quarterly, 42(71): 73-84. (In Persian).
Ghafari S, Moradi HR, Modarres R. 2018. Comparison of object-oriented and pixel-based classification methods for land use mapping (Case study: Isfahan-Borkhar, Najafabad and Chadegan plains). Journal of RS and GIS for Natural Resources, 9(1): 40-57. http://girs.iaubushehr.ac.ir/article_540415_en.html. (In Persian).
Hajibigloo M, Sheikh V, Memarian H, Komaki CB. 2020. Determination of quantity and allocation disagreement indices in selection of appropriate algorithm for land use classification in pixel and objected base in Gorgarood river basin. Journal of RS and GIS for Natural Resources, 10(4): 1-20. http://girs.iaubushehr.ac.ir/article_670313.html?lang=en. (In Persian).
Hammer DA. 2014. Creating freshwater wetlands. CRC Press, 345 p.
Healey SP, Cohen WB, Zhiqiang Y, Krankina ON. 2005. Comparison of Tasseled Cap-based Landsat data structures for use in forest disturbance detection. Remote Sensing of Environment, 97(3): 301-310. doi:https://doi.org/10.1016/j.rse.2005.05.009.
Hosseinjani A, Ahmadnejad M, Mahdizade G, Sadeghinejad Masouleh E, Sohrabi T, Saberi H. 2017. Study of Aquatic Plant Biomass Assessment and their relationship with environment parameters in west of Anzali wetland. Wetland Ecobiology, 9(1): 69-78. (In Persian).
Jackson S. 1995. Delineating bordering vegetated wetlands: under the Massachusetts Wetlands Protection Act: a handbook. Massachusetts Department of Environmental Protection, Division of Wetlands and Waterways, 86 p.
Khodabandehlou B, Khavarian Nehzak H, Ghorbani A. 2019. Change detection of land use/land cover using object oriented classification of satellite images (Case study: Ghare Sou basin, Ardabil province). Journal of RS and GIS for Natural Resources, 10(3): 76-92. http://girs.iaubushehr.ac.ir/article_668474_en.html. (In Persian).
Klonus S, Ehlers M. 2007. Image fusion using the Ehlers spectral characteristics preservation algorithm. GIScience & Remote Sensing, 44(2): 93-116. doi:https://doi.org/10.2747/1548-1603.44.2.93.
Lee T-M, Hui-Chung Y. 2009. Applying remote sensing techniques to monitor shifting wetland vegetation: A case study of Danshui River estuary mangrove communities, Taiwan. Ecological Engineering, 35(4): 487-496. doi:https://doi.org/10.1016/j.ecoleng.2008.01.007.
Magee TK, Ringold PL, Bollman MA. 2008. Alien species importance in native vegetation along wadeable streams, John Day River basin, Oregon, USA. Plant Ecology, 195(2): 287-307. doi:https://doi.org/10.1007/s11258-007-9330-9.
Malmiran H. 2004. Tematic mapping from satellite imagery: A guide book. Publications of the Geographical Organization of the Ministry of Defense and Armed Forces Support, Iran. third edition. 280 p. (In Persian).
McFeeters SK. 1996. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International Journal of Remote Sensing, 17(7): 1425-1432. doi:https://doi.org/10.1080/01431169608948714.
Nezhad AT, Amrgholipour Kasmani V, Ghahramani Nezhad F. 2013. Biomass estimation of dominant aquatic plants andtheir plant community impacts in four importantwetlands of Babol, Mazandaran province. Applied Biology, 26(1): 57-67. https://doi.org/10.22051/JAB.22014.21148. (In Persian).
Pettorelli N, Vik JO, Mysterud A, Gaillard J-M, Tucker CJ, Stenseth NC. 2005. Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends in Ecology & Evolution, 20(9): 503-510. doi:https://doi.org/10.1016/j.tree.2005.05.011.
Rahmani S, Ebrahimi A, Davoudian A. 2017. Comparison of three methods of vegetation/land cover mapping, including remote sensing, physiographic and geomorphologic. Journal of Range and Watershed Management, 70(3): 661-680. https://doi.org/610.22059/JRWM.22017.22825. (In Persian).
Rogan J, Franklin J, Roberts DA. 2002. A comparison of methods for monitoring multitemporal vegetation change using Thematic Mapper imagery. Remote Sensing of Environment, 80(1): 143-156. doi:https://doi.org/10.1016/S0034-4257(01)00296-6.
Salman Mahini A, Kamyab H. 2010. Applied Remote Sensing and GIS with IDRISI, Mehr Mahdis, 608 p. (In Persian).
Sefidian S, Salman Mahini A, Mir Karimi SH, Hassan ANA. 2015. Vegetation classification based on wetland indicator using remote sensing and field survey (Case study: International Alagol wetland). Wetland Ecobiology, 7(2): 5-22. http://jweb.iauahvaz.ac.ir/article-21-317-fa.html. (In Persian).
Sefidian S, Salmanmahiny A, Mirkarimi H, Hasan Abassi N. 2016. The ecological boundaries of semi-arid wetland using a protocol enhanced by bird indicators: The international Alagol wetland of Iran. Environmental Resources Research, 4(1): 91-110. doi:https://doi.org/10.22069/IJERR.2016.3156.
Seto KC, Woodcock C, Song C, Huang X, Lu J, Kaufmann R. 2002. Monitoring land-use change in the Pearl River Delta using Landsat TM. International Journal of Remote Sensing, 23(10): 1985-2004. doi:https://doi.org/10.1080/01431160110075532.
Tiner RW. 1993. The primary indicators method-a practical approach to wetland recognition and delineation in the United States. Wetlands, 13(1): 50-64. doi:https://doi.org/10.1007/BF03160865.
Zare Chahouki M, Khojasteh F, Yousefi M, Farsoudan A, Shafizade Nasrabady M. 2013. Evaluation of different plot shape, size, and number for sampling in middle Taleghan rangelands. Whatershed Management Research, 26(2): 133-139. (In Persian).
Zebardast l, Jafari H. 2011. Use of remote sensing in monitoring the trend of changes of Anzali wetland in Iran and proposing environmental management solution. Journal of Environmental Studies, 37(57): 1-8. (In Persian).
_||_Al-Wassai FA, Kalyankar N, Al-Zuky AA. 2011. Arithmetic and frequency filtering methods of pixel-based image fusion techniques. International Journal of Advanced Research in Computer Science 8(3): 122-133. arXiv preprint arXiv:1107.3348.
Baatz M, Schape A. 2000. Multiresolution Segmentation: An Optimization Approach for High Quality Multi-Scale Image Segmentation. In: Strobl, J., Blaschke, T. and Griesbner, G., Eds., Angewandte Geographische Informations-Verarbeitung, XII, Wichmann Verlag, Karlsruhe, Germany, 12-23.
Behrouzi Rad B. 1998. The value of wetlands and the role of the Ramsar Convention in their protection. Journal of Environmental Science, 10(34): 2-24. (In Persian).
Behrouzi Rad B. 2008. Iran Wetlands. Published by Geographical Organization of the Army Press. 812 p. (In Persian).
Darwish T, Faour G. 2008. Rangeland degradation in two watersheds of Lebanon. Lebanese Science Journal, 9(1): 71-80.
Feizizadeh B, Helali H. 2010. Comparison pixel-based, object-oriented methods and effective parameters in Classification Land cover/land use of west province Azerbaijan. Physical Geography Research Quarterly, 42(71): 73-84. (In Persian).
Ghafari S, Moradi HR, Modarres R. 2018. Comparison of object-oriented and pixel-based classification methods for land use mapping (Case study: Isfahan-Borkhar, Najafabad and Chadegan plains). Journal of RS and GIS for Natural Resources, 9(1): 40-57. http://girs.iaubushehr.ac.ir/article_540415_en.html. (In Persian).
Hajibigloo M, Sheikh V, Memarian H, Komaki CB. 2020. Determination of quantity and allocation disagreement indices in selection of appropriate algorithm for land use classification in pixel and objected base in Gorgarood river basin. Journal of RS and GIS for Natural Resources, 10(4): 1-20. http://girs.iaubushehr.ac.ir/article_670313.html?lang=en. (In Persian).
Hammer DA. 2014. Creating freshwater wetlands. CRC Press, 345 p.
Healey SP, Cohen WB, Zhiqiang Y, Krankina ON. 2005. Comparison of Tasseled Cap-based Landsat data structures for use in forest disturbance detection. Remote Sensing of Environment, 97(3): 301-310. doi:https://doi.org/10.1016/j.rse.2005.05.009.
Hosseinjani A, Ahmadnejad M, Mahdizade G, Sadeghinejad Masouleh E, Sohrabi T, Saberi H. 2017. Study of Aquatic Plant Biomass Assessment and their relationship with environment parameters in west of Anzali wetland. Wetland Ecobiology, 9(1): 69-78. (In Persian).
Jackson S. 1995. Delineating bordering vegetated wetlands: under the Massachusetts Wetlands Protection Act: a handbook. Massachusetts Department of Environmental Protection, Division of Wetlands and Waterways, 86 p.
Khodabandehlou B, Khavarian Nehzak H, Ghorbani A. 2019. Change detection of land use/land cover using object oriented classification of satellite images (Case study: Ghare Sou basin, Ardabil province). Journal of RS and GIS for Natural Resources, 10(3): 76-92. http://girs.iaubushehr.ac.ir/article_668474_en.html. (In Persian).
Klonus S, Ehlers M. 2007. Image fusion using the Ehlers spectral characteristics preservation algorithm. GIScience & Remote Sensing, 44(2): 93-116. doi:https://doi.org/10.2747/1548-1603.44.2.93.
Lee T-M, Hui-Chung Y. 2009. Applying remote sensing techniques to monitor shifting wetland vegetation: A case study of Danshui River estuary mangrove communities, Taiwan. Ecological Engineering, 35(4): 487-496. doi:https://doi.org/10.1016/j.ecoleng.2008.01.007.
Magee TK, Ringold PL, Bollman MA. 2008. Alien species importance in native vegetation along wadeable streams, John Day River basin, Oregon, USA. Plant Ecology, 195(2): 287-307. doi:https://doi.org/10.1007/s11258-007-9330-9.
Malmiran H. 2004. Tematic mapping from satellite imagery: A guide book. Publications of the Geographical Organization of the Ministry of Defense and Armed Forces Support, Iran. third edition. 280 p. (In Persian).
McFeeters SK. 1996. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International Journal of Remote Sensing, 17(7): 1425-1432. doi:https://doi.org/10.1080/01431169608948714.
Nezhad AT, Amrgholipour Kasmani V, Ghahramani Nezhad F. 2013. Biomass estimation of dominant aquatic plants andtheir plant community impacts in four importantwetlands of Babol, Mazandaran province. Applied Biology, 26(1): 57-67. https://doi.org/10.22051/JAB.22014.21148. (In Persian).
Pettorelli N, Vik JO, Mysterud A, Gaillard J-M, Tucker CJ, Stenseth NC. 2005. Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends in Ecology & Evolution, 20(9): 503-510. doi:https://doi.org/10.1016/j.tree.2005.05.011.
Rahmani S, Ebrahimi A, Davoudian A. 2017. Comparison of three methods of vegetation/land cover mapping, including remote sensing, physiographic and geomorphologic. Journal of Range and Watershed Management, 70(3): 661-680. https://doi.org/610.22059/JRWM.22017.22825. (In Persian).
Rogan J, Franklin J, Roberts DA. 2002. A comparison of methods for monitoring multitemporal vegetation change using Thematic Mapper imagery. Remote Sensing of Environment, 80(1): 143-156. doi:https://doi.org/10.1016/S0034-4257(01)00296-6.
Salman Mahini A, Kamyab H. 2010. Applied Remote Sensing and GIS with IDRISI, Mehr Mahdis, 608 p. (In Persian).
Sefidian S, Salman Mahini A, Mir Karimi SH, Hassan ANA. 2015. Vegetation classification based on wetland indicator using remote sensing and field survey (Case study: International Alagol wetland). Wetland Ecobiology, 7(2): 5-22. http://jweb.iauahvaz.ac.ir/article-21-317-fa.html. (In Persian).
Sefidian S, Salmanmahiny A, Mirkarimi H, Hasan Abassi N. 2016. The ecological boundaries of semi-arid wetland using a protocol enhanced by bird indicators: The international Alagol wetland of Iran. Environmental Resources Research, 4(1): 91-110. doi:https://doi.org/10.22069/IJERR.2016.3156.
Seto KC, Woodcock C, Song C, Huang X, Lu J, Kaufmann R. 2002. Monitoring land-use change in the Pearl River Delta using Landsat TM. International Journal of Remote Sensing, 23(10): 1985-2004. doi:https://doi.org/10.1080/01431160110075532.
Tiner RW. 1993. The primary indicators method-a practical approach to wetland recognition and delineation in the United States. Wetlands, 13(1): 50-64. doi:https://doi.org/10.1007/BF03160865.
Zare Chahouki M, Khojasteh F, Yousefi M, Farsoudan A, Shafizade Nasrabady M. 2013. Evaluation of different plot shape, size, and number for sampling in middle Taleghan rangelands. Whatershed Management Research, 26(2): 133-139. (In Persian).
Zebardast l, Jafari H. 2011. Use of remote sensing in monitoring the trend of changes of Anzali wetland in Iran and proposing environmental management solution. Journal of Environmental Studies, 37(57): 1-8. (In Persian).
طبقهبندی پوشش گیاهی بر اساس شاخص تالابی به کمک طبقهبندي
شئگرا تصاوير ماهوارهاي (مطالعه موردی: تالاب انزلی)
چکیده:
تهیه نقشههای طبقهبندی پوشش گیاهی ازجمله شاخصهای مهم برنامهریزی در سطوح مختلف منابع طبیعی است که با استفاده از فناوری سنجشازدور، با دقت بالایی قابل انجام است. در این مطالعه که جهت تهیه نقشه طبقهبندی پوشش گياهي تالاب انزلی بر اساس شاخص تالابی انجام شد، ابتدا محدودههاي كلي پوشش گياهي در ساحل و پيرامون تالاب مشخص شدند. سپس گياهان غالب و نماینده وضعيت تالابي آنها با نمونهبرداری شناسايي و گروههای گياهي تالابي و غير تالابي با محاسبه درصد نسبي پوشش گياهان غالب، تفكيك گرديدند. نقشه طبقهبندی پوشش گیاهی با استفاده از نمونهبرداری زمینی، شاخص پوشش گیاهی (NDVI) و طبقهبندی شیءگرا تصویر سنجنده OLI ماهواره لندست 8 با دقت 30 متر تیرماه سال 1398 در تلفیق با تصویر ماهواره سنتینل 2 با دقت 10 متر تهیه شد. صحت کلی نقشه طبقهبندی 62/88 درصد و میزان ضریب کاپا آن 84 درصد به دست آمد. طبقهبندی گونههای موجود در 42 پلات نمونهبرداری شده، چهار گروه گیاهان تالابی را نشان داد که بر اساس نتایج طبقهبندی، گروه گیاهان اجباری تالاب(OBL) در حاشیه پهنههای آبی تالاب (حاشیه تالاب غرب و سرخانکل) ، گروه گیاهان اختیاری تالاب (FACW) در حاشیه خشکی و در جنوب غربی تالاب (تالاب سیاه کشیم و پناهگاه حیاتوحش چوکام) ،گروه گیاهان اختیاری و اجباری تالاب (OBL & FACW) با پراکنش کمتر بهطور یکنواخت در کل تالاب و گروه گیاهان اختیاری خشکی و اختیاری تالاب (FACU & FACW) در بخش کوچکی از محدوده تالاب در منطقه چوکام، شمال و شمال غرب مشاهده گردیدند. درصد بالای مساحت کلاس کشاورزی و نقشه شاخص (NDVI) که پوشش متراکم گیاهی (8/60 %) در آن تمام تالاب بهغیراز منطقه تالاب غرب سایر پهنهها آبی تالاب را محصور و محدود نموده است، نشانگر خشک شدن تالاب است.
واژههای کلیدی: شاخص گیاهان تالابی، طبقهبندی، NDVI، سنجشازدور، تالاب انزلی
Vegetation Classification Based on Wetland Index Using Object Based Classification of Satellite Images (Case Study: Anzali Wetland)
Abstract:
The vegetation classification maps, which are among the important indicators of planning at different levels, through remote sensing technology, has a high accuracy. In this study, in order to prepare the vegetation classification map of Anzali wetland based on the wetland index, first the areas of vegetation on the coast and around the wetland were identified by sampling. Then, the dominant plants and their wetland index were checked out and wetland and non-wetland plants were separated by calculating the relative percentage of dominant plant cover. Vegetation classification map was prepared using land sampling, vegetation index map (NDVI) and object-based classification of Landsat 8 OLI sensor image (30 meters’ resolution) taken in July 2019 in combination with the image of Sentinel 2 satellite (10 meters Resolution). The overall accuracy of the classification map was 88.62% and its kappa coefficient was 84%. The species classification in the 42 plots sampled showed four groups of wetland plants. Based on the classification results, the obligate wetland plants (OBL) were in the wetland margins (west of wetlands and Sorkhankol), facultative wetland plants (FACW) on the land edge and in the southwest of wetland (Siahkeshim and Choukam wildlife sanctuary), facultative and obligate wetland plants (OBL & FACW) with less uniform distribution throughout the wetland and facultative upland and facultative wetland plants (FACU & FACW) were observed in a small part of the wetland in Choukam region, north and northwest. Also, High percentage of agricultural class in the classification map and the NDVI index map which shows the dense vegetation cover (60.8%) has the highest percentage and enclosed and restricted all water areas in wetland except the western area, show the wetland drying.
Keywords: Wetland plants index, classification, NDVI, remote sensing, Anzali wetland
مقدمه
دادهها و اطلاعات مربوط به پوشش گیاهی در مقیاسهای مختلف، بخش مهمی از پایگاه دادههای مکانی مربوط به اطلاعات محیطزیست محیطی هستند و در مدلسازی تغییرات و حفاظت از اکوسیستم نقش مهمی دارند. پوشش گیاهی شاخص مهمی برای بررسی پدیدههای مختلفی همچون: خشکسالی، بیلان مصرف آب، تخریب عرصههای طبیعی، روند رشد گونههای گیاهی و غیره محسوب میشود و بهوسیله آن میتوان اطلاعات مهم و ضروری برای بررسی و توصیف سیستمهای مختلف منابع طبیعی را به دست آورد.
شناخت ویژگیهای پوششهای گیاهي و روابط موجود در بين گونههای گياهي و نيز عوامل محیطي همواره موردتوجه بوم شناسان بوده است (9 و 16)، دلیل این توجه، اهميت زياد پوششهاي گياهي ازنظر زيستگاهي، توليد انرژي و ديگر خصوصیات مهم گياهان بر روي تالابها میباشد. پوششهای گياهي، به علل مختلف و بهمرورزمان در اثر عوامل طبيعي و يا انساني دچار تغيير شده كه شرايط و عملكرد اكوسيستم را تحت تأثير قرار میدهد. بنابراين نياز به شناسایی، طبقهبندی، آشکارسازی، پیشبینی و مراقبت از آن در يك اكوسيستم از اهميت به سزايي برخوردار است (20). از میان انواع اکوسیستمهای کره خاکی تالابها از مهمترین و حساسترين آنها و مأواي بخشي از غنیترین تنوع زيستي روي زمين میباشند (9). ين اکوسیستمها در نقشهای مختلفي همانند زيستگاهي براي حیاتوحش و گياهان آبزي، منبع مهمي براي تأمين آب و مواد غذايي، کنترلکننده سيلاب، سدي در برابر فرسايش سواحل، مكاني براي رسوبگیری و توليد زیستتوده و همچنين محلي براي اکو توریسم عمل میکنند و نقش مهمي در تعديل آبوهوای زمیندارند (3، 18 و 29). بررسي ویژگیهای اکولوژیک تالابها يكي از نيازهاي اساسي در مديريت و ارزيابي از منابع طبيعي است. بهرغم قرارگيري قسمت اعظم کشور ما در محدوده مناطق خشك و نیمهخشک كره زمين، تنوع شرايط اقليمي سبب شکلگیری تالابهای بسيار وسيع، کمنظیر و با ویژگیهای منحصربهفرد گردیده است که در میان آنها تالاب انزلی دارای اهمیت و ارزش خاصی میباشد (19).
تالاب انزلی یکی از 10 تالاب ارزشمند جهان بوده که جزء تالابهای بینالمللی ایران میباشد و در سال 1354 تحت پوشش کنوانسیون رامسر قرار گرفت. این تالاب دارای مساحتی حدود 20 هزار هکتار و مآمن طیف گستردهای از پستانداران، ماهیها، پرندگان، خزندگان و جوندگان میباشد. دارای تنوع بسیار بالای گیاهان درختی، درختچهای و علفی در سه دسته گیاهان حاشیه تالاب، گیاهان شناور و گیاهان غوطهور با غنا و تنوع گونهای بینظیر. پوشش گياهي در مناطق تالابی اهميت ویژهای جهت مدیریت اکولوژیک تالابها دارد، و ویژگیهای اکولوژیک تالابها ازاینجهت حائز اهمیت است كه میتواند شرايط محيطي و تبادلات انرژي را بهوسیله انعكاس انتخابي و جذب تشعشعات خورشيدي كنترل نمايد و بهعنوان عاملي مؤثر در كنترل آلودگي هوا و تأثيرگذار بر سلامت این منابع معرفي شود.(3 و 4). زدلر (30 و 31) در سالهای 1996 و 2001 با یادآوری ویژگیهای اختصاصي تالابها، بررسي پوشش گياهي را براي اندازهگیری و كنترل اين اکوسیستمها بهعنوان مؤثرترين روش ارزيابي و بازسازی بيان داشته است. يكي از مهمترین مشكلاتي كه در مسئله بررسي تغييرات پوشش گياهي وجود دارد عدم وجود اطلاعات مکاندار دقيق منطقه در طول زمان میباشد. تصاوير ماهوارهای و فناوري سنجشازدور اين امكان را فراهم میکند تا با اتكا به اطلاعات توليدي از آن به برنامه بهتري جهت مديريت محیطزیست دستیافت (17). سیستم اطلاعات جغرافيايي (GIS) و سنجشازدور (RS) ابزار مناسبي براي نظارت و پايش روند تغييرات تالابها است که در طول دو دهه گذشته كاربرد و تنوع آنها درزمینه ي ارزيابي توسعه پيداكرده است (10 و 22). از اين دادهها براي اندازهگیریهای كمي و كيفي تغييرات پوشش زمين استفاده میگردد (26).
بر اساس مطالعات نقی نژاد و همکاران (19) با توجه به افزایش و رشد جمعیت، اکوسیستمها و مناطق حفاظتشده مورد تخریب بشر قرارگرفتهاند و دراینبین تالابها به دلیل شرایط خاص و اهمیت اکولوژیکی نیازمند حفاظت و اعمال روشهای مدیریتی مناسب میباشند. سفیدیان و همکاران (24) در تالاب بینالمللی آلاگل محدودههای کلي پوشش گياهي را به کمک شاخص NDVI و گياهان غالب و نماينده وضعيت تالابي آنها را با نمونهبرداری زميني در سال 1390 شناسایی نمودند. سپس با استفاده از طبقهبندی نظارتنشده (ISOCLUST) و طبقهبندی نظارتشده (MAXLIKE) و بر اساس شاخص گياهان تالابي، سهطبقه پوشش گياهي تالابي را شناسايي نموده و نقشه پوشش گياهي بر اساس شاخص گياهان تالابي را که يکي از معيارهاي موردنياز در فرآيند مرزبندي اکولوژيکي تالاب است تهیه نمودند. ازآنجاکه پوشش گیاهی در اکوسیستم تالاب از اهمیت ویژهای جهت اعمال مدیریت برخوردار میباشد و طیف گستردهای از پوششها با تنوع و غنای گونهای مختلف در سطح تالاب انزلی پراکنده است، دستیابی به دانشی درزمینه پوششهای مختلف موجود و ارائه تصاویر، نقشههای طبقهبندیشده و دارای طیفهای مشخص و همچنین دستیابی به نقشه پوشش گیاهی جامع در محدوده موردنظر میتواند یکی از ابزارهای مهم در برنامهریزی و مدیریت این تالاب ارزشمند و حساس بوده به برنامه ریزان، مدیران و سیاستگذاران کمکهای شایانی نماید. ارزيابي روند تغييرات تالاب انزلي با استفاده از سنجش از دور جهت ارائه راهحل مديريتي توسط زبردست و جعفری (29) ازجمله مطالعات اولیه در زمینه استفاده از علم سنجش از دور در این محدوده مطالعاتی میباشد. در بررسی روند تغييرات محيطزيستي تالاب انزلي در يك دورة زماني دهساله نشان داد که این تالاب دچار تخریبشده و مساحت بخش آبی آن تحت تاثیر تغييرات نوسانات درياي خزر و پيشروي و پسروی آب دريا کاهشیافته است. افزايش تغذيه گرايي و تغییرات پوشش گياهي حاشیه تالاب مشکلات دیگر تالاب بوده که در کنار این كاهش مساحت، برنامهای مدیریتی را جهت حفاظت، احيا و بهسازي در داخل و اطراف تالاب میطلبد.
از طرفی گونههای گیاهی که بهطورمعمول در تالابها رشد میکنند شاخص خوبی برای مطالعه تالاب هستند و گیاهان شاخص تالاب (Wetland Indicator Plants) نامیده میشوند.(24) با توجه به اهمیت موضوع، گیاهان بر اساس وابستگی محل رشد به محیط تالابی به طبقات مختلفی تقسیم میشوند. این شاخص برای هر یک از گیاهان موجود در محدوده موردمطالعه مشخص میگردد. گونههایی از گیاهان که در دوره رشد همیشه در شرایط اشباع یا آبگرفتگی حضور دارند (بیش از 99 درصد موارد) در طبقه گونههای اجباری تالاب و بهاختصار OBL1،، قرار میگیرند. گیاهان تالابی اختیاری معمولاً در تالاب دیده میشوند (99-67 درصد موارد)، اما گاهی در خشکی نیز حضور دارند. گونههای اختیاری تالاب را بهاختصار FACW2 مینامند. گونههای گیاهی اختیاری گاهی در تالاب یافت میشوند (66-34 درصد موارد) و ممکن است در مناطق خشک نیز یافت شوند که آنها را بانام FAC3 میشناسند. گونههای اختیاری خشکی معمولاً در خشکیها یافت میشوند و بسیار بهندرت (1-33 درصد) در تالاب دیده میشوند، آنها را FACU4 نامگذاری کردهاند. گیاهانی که در تالاب نادر هستند (امکان کمتر از 1 درصد حضور در تالاب) گونههای خشکیزی هستند و بهاختصار UPL5 معرفی میشوند (9، 12، 25، 27). ازاینرو طبقهبندی پوشش گياهي بر اساس شاخص تالاب يكي از معيارهاي موردنياز مرزبندي اكولوژيك تالابها و تشخیص منطقه تالابی از غیر تالابی میباشد (19). مطالعات کمی در زمینه بررسی پوشش گیاهی تالاب انزلی صورت گرفته، حسینجانی و همکاران (11) است که برای آگاهی از تغییرات کمی و کیفی گونههای گیاهان آبزی منطقه غرب تالاب انزلی (آبکنار) و شناسایی زیتودهی گونههای غالب، 72 قطعهنمونه پلاتهای یک مترمربعی در 6 ایستگاه به روش سیستماتیک- تصادفی نمونهبرداری شد و 12 گونهی گیاهی متعلق به 10 جنس از گیاهان آبزی در این پژوهش شناسایی گردید. با اندازهگیری پارامترهای فیزیکی و شیمیایی آب نیز در هر ایستگاه بر اساس روشهای استاندارد ، میانگین وزن زیتوده کل گیاهان آبزی در این منطقه معادل 794 گرم در مترمربع بود که بین 30 تا 720 گرم در مترمربع متغیر میباشد. بررسیها نشان داد که گونهی علف شاخی غوطهور Ceratophyllum demersum به دلیل توان رشد در اعماق مختلف تالاب و بار مواد مغذی بالا در این منطقه سهم زیادی در افزایش وزنتر زیتوده داشتند.
بنابراین در اﻳﻦ مطالعه طبقهبندی پوشش گیاهی تالاب انزلی با استفاده از تکنیک طبقهبندی ﺷﺊﮔﺮا تصویر ماهواره ﻟﻨﺪﺳﺖ با نمونهبرداری زمینی و بر پایه شاخص تالابی گیاهان و همچنین میزان ترکم پوشش گیاهی با تهیه نقشه شاخص پوشش گیاهی (NDVI) موردبررسی و ﺗﺠﺰﻳﻪ ﺗﺤﻠﻴﻞ ﻗﺮارﮔﺮﻓﺘﻪ اﺳﺖ. از نقشههای طبقهبندی پوشش گیاهی تالاب میتوان در تشخیص میزان و نوع پوشش و برنامهریزی جهت حفظ و احیا تالاب بهره جست.
مواد و روشها
منطقه موردمطالعه
تالاب انزلی در جنوب غربی سواحل دریای خزر در استان گیلان و در عرض ۲۸ تا ۳۷ درجه شمالی و طول ۲۵ تا ۴۹ درجه شرقی واقعشده و از شمال به شهرستان انزلی، از جنوب به شهرستان صومعهسرا، از شرق به شهرستان رشت و از غرب به کپور چال و آبکنار انزلی محدود است (شکل1).
شکل 1. موقعیت منطقه موردمطالعه در نقشه ایران و استان گیلان
Fig. 1- Study area in the map of Iran and Guilan province
سطح تالاب انزلی بنا بر آنچه در کنوانسیون رامسر ثبتشده است، 150 کیلومترمربع است. حداکثر عمق آب تالاب در بهار و در نواحی غربی تالاب به 5/2 متر میرسد که به دلیل نوسانات سطح آب دریاي مازندران، این مقدار متغیر است. مجموعه تالاب انزلی شامل 4 بخش میباشد: بخش شرقی (شیجان)، بخش غربی آبکنار، بخش مرکزی و سلکه و سیاهکشیم. منطقه حفاظتشده سياه كشيم و سه پناهگاه حیاتوحش سلکه، سرخانكل و چوكام مناطق ویژه زیستی تالاب انزلی به شمار میآیند (شکل 2).
شکل 2. مناطق ویژه زیستی تالاب انزلی
Fig. 2- Special biological areas of Anzali wetland
دادههای مورداستفاده
در اين پژوهش بهمنظور تفکیک بهتر پوشش منطقه، طبقهبندی تراکم پوشش و پراکنش فضایی پوشش گیاهی از سه نوع داده استفادهشده است. نمونهبرداری پوشش گیاهی در بهار و تابستان سال 98، تصویر ماهواره لندست (Landsat) 8 تیرماه 98 با قدرت تفکیک مکانی 30 متر جهت طبقهبندی پوشش گیاهی و تهیه نقشه شاخص پوشش گیاهی (NDVI) و تصویر ماهواره سنتینل 2 (Sentinel-2) تیر ماه 98 به دلیل قدرت تفکیک زمینی 10 متر جهت تلفیق با داده لندست 8 بهعنوان داده کمکی در طبقهبندی تصویر مورداستفاده قرار گرفت. در انتخاب این دو تصویر تا حد امکان سعی شد که هر دو در یک ماه اتخاذ شوند تا فرآیند تلفیق بهدرستی انجام شود.
روش تحقیق
در اين مطالعه، مرحله تهيه و آمادهسازی تصاوير شامل تصحيحات هندسي، اتمسفری، راديومتريكی و بارزسازی تصویر با استفاده از نرمافزار ENVI 5.3 انجام شد. سپس طبقهبندی شیءگرا تصویر تصحیحشده و ارزيابي صحت طبقهبندی طبق مراحل شكل 3 صورت گرفت:
شکل 3. مراحل پردازش تصاویر
Fig. 3- Image processing steps
با توجه به وجود گونههای مختلف گیاهی و رفتار طیفی مشابه آنها، همچنین تغییر کاربری اراضی در طی چند سال اخیر و به وجود آمدن شکستگیهای زیاد در سطح سیمای تالاب (3)، در این مطالعه از روش طبقهبندی شی گرا بهمنظور تفکیک و طبقهبندی بهتر تصویر لندست 8 استفاده گردید.
محاسبه شاخص پوشش گیاهی (NDVI)
جهت تهيه نقشه تراکم پوشش گياهي از شاخص پوشش گیاهی (NDVI) استفاده گردید. در این روش پیکسلهای موجود در تصویر با استفاده از ویژگیهای طيفي گياهان به دوطبقهی گياهان و ساير پدیدهها تقسيم شدند. انتخاب طولموج بر اساس حداكثر خواص بازتابش گياهان است، زيرا گياهان بهطورکلی نور آبي و قرمز را جذب كرده و نور مادونقرمز نزديك (Near Infrared) را بهشدت دفع میکنند (23). اين شاخص بيشترين حساسيت را به تغييرات پوشش گياهي داشته و در مقابل اثرات جوي و زمینهی خاك، بهجز در مواردي كه پوشش گياهي كم باشد، حساسيت كمتري دارد (18).
این شاخص از رابطه 1 به دست میآید.
]1[ 
ارزش شاخص پوشش گیاهی (NDVI) از 1- تا 1+ بوده که ارزش بالاتر آن مبین پوشش گیاهی متراکمتر است ( 18و 24). مقادير منفي در اين شاخص حاكي از عدم حضور پوشش گياهي است (19 .(این شاخص با استفاده از دو باند 4 و 5 سنجنده OLI ماهواره لندست 8 از طریق رابطه 1 و با استفاده از ماژول Spectral Indices در نرمافزار ENVI 5.3 تهیه شد.
نمونهبرداری زمینی
بهمنظور برداشت دادههای پوشش گیاهی از گونههای آبزی تالاب نمونهبرداری به روش ترکیبی تصادفی- سيستماتيك با استفاده از قایق و بهکارگیری پلاتهای 25/0 مترمربعی (5/0×5/0 متر) (28) از مناطق مختلف آبی تالابی (بخش غربی تالاب(آبکنار)، بخش مرکزی (منطقه حفاظتشده سرخانکل)، بخش شرقی (شیجان)، بخش جنوبی (منطقه حفاظتشده سیاه کشیم و سلکه) (شکل 4) انجام شد. در محدوده حاشیه خشکی تالاب نیز برداشت گونههای خشکیزی حاشیه تالاب به کمک پلاتهای 1 مترمربعی (28) انجام شد. ابعاد پلات نمونهبرداری با توجه به ماهیت پوشش گیاهی منطقه انتخاب شد. درمجموع 42 پلات طی بهار و تابستان 1398 با دستگاه GPS ثبت شد. پس از شناسايي گونههاي گياهان و محاسبه درصد پوشش هر يك در لايه مربوطه، گياهان غالب در محل نمونهگيري به كمك محاسبه درصد نسبي پوشش شناسايي شدند. سپس، با توجه به فهرست گونههاي گياهي شناساييشده و شناسايي شاخص تالابي آنها، گروههای گياهي تالابي و غير تالابي تفكيك گرديد. درمجموع از 42 قطعهنمونه (پلات) برداشتشده، طبقهبندی گونههای موجود در پلاتها منجر به تفکیک چهار گروه گیاهی تالابیOBL ، OBL & FACW، FACU & FACW و FACW گردید. این نمونهها بهعنوان نمونههای آموزشی در طبقهبندی تصویر مورداستفاده قرار گرفت.
شکل 4. ایستگاههای نمونهبرداری در سطح تالاب انزلی
Fig. 5- Sampling stations in Anzali wetland
طبقهبندی تصویر
طبقهبندی تصاویر ماهوارهای بر دو مبنا (شکل 5) صورت میگیرد:
شکل 5. روشهای انجام طبقهبندی تصاویر ماهوارهای
Fig. 4- Methods for classifying satellite images
روشهای پیکسل مبنا در طبقهبندی تصویر، صرفاً از اطلاعات طیفی و در برخي موارد از اطلاعات بافت جهت انجام آنالیزهاي تصویري استفاده میکنند. درصورتیکه در طبقهبندی به روش شیءگرا، علاوه بر ویژگیهای طیفي، ویژگیهای بافت، ساختار، مقیاس و سایر خصوصیات هر عارضه مورداستفاده قرار میگیرد (2). این تکنیک تجزیهوتحلیل تصویر بهعنوان یکی از روشهای جدید پردازش تصاویر ماهوارهای در حوزه سنجشازدور مطرح است. در این تکنیک جهت دستیابی به نتایج دقیقتر، الگوی طیفی و مکانی تصاویر باهم ادغام میشوند و در مقابل روشهای پیکسل پایه که به چالش جدی تشابه طیفی روبرو هستند، توسعهیافته است (13). بنابراین حجم ویژگیهای معرف یک کلاس در آنالیز طبقهبندی شیءگرا بسیار وسیعتر از تعداد ویژگیهای بکار گرفتهشده در آنالیز طبقهبندی به روش پیکسل مبنا است (21). طبقهبندی شيءگرا فرآيندي است كه كلاسهاي پوشش اراضي را به اشياء تصويري ارتباط میدهد. پس از فرايند طبقهبندی، هر يك از اشياء تصويري به يكي يا (هيچكدام) از كلاسها اختصاص مییابند. اين نوع از طبقهبندی بر اساس منطق فازي استوار است و ارزش عوارض را به ارزش فازي (بين صفر و يك) با درجه عضويت معين براي هر كلاس تبديل میکند. در اين فرآيند پيكسلها با درجه عضويت متفاوت در بيش از يك كلاس طبقهبندی میشوند و بر اساس درجه عضويت نسبت به هر كلاس، طبقهبندی بر اساس الگوريتم نزدیکترین همسايه انجام میشوند (6).
ازآنجاکه حجم ویژگیهای معرف یک کلاس در آنالیز طبقهبندی شیءگرا، بسیار وسیعتر از تعداد ویژگیهای به کار گرفتهشده در آنالیز طبقهبندی به روش پیکسل پایه است و توانائی تفسیر مفهومی در روشهای پیکسل مبنا به دلیل ضعف اطلاعات موجود در یک پیکسل پایین میباشد (8)، در این مطالعه روش شیءگرا، پس از تلفیق تصویر سنجنده OLI ماهواره لندست و تصویر ماهواره سنتینل-2 جهت انجام طبقهبندی بکار گرفته شد. هدف اصلي از ادغام این دو تصوير، حفظ مقادير طيفي تصوير چند طيفي و بهبود قدرت تفكيك مكاني تصوير حاصل از ادغام با استفاده از تصویر سنتینل-2 میباشد که دارای قدرت تفکیک مکانی بالاتری است (1 14). جهت انجام این تلفیق پس از انجام پیشپردازش، تصویر لندست 8 باقدرت تفکیک مکانی 30 با استفاده از الگوریتم Gram-Schmit Pansharpening بهاندازه پیکسل 15 متر فیوژن میشود. از طرف دیگر یک باند پنکروماتیک مجازی 10 متری با میانگینگیری از باندهای 2 و 3 و 4 تصویر سنتینل-2 (باقدرت تفکیک مکانی 10 متر) ایجاد مینماییم و آنرا با تصویر لندست 8 از طریق دستور Registration Image to Image کاملا منطبق مینماییم. سپس با استفاده از دستور Gram-Schmit این دوباند را تلفیق نموده و یک تصویر چند طیفی لندست با قدرت تفکیک مکانی 10 متر تولید مینماییم.
ارزيابي صحت طبقهبندی
پس از انجام طبقهبندی، اعتبارسنجی نتایج طبقهبندی بر اساس دو مؤلفه صحت کلی (overall accuracy) و ضریب کاپا صورت گرفت. صحت کلی بهتنهایی نمیتواند مؤلفه مناسبی برای اعتبار سنجی محسوب گردد، لذا ضریب کاپا در مقایسه با صحت کلی دارای دقت برآورد مناسبتری است(8). صحت کلی را میتوان یک معیار ارزشگذاری صحت طبقهبندی از طریق تقسیم مجموعه پیکسلهای صحیح طبقهبندیشده تمامی طبقات به مجموع پیکسلهای مرجع نامید. صحت کلی بر اساس رابطه 2 محاسبه میگردد:
]2[ 
در اين رابطه، 𝑂𝐴 دقت کلي، N تعداد پیكسلهای آزمايشي، Σ𝑃𝑖𝑖 جمع قطر اصلي ماتريس خطا ميباشد.
برای مقایسه نتایج طبقهبندی از شاخص کاپا نیز میتوان استفاده نمود که پیكسلهای نادرست در طبقهبندی را مدنظر قرار ميدهد. مقدار شاخص کاپا بین صفرتا یک تغییر میکند که هرچه به یک نزدیکتر باشد میزان درستی نقشه حاصل از طبقهبندی به واقعیت نزدیکتر است و عدد یک نشاندهنده همسویی یا توافق صد درصد نقشه طبقهبندیشده با واقعیت زمینی است (2). ضریب کاپا بر اساس رابطه 3 محاسبه میگردد ؛ که P0 درستي مشاهده و Pc توافق مورد انتظار ميباشد.
]3[ 
برای انجام ارزيابي صحت، نمونههای آزمایشي بهعنوان نقاط واقعیت کنترل زمیني، برای هر کلاس بهصورت تصادفی (نقاطي که در فرايند طبقهبندی استفادهنشده بودند) از سطح منطقه موردمطالعه جمعآوری و سپس ماتريس خطای طبقهبندی استخراج گرديد.
نتایج
در اين پژوهش، پس از شناسايي محدودههاي كلي پوشش گياهي تالاب در ساحل و پيرامون آن،گياهان غالب و نماينده وضعيت تالابي آنها به كمك نمونهگيري در منطقه شناسايي شدند. در 42 پلات نمونه برداری تعداد 180 گونه گیاهی در 124 جنس و 48 تیره جمع آوری و شناسایی شد که از این تعداد 5 گونه نهانزاد آوندی، 57 گونه تک لپهای و 118 گونه دولپهای میباشند. جدول 1 تعداد تیره، جنس و گونه را در گروه های گیاهی شناساییشده نشان میدهد.
جدول 1. تعداد تیره، جنس و گونه در گروههای گیاهی
Table 1. Number of familia, genus and species in plant groups
گروه گیاهی | تیره | سرده | گونه | تیره |
نهانزادان آوندی | 3 | 4 | 5 | 3 |
نهاندانگان دولپه | 35 | 80 | 118 | 35 |
نهاندانگان تکلپه | 10 | 40 | 57 | 10 |
مجموع | 48 | 124 | 180 | 48 |
ازنظر شاخص تالابی، نمونههای جمعآوریشده، 47 گونه گیاهی (35 درصد) از نوع گونههای اجباری تالاب، 43 گونه (32 درصد) گونههای اختیاری خشکی، 20 گونه (15 درصد) گونههای اختیاری تالاب، 19 مورد (14 درصد) گونههای اختیاری و گونههای
خشکی زی با 5 گونه (4 درصد) را شامل میشوند.
بهمنظور طبقهبندی مناسب و افزایش دقت آن، تلفیق دادههای زمینی بهعنوان نقاط تعلیمی با تصاویر ماهوارهای انجام شد. بر اساس نتایج بهدستآمده از طبقهبندی تصویر با استفاده از نقاط تعلیمی حاصل از برداشتهای زمینی ثبتشده، در بین کلاسهای طبقهبندی و با توجه به جدول 2، بالاترین درصد پوشش مربوط به طبقه کشاورزی (شالیزارهای اطراف تالاب) به میزان 9/23 درصد میباشد و در کلاسهای پوشش گیاهی، بالاترین میزان پراکنش مربوط به طبقه گونههای اختیاری تالاب است. 8/37 تالاب پوشیده از گونههای اختیاری و اجباری تالابی است. با توجه به شکل 6 و نتایج خروجی طبقهبندی در جدول 2، گروه OBL در حاشیه پهنههای آبی تالاب (حاشیه تالاب غرب و سرخانکل) و گروه FACW بیشتر در حاشیه خشکی تالاب و بهطور عمده در جنوب غربی تالاب (تالاب سیاه کشیم) و پناهگاه حیاتوحش چوکام در بخش شرقی تالاب مشاهده شد. گروه OBL & FACW نسبت به دو گروه قبلی پراکنش کمتری داشته و بهطور یکنواخت در کل محدوده پراکنش دارد. گروه FACU & FACW نیز در بخش کوچکی از محدوده تالاب در منطقه چوکام، شمال و شمال غرب تالاب مشاهده گردید.
جدول 2. نتایج حاصل از طبقهبندی شیءگرا سنجنده OLI تصویر لندست 8
Table 2. Results of Object Base Classification of Landsat 8 OLI Image
کلاس طبقهبندی | مساحت (m2) | درصد مساحت | ||
Unclassified | غیر طبقهبندی | 10549404 | 1/6 | |
Water | آب | 29576522 | 2/17 | |
Forest | جنگل | 9981612 | 8/5 | |
Agriculture | کشاورزی | 41160145 | 9/23 | |
Bare | بایر | 10171403 | 9/5 | |
OBL | گونههای اجباری تالاب | 17390101 | 1/10 | |
FACW | گونههای اختیاری تالاب | 40643203 | 6/23 | |
OBL+FACW | گونههای اجباری تالاب + گونههای اختیاری تالاب | 7092854 | 1/4 | |
FACW+FACU | گونههای اختیاری خشکی + گونههای اختیاری تالاب | 3808989 | 2/2 | |
Masked | خارج از طبقهبندی | 1405800 | 8/0 | |
شکل 6. نقشه حاصل از طبقهبندی شیءگرا تصویر سنجنده OLI ماهواره لندست 8 تالاب انزلی
Fig. 7- Object Based Classification Map of Landsat 8 OLI Image of Anzali Wetland
صحت نقشههای طبقهبندیشده نیز بر اساس مقادیر ضریب کاپا و صحت کلی مورد ارزیابی قرار گرفت. بهمنظور تعیین صحت نقشه طبقهبندیشده از 76 سگمنت نمونه تعلیمی استفاده شد. میزان دقت کلی (100-1) برابر 62/88 درصد و میزان ضریب کاپا (0-1) برابر با 84 درصد میباشد. با توجه به استفاده از روش شی گرا تعداد نمونههای تعلیمی کمتر از روش پیگسل پایه است.
بر اساس آنچه بیان شد، مقادیر مثبت بدست آمده از شاخص نرمال شده اختلاف پوشش گياهي(NDVI) گیاه در نظر گرفته میشود. با تفکیک مقادیر مثبت و منفی در این تصویر، گیاهان از سایر پدیدهها جدا شدند. سپس در محيط نرمافزار ArcGIS 10.2 کلاس پوشش گیاهی به سهطبقه تفكيك گرديد که میزان تراکم پوشش را در نقاط مختلف تالاب نشان میدهد. با توجه به جدول 3 قسمت اعظم تالاب در فصل تابستان دارای پوشش متراکم گیاهی (8/60 درصد پوشش تالاب) بوده که پهنههای آبی را محصور نمودهاند و غیر از منطقه تالاب غرب که پوشش آب آن در شکل 7 بهعنوان کلاس غیرپوشش گیاهی مشخص است، سایر مناطق سراسر پوشیده از گیاهان شاخص تالابی است.
جدول 3. نتایج حاصل از شاخص NDVI در تالاب انزلی
Table 1. Results of NDVI index in Anzali wetland
کلاس NDVI | مساحت به مترمربع | درصد مساحت |
غیر پوشش گیاهی | 19109600 | 1/11 |
پوشش گیاهی تنک | 5893360 | 4/3 |
پوشش گیاهی نیمه متراکم | 42576720 | 7/24 |
پوشش گیاهی متراکم | 104748960 | 8/60 |
شکل 7. نقشه شاخص NDVI تالاب انزلی
Fig. 6- NDVI index map of Anzali wetland
بحث و نتیجهگیری
هدف اصلی این مطالعه تهیه نقشه طبقهبندی پوشش گیاهی از طریق تلفیق نمونهبرداری زمینی و طبقهبندی تصویر ماهواره لندست 8 ادغام شده با تصویر ماهواره سنتینل-2 منطقه است. بهمنظور تفکیک بهتر در نوع پوشش منطقه از تصاویر سنجنده OLI لندست 8 و سنتینل-2 در تیرماه سال 98 استفاده شد. نتایج بررسی تصاویر ماهوارهای و طبقهبندی آنها با توجه به نمونههای زمینی نشان میدهد که گسترش و پراکندگی گیاهان اجباری تالاب (OBL) محدود به پهنههای آبی تالاب میباشد، بهطوریکه بیشترین پراکنش این گیاهان مربوط به پهنه آبی تالاب غرب و سرخانکل میشود. گسترش گونههای اختیاری تالاب (FACW) در پهنههای خشکی تالاب میباشد که نشان از خشک شدن بیشتر مناطق تالاب در قسمت سیاه کشیم (جنوب غربی) و چوکام (شرق) است. طبقهبندی تصاویر ماهوارهای و درصد حضور هر یک از گروهها در آن نشان داد که گروه اراضی کشاورزی (با سطح حضور 9/23 درصد) و گروه گونههای اختیاری تالاب (FACW) (با سطح حضور 6/23 درصد) بالاترین درصد گروههای طبقهبندی پوشش محدوده تالاب انزلی (غالباٌ گونههای نی، توسکا، بید) را به خود اختصاص دادهاند. این امر ضمن بیان حضور بیشتر گونههای اختیاری تالاب در مقایسه با گونههای اجباری تالاب (OBL) (با سطح حضور 1/10 درصد) و سطح اشغال اراضی کشاورزی، بهروشنی خشک شدن تالاب و تخریب آنرا نشان میدهد که مشابه نتایج زبردست و جعفری و نقی نژاد و همکاران میباشد. در این پژوهش همانند نتایج مطالعه سفیدیان و همکاران (24 و 25)، با استفاده از شناسایی گیاهان غالب و نماينده وضعيت تالابي آنها با نمونهبرداری زميني و طبقهبندی تصویر ماهوارهای نقشه پوشش گیاهی تهیه گردید. نتایج حاصل از طبقهبندی به روش شیءگرا نیز همانطور که غفاری و همکاران اذعان نمودهاند قادر است اشکال هندسی منظم نظیر مناطق انسانساخت یا اراضی کشاورزی را در فرآیند قطعهبندی بهخوبی تشخیص دهد و در مقایسه با شبکه عصبی مصنوعی و ماشین بردار پشتیبان از دقت بالاتری برخوردار است (7).
ازآنجاکه شاخصهای گیاهی از پرکاربردترین نمونههای محاسبات باندي میباشند، بهمنظور محاسبه درصد و تراکم پوشش گیاهی و وضعیت سبزینگی یک منطقه طی دوران مختلف بکار میروند. رحمانی و همکاران (21) این شاخصها را براي بررسی دقیق پوشش گیاهی و حتی تعیین نوع پوشش با استفاده از اطلاعات جانبی از منطقه موردمطالعه بسیار مفید و نتیجهبخش معرفی نمودند. درویش و فاور (5) و لی و چونگ (15) نیز در مطالعات خود شاخص پوشش گیاهی (NDVI) را عمومیترین شاخص در ارزیابی پوشش گیاهی دانستند. در این مطالعه نیز بررسی درصد پوشش گیاهی در سطح تالاب با شاخص پوشش گیاهی و تهیه نقشه (NDVI) با مطالعات ذکرشده همسو بوده و بهخوبی پوشش گیاهی متراکم گسترده را در سطح محدوده موردمطالعه نشان میدهد. توزیع گسترده پوشش گیاهی در نواحی مختلف تالاب، محدود شدن سطح آب بستر و کاهش میزان سطوح آبی تالاب را نشان میدهد که مشابه نتایج مطالعه زبردست و جعفری(29) است. همچنین این سطح از پوشش گیاهی افزایش تغذیه گرایی و بار مواد مغذی بالا را در بخشهای مختلف تالاب نشان میدهد که باعث کاهش عمق و شدتجریان آبشده است که مشابه مطالعه حسینجانی و همکاران (11) است.
بر اساس نتايج پژوهش حاضر بررسی پوششهای گیاهی و تغییرات اکولوژیک آنها بهصورت دورهای، اطلاعات مفیدی از تغییرات منابع آبی و اکولوژیک تالاب جهت برنامهریزی در حفظ و نگهداری آن بهعنوان یک اکوسیستم مهم در منطقه در اختیار مدیریان و برنامه ریزان قرار میدهد. این امر با اتخاذ تدابیر اصولی و بهرهگیری از توانمندیهایی که رشد و پیشرفت علوم مختلف ون سنجش از دور در اختیار ما مینهد، جهت برنامهریزیهای مدیریتی برای کاهش بار ورودی آلایندهها و رسوبات به تالاب، حفاظت از قسمتهایی از تالاب که در فصول مختلف به دلیل تراکم پوشش گیاهی و از بین رفتن سطوح آبی آن در معرض دسترسی و آسیب بالاتری قرار دارند، شناسایی کانونهای انتشار آلودگی گیاهان غیربومی و مهاجم (آزولا، سنبل آبی و ...) و پایش این کانونها جهت مبارزه با آنها و تدبیر در استفاده از گونههای بومی چون نی که باعث اشغال سطح آبی تالاب در فصول گرم و کم باران سال میشوند، اعمال مدیریت یکپارچه و جامع این اکوسیستم غنی منطقه را میسر میسازد.
در راستاي پژوهش حاضر پيشنهاد ميشود ازآنجاکه استفاده از دادههای سنجش از دور حجم و هزینهها کار را بسیار پایین میآورد و با استفاده از قابلیت کسب دادههای تکراری سنجش از دور بهصورت دورهای در ماههای مختلف سال، فرآیند پایش کانونهای آلودگی و شناسایی کانونهای جدید انجام شود. همچنین استفاده ترکیبی از چند شاخص طیفی مانند NDVI و NDWI به بارزسازی بهتر پهنههای آلودگی کمک خواهد نمود. تصاویر سنسورهایی باقدرت تفکیک مکانی بالا مانند LIDAR، Worldview 2 و Quick bird با وضوح فضایی کمتر از ۵ متر نیز میتوانند با دقت بیشتر و از طریق اختلاف تن رنگی در نقشههای حاصل از ترکیب رنگی باندهای مختلف، شناسایی پوشش گیاهی و نقشهسازی از آنها را تسهیل نمایند.
تشكر و قدرداني
این مطالعه با حمايت پژوهشکده محیطزیست جهاد دانشگاهی گیلان انجامگرفته است. همچنین از حمایت و همکاری اداره کل حفاظت محیطزیست استان گیلان، اداره محیطزیست شهرستان بندر انزلی، هرباریوم دانشگاه گیلان و همه عزیزانی که بهنوعی ما را در تحقق این امر یاری نمودند قدردانی مینماییم.
منابع مورداستفاده
1. Al-Wassai FA, Kalyankar N, Al-Zuky AA. 2011. Arithmetic and frequency filtering methods of pixel-based image fusion techniques. International Journal of Advanced Research in Computer Science, 8 (3): 133-122.
2. Baatz, M. and Schape, A. 2000. Multiresolution Segmentation: An Optimization Approach for High Quality Multi-Scale Image Segmentation. In: Strobl, J., Blaschke, T. and Griesbner, G., Eds., Angewandte Geographische Informations-Verarbeitung, XII, Wichmann Verlag, Karlsruhe, Germany, 12-23.
3. Behrouzi Rad B. 1998. The value of wetlands and the role of the Ramsar Convention in their protection. Journal of Environmental Science, 10(34): 2-24. (In Persian)
4. Behrouzi Rad B. 2008. Iran Wetlands. Published by Geographical Organization of the Army Press. Pp. 812. (In Persian)
5. Darwish T, Faour G. 2008. Rangeland degradation in two watersheds of Lebnon. Lebanese Journal of Sci. 9(1): 71-80.
6. Feizizadeh B, Helali H. 2010. Comparison Pixel-Based, Object-Oriented Methods and Effective Parameters in Classification Land Cover/ Land Use of West Province Azerbaijan. Physical Geography Research Quarterly, 42(71): 73-84. (In Persian)
7. Ghafari S, Moradi HR, Modarres R. 2018. Comparison of object-oriented and pixel-based classification methods for land use mapping (Case study: Isfahan-Borkhar, Najafabad and Chadegan plains). Journal of RS & GIS for Natural Resources, 9(1): 40-57. (In Persian)
8. Hajibigloo M, Berdi Sheikh V , Memarian H, Komaki Ch.B. 2019. Determination of quantity and allocation disagreement indices in selection of appropriate algorithm for land use classification in pixel and objected base in Gorgarood river basin. Journal of RS & GIS for Natural Resources, 10 (4): 1-20. (In Persian)
9. Hammer DA. 1997. Creating Freshwater Wetlands, 2nd edition. Published by CRC Press.ISBN 10: 0873714458ISBN 13: 9780873714457.
10. Healey SP, Cohen WB, Zhiqiang Y, Krankina ON. 2005. Comparison of Tasseled Cap-based Landsat data structures for use in forest disturbance detection. Remote Sensing of Environment. 97(3): 301-310. doi:https://doi.org/10.1016/j.rse.2005.05.009.
11. Hosseinjani A, Ahmadnejad M, Mahdizade GR, Sadeghinejad Masouleh E, Sohrabi T, Saberi H. 2017. Study of Aquatic Plant Biomass Assessment and their relationship with environment parameters in west of Anzali wetland. Wetland Ecobiology, 9 (1): 69-78. (In Persian)
12. Jackson S. 1995. Delineating bordering vegetated wetlands: Under the Massachusetts Wetlands Protection Act: a handbook. Massachusetts department of environmental protection. Deviation of wetlands and waterways. 86 pp. 31.
13. Khodabandehlou B, Khavarian Nehzak H, Ghorbani A. 2019. Change detection of land use /land cover using object oriented classification of satellite images (Case study: Ghare Sou basin, Ardabil province). Journal of RS & GIS for Natural Resources, 10(3): 76-92. (In Persian)
14. Klonus S, Ehlers M. 2007. Image fusion using the Ehlers spectral characteristics preservation algorithm. GIScience & Remote Sensing, 44(2): 93-116. https://doi.org /10.2747/1548-1603.44.2.93
15. Lee TM, Chung Yeh H. 2009. Applying remote sensing techniques to monitor shifting wetland vegetation: A case study of Danshui River estuary mangrove communities. Taiwan. Ecological Engineering, 35(4):487-496. https://doi.org/10.1016/j.ecoleng.2008.01.007.
16. Mabee TK, Ringold PL, Bollman MA. 2012. Alien species importance in native vegetation along wadeable streams. John Day River basin, Oregon. USA. Plant Ecol. 195(2): 287-307. doi:https://doi.org/10.1007/s11258-007-9330-9.
17. Malmiran H. 2004. Tematic Mapping from Satellite Imagery:A Guide book. Publications of the Geographical Organization of the Ministry of Defense and Armed Forces Support, Iran. third edition. Pp: 280. (In Persian)
18. McFeeters S K. 1996. The Use of Normalized Difference Water Index (NDWI) in the Delineation of Open Water Features. Remote Sensing, 17(7): 1425–1432. doi:https://doi.org/10.1080/01431169608948714.
19. Naghi nezhad A, Amrgholipour kasmani V, Ghahramani nezhad F. 2013. Biomass estimation of dominant aquatic plants andtheir plant community impacts in four importantwetlands of Babol, Mazandaran Province. Journal of Applied Biology, 26(1): 57-67. (In Persian)
20. Pettorelli N, Vik JO, Mysterud A, Gaillard J M, Tucker C J, Stenseth NC. 2005. Using satellite-derived NDVI to assess ecological responses to environmental change. Trades in ecology and evolution 20(9): 503-510. https://doi.org/10.1016/j.tree.2005.05.011.
21. Rahmani SH, Ebrahimi A, Davoudian A. 2017. Comparison of three methods of vegetation/land cover mapping, including remote sensing, Physiographic and Geomorphologic. Journal of Range and Watershed Management, 70(3): 661-680. https://doi.org/ 10.22059/JRWM.2017.22825. (In Persian)
22. Rogan J, Franklin J, Roberts DA. 2002. A comparison of methods for monitoring multi-temporal vegetation change using Thematic Mapper imagery. Remote Sens. Environ. 80(1):143−156. https://doi.org/10.1016/S0034-4257(01)00296-6.
23. Salman Mahini A, Kamyab HR. 2010. Applied Remote Sensing and GIS with IDRISI, Mehr Mahdis, pp: 608. (In Persian)
24. Sefidian S, Salman Mahini A, Mir Karimi S.H, Mir Karimi N.A. 2015. Vegetation Classification Based on Wetland Indicator Using Remote Sensing and Field Survey (Case Study: International Alagol Wetland). Wetland Ecobiology, 7 (2) :5-22. http://jweb.iauahvaz.ac.ir/article-1-317-fa.html. (In Persian)
25. Sefidian S, Salmanmahiny A, Mirkarimi H, Hasan Abassi N.A. 2016. The ecological boundaries of semi-arid wetland using a protocol enhanced by bird indicators: The international Alagol wetland of Iran. Environmental Resources Research, 4(1): 91-110. https://doi.org/10.22069/IJERR.2016.3156.
26. Seto K C, Woodcock CE, Song C, Huang C, Lu J, Kaufman RK. 2002. Monitoring Land-use change in the Pearl River delta using Landsat TM, Int. J Remote Sens. 23(10):1985-2004. https://doi.org/10.1080/01431160110075532.
27. Tiner R.W. 1993. The Primary Indicators Method- A Particular Approach to Wetland Recognition and Delineation in The United State. Wetlands. 13(1): 50-64. https://doi.org/ 10.1007/BF03160865.
28. Zare Chahouki M.A, Farzaneh Kh,, Yousefi M , Farsoudan A, Shafizade Nasrabady M. 2013. Evaluation of different plot shape, size, and number for sampling in middle Taleghan rangelands, Whatershed Management Research, 26(2): 133-139. (In Persian)
29. Zebardast l, Jafari H. 2011. Use of Remote Sensing in Monitoring the Trend of Changes of Anzali Wetland in Iran and Proposing Environmental Management Solution. Journal Of Environmental Studies, 37 (57): 1-8. (In Persian)
30. Zedler JB. 1996. Ecological function and sustainability of created wetlands. Pages 331-342 in D.A. Falk, C.I. Miller, and M. Olwell, editors. Restoring diversity: strategies for reintroduction of endangered plants. Island press, Washington, D.C., USA.
31. Zedler JB. 2001. Handbook for restoring tidal wetlands. published titles. 439: 279-306.
Vegetation Classification Based on Wetland Index Using Object Based Classification of Satellite Images (Case Study: Anzali Wetland)
Abstract:
The vegetation classification maps, which are among the important indicators of planning at different levels, through remote sensing technology, has a high accuracy. In this study, in order to prepare the vegetation classification map of Anzali wetland based on the wetland index, first the areas of vegetation on the coast and around the wetland were identified by sampling. Then, the dominant plants and their wetland index were checked out and wetland and non-wetland plants were separated by calculating the relative percentage of dominant plant cover. Vegetation classification map was prepared using land sampling, vegetation index map (NDVI) and object-based classification of Landsat 8 OLI sensor image (30 meters’ resolution) taken in July 2019 in combination with the image of Sentinel 2 satellite (10 meters Resolution). The overall accuracy of the classification map was 88.62% and its kappa coefficient was 84%. The species classification in the 42 plots sampled showed four groups of wetland plants. Based on the classification results, the obligate wetland plants (OBL) were in the wetland margins (west of wetlands and Sorkhankol), facultative wetland plants (FACW) on the land edge and in the southwest of wetland (Siahkeshim and Choukam wildlife sanctuary), facultative and obligate wetland plants (OBL & FACW) with less uniform distribution throughout the wetland and facultative upland and facultative wetland plants (FACU & FACW) were observed in a small part of the wetland in Choukam region, north and northwest. Also, High percentage of agricultural class in the classification map and the NDVI index map which shows the dense vegetation cover (60.8%) has the highest percentage and enclosed and restricted all water areas in wetland except the western area, show the wetland drying.
Keywords: Wetland plants index, classification, NDVI, remote sensing, Anzali wetland
طبقه بندی پوشش گیاهی بر اساس شاخص تالابی به کمک طبقهبندي
شئگرا تصاوير ماهوارهاي (مطالعه موردی: تالاب انزلی)
چکیده مبسوط
طرح مسئله:
شناخت ویژگیهای پوششهای گیاهي در اکوسیستم های مختلف از جمله تالابها از اهمیت بالایی در بررسی و توصیف سیستمهای مختلف منابع طبیعی برخوردار است زیرا دادهها و اطلاعات مربوط به پوشش گیاهی در مقیاسهای مختلف، بخش مهمی از پایگاه دادههای مکانی مربوط به اطلاعات محیطزیست محیطی بوده و در مدلسازی تغییرات و حفاظت از اکوسیستمها نقش مهمی دارند. از طرفی پوششهای گياهي، به علل مختلف و بهمرور زمان در اثر عوامل طبيعي و يا انساني دچار تغيير شده و شرايط و عملكرد اكوسيستم را تحت تأثير قرار میدهند، بنابراين نياز به شناسایی، طبقهبندی، آشکارسازی، پیشبینی و مراقبت از آن در يك اكوسيستم از اهميت به سزايي برخوردار است. در طول سالیان اخیر تحقیقات زیادی در تالاب انزلی به عنوان یکی از مهم ترین تالاب های عضو کنوانسیون رامسر انجام گرفته است که با توجه به ماهیت و موقعیت جغرافیایی تالاب از هزینه بالایی برخوردار بوده است. پیشرفت تکنولوژی این امکان را داده تا با هزینه ای به مراتب کمتر بتوانیم با داده های سنجش از دور و با استفاده از قابلیت هایی چون سهل الوصول بودن، دقت بالا، پوشش وسیع و قابل تکراری بودن از نظر زمانی و مکانی و استخراج اطلاعات در زمان نسبتاٌ کم، محیط های طبیعی را با دقت و سرعت بیشتری بررسی کنیم زیرا يكي از مهمترین مشكلاتي كه در مسئله بررسي تغييرات پوشش گياهي وجود دارد عدم وجود اطلاعات مکاندار دقيق منطقه در طول زمان میباشد. تصاوير ماهوارهای و فناوري سنجشازدور اين امكان را فراهم میکند تا با اتكا به اطلاعات توليدي از آن به برنامه بهتري جهت مديريت محیطزیست دستیافت
هدف: در اﻳﻦ مطالعه طبقهبندی پوشش گیاهی تالاب انزلی با استفاده از تکنیک ﻃﺒﻘﻪ بندی ﺷﺊﮔﺮا تصویر ماهواره ﻟﻨﺪﺳﺖ با نمونه برداری زمینی و بر پایه شاخص تالابی گیاهان و همچنین میزان ترکم پوشش گیاهی با تهیه نقشه شاخص پوشش گیاهی (NDVI) مورد بررسی و ﺗﺠﺰﻳﻪ و ﺗﺤﻠﻴﻞ ﻗﺮارﮔﺮفت. از نقشههای طبقهبندی پوشش گیاهی تالاب میتوان در تشخیص میزان و نوع پوشش و برنامه ریزی جهت حفظ و احیا تالاب بهره جست.
روش تحقیق: در این مطالعه که تهيه نقشه طبقهبندی پوشش گياهي بر اساس شاخص تالابی به عنوان يكي از معيارهاي موردنياز مرزبندي اكولوژيكي تالاب، مد نظر می باشد، ابتدا محدودههاي كلي پوشش گياهي تالاب در ساحل و پيرامون آن شناسايي شد. سپس دادههای پوشش گیاهی گونههای آبزی تالاب از مناطق مختلف آبی تالابی در پلاتهای 25/0 مترمربعی و در محدوده حاشیه خشکی از گونههای خشکیزی حاشیه تالاب به کمک پلاتهای 1 مترمربعی برداشت شد. درمجموع 42 پلات طی بهار و تابستان 1398 برداشت شد. پس از تهیه تصاویر مورد نیاز، آمادهسازی آنها شامل تصحيحات هندسي، اتمسفری، راديومتريكی و بارزسازی تصویر با استفاده از نرمافزار ENVI 5.3 انجام شد. تصویر ماهواره لندست (Landsat) 8 تیرماه 98 با قدرت تفکیک مکانی 30 متر جهت طبقهبندی پوشش گیاهی و تهیه نقشه شاخص پوشش گیاهی (NDVI) و تصویر ماهواره سنتینل 2 (Sentinel-2) تیر ماه 98 بدلیل قدرت تفکیک زمینی 10 متر جهت تلفیق با داده لندست 8 به عنوان داده کمکی در طبقه بندی تصویر مورد استفاده قرار گرفت. ادغام این دو تصوير با حفظ مقادير طيفي تصوير چند طيفي باعث بهبود قدرت تفكيك مكاني تصوير حاصله میگردد. عمليات طبقهبندی شیءگرا بهمنظور تفکیک و طبقهبندی بهتر تصویر لندست 8 تلفیق شده با استفاده از نقاط تعلیمی حاصل از نمونه برداری زمینی انجام شد. ارزيابي صحت طبقهبندی با استفاده از نمونههای آزمایشي بهعنوان نقاط واقعیت کنترل زمیني، برای هر کلاس بهصورت تصادفی انجام و ماتريس خطای طبقهبندی استخراج گرديد.
نتایج و بحث: ابتدا گياهان غالب و نماينده وضعيت تالابي آنها به كمك نمونهگيري در منطقه شناسايي شدند. با محاسبه درصد نسبي پوشش گياهان غالب در محل نمونهگيري و با توجه به فهرست گونههاي گياهي شناساييشده و شناسايي شاخص تالابي آنها، گروههای گياهي تالابي و غير تالابي تفكيك گرديدند. در مجموع از طبقه بندی گونه های پلات ها (42 قطعه نمونه) تعداد 180 گونه گیاهی در 124 جنس و 48 تیره شناسایی شد. همچنین چهار گروه گیاهان اجباری تالاب(OBL)، گیاهان اختیاری و اجباری تالاب (OBL & FACW)، گیاهان اختیاری خشکی و اختیاری تالاب (FACU & FACW) و گیاهان اختیاری تالاب (FACW) تفکیک گردیدند. تهیه نقشه طبقهبندی پوشش گیاهی از طریق تلفیق نمونه برداری زمینی و طبقه بندی شیءگرا تصویر سنجنده OLI ماهواره لندست سال 98 تلفیق شده می باشد. صحت نقشههای طبقهبندیشده بر اساس مقادیر آمار کاپا و صحت کلی مورد ارزیابی قرار گرفت. میزان دقت کلی 62/88 درصد و میزان ضریب کاپا برابر با 84 درصد بدست آمد. بر اساس نتایج خروجی طبقه بندی تصوی گروه OBL در حاشیه پهنه های آبی تالاب (حاشیه تالاب غرب و سرخانکل) ،گروه FACW بیشتر در حاشیه خشکی تالاب و بطور عمده در جنوب غربی تالاب (تالاب سیاه کشیم) و پناهگاه حیات وحش چوکام در بخش شرقی تالاب،گروه OBL & FACW با پراکنش کمتر به طور یکنواخت در کل محدوده و گروه FACU & FACW در بخش کوچکی از محدوده تالاب در منطقه چوکام، شمال و شمال غرب تالاب مشاهده گردید. بررسی درصدتراکم پوشش گیاهی در سطح تالاب با شاخص NDVI، توزیع پوشش متراکم گیاهی در نواحی مختلف تالاب و محدود شدن سطح آب بستر تالاب را نشان می دهد.
نتیجهگیری: نتایج بررسی تصاویر ماهوارهای و طبقهبندی آنها با توجه به نمونههای زمینی نشان میدهد که گسترش و پراکندگی گیاهان اجباری تالاب (OBL) محدود به پهنههای آبی تالاب میباشد، بهطوریکه بیشترین پراکنش این گیاهان مربوط به پهنه آبی تالاب غرب و سرخانکل میشود. گسترش گونههای اختیاری تالاب (FACW) در پهنههای خشکی تالاب میباشد که نشان از خشک شدن بیشتر مناطق تالاب در قسمت سیاه کشیم (جنوب غربی) و چوکام (شرق) است. طبقهبندی تصاویر ماهوارهای و درصد حضور هر یک از گروهها در آن نشان داد که گروه اراضی کشاورزی (با سطح حضور 9/23 درصد) و گروه گونههای اختیاری تالاب (FACW) (با سطح حضور 6/23 درصد و غالباٌ گونههای نی، توسکا، بید) بالاترین درصد گروههای طبقهبندی پوشش محدوده تالاب انزلی را به خود اختصاص دادهاند. این امر ضمن بیان حضور بیشتر گونههای اختیاری تالاب در مقایسه با گونههای اجباری تالاب (OBL) (با سطح حضور 1/10 درصد) و سطح اشغال اراضی زراعی، بهروشنی خشک شدن تالاب را نشان میدهد. درصد پوشش گیاهی در سطح تالاب نیز با شاخص پوشش گیاهی (NDVI) بررسی گردید که بیشترین آن متعلق به پوشش گیاهی متراکم میباشد. با توجه به اینکه تصویر ماهوارهای مربوط به فصل تابستان است، نشانگر توزیع پوشش گیاهی در نواحی مختلف تالاب و سطح آب بستر تالاب است که نشان از کاهش میزان سطوح آبی تالاب دارد. بررسی پوششهای گیاهی و تغییرات اکولوژیک آنها بصورت دوره ای، اطلاعات مفیدی از تغییرات منابع آبی و اکولوژیک تالاب جهت برنامهریزی در حفظ و نگهداری آن بهعنوان یک اکوسیستم مهم در منطقه در اختیار مدیریان و برنامه ریزان قرار می دهد. از توانمندیهایی سنجش از دور در بررسی و پایش کانونهای انتشار آلودگی گیاهان غیربومی و مهاجم، حفاظت از پهنه های آبی تالاب و جلویزی از تجاوز به حریم آن و کاهش بار ورودی آلاینده ها و رسوبات به تالاب که اعمال مدیریت یکپارچه و جامع را در این اکوسیستم غنی میسر میسازد، می توان بهره جست.
واژگان کلیدی: شاخص گیاهان تالابی، طبقه بندی، NDVI، سنجش از دور، تالاب انزلی
Vegetation Classification Based on Wetland Index Using Object Based Classification of Satellite Images (Case Study: Anzali Wetland)
Abstract:
Statement of the Problem:
Understanding the characteristics of vegetation in different ecosystems, including wetlands, is importance in the study and description of different natural resource systems because vegetation data and information at different scales are an important part of spatial databases related to environmental information and play an important role in modeling changes and protecting ecosystems. On the other hand, vegetation changes for various reasons and over time due to natural or human factors affect the conditions and performance of the ecosystem, Therefore, the need to identify, classify, detect, predict and protect it is very important in every ecosystem. It is very important. Recently, a lot of studies has been done in Anzali wetland as one of the most important wetlands of Ramsar Convention, which has a high cost due to the nature and geographical location of the wetland. Advances in technology have made it possible to evaluate natural environments more accurate, fast and low cost with remote sensing data due to their easy accessibility, high accuracy, extensive and reproducible coverage in terms of time and space, and information extraction in a relatively short time. Because one of the most important problems in studying of vegetation changes is the lack of accurate spatial information over time. Satellite imagery and remote sensing technology make it possible to achieve a better program for environmental management by relying on the information produced by it.
Purpose:
In this study, the vegetation classification of Anzali wetland were done by using the technique of Object base classifications of Landsat image incorporation with field work based on the wetland index of plants as well as the vegetation index (NDVI) of the study area were analyzed. Wetland vegetation classification maps can be used to identify the amount and type of cover and planning to maintain and rehabilitate the wetland.
Methodology:
In this study, vegetation map based on wetland index is considered as one of the required criteria for ecological demarcation of wetlands. First, the general vegetation areas of the wetland on the coast and around it were identified. Then, vegetation data of wetland aquatic species were collected from different wetland areas in 0.25 m2 plots. In the land margin area, the wetland species of the wetland margin were collected with 1 m2 plots. A total of 42 plots were collected during the spring and summer of 2019. After preparing the required images, their preprocessing including geometric, atmospheric, radiometric corrections and image enhancement were performed using ENVI 5.3. Landsat 8 Image on July 29, 1998 with a spatial resolution of 30 meters was used to classify vegetation and prepare a map of vegetation index (NDVI) and image of Sentinel-2 satellite (July 98) due to 10 m of ground resolution was used to combine with Landsat 8 data as auxiliary data in image classification. The combining of these two images improves the spatial resolution also preserves the spectral values of the multispectral image. Object based classification was performed on the integrated Landsat 8 image using training data from field work. The classification accuracy was evaluated for each class using experimental samples as ground control points and the classification error matrix was extracted.
Results and discussion:
First, the dominant plants and representative of their wetland index were identified by field work. Then, the relative percentage of dominant plant cover at the sampling site was calculated according to the standard list of identified plant species and Plants were divided into two groups of wetland and non-wetland based on wetland index. From the classification of plot species in 42 plots, 180 plant species were identified in 124 genera and 48 familia. Also four groups of wetland plants were: obligate wetland plants (OBL), facultative and obligate wetland plants (OBL & FACW), facultative upland and facultative wetland plants (FACU & FACW) and facultative wetland plants (FACW). Vegetation map was prepared from a combination of terrestrial samples and object base classification of the 2019 Landsat satellite OLI image sensor. The accuracy of the classified maps was evaluated based on kappa coefficient and overall accuracy. The overall accuracy is 88.62% and the kappa coefficient is 84%. The Plant distribution was determined based on satellite image classification: OBL plants were observed in the water zone (west and Sorkhankol wetland margin), FACW plants were observed mostly in the dry margin and mainly in the southwest of the wetland (Siahkeshim wetland) and Choukam Wildlife Sanctuary in the eastern part of the wetland, OBL & FACW group with less uniform distribution was observed in the whole area and FACU & FACW group was observed in a small part in Choukam, north and northwest of the wetland. The percentage of vegetation density map retrieved from NDVI index shows the distribution of dense vegetation cover in different parts of the wetland and the limitation of the water level of the wetland bed.
.
Conclusion:
The results of satellite imagery study and their classification according to terrestrial samples showed that the spread and dispersal of obligate wetland species (OBL) were limited to water parts of the wetlands, so that the highest distribution of these plants were in west of the Anzali wetland and Sorkhankol. The spread of facultative wetland species (FACW) were in the arid areas of the wetland, which indicates the upland areas of the wetland in Siahkeshim (southwest) and Choukam (east). The result of image classification showed the percentage of plant group in each class: the agricultural class (with a presence level of 23.9%) and the group of facultative species (FACW) (with a presence level of 23.6% and mostly Phragmites, Alnus and Salix species) have the top percentage of image classification classes of Anzali Wetland. This indicates more presence of facultative species compared to obligate species of wetland (OBL) (with a presence level of 10.1%) and the level of agricultural land occupation, showed the wetland drying. The percentage of vegetation at the wetland level was assessed with the vegetation index (NDVI), most of which belongs to dense vegetation. Due to the fact that the satellite image is related to the summer season, this map shows the distribution of vegetation in different parts and the water level of the wetland bed, which has reduced the amount of water levels in the wetland. Periodic review of vegetation and their ecological changes provides useful information on changes in the water and ecological resources of the wetland to plan for its maintenance as an important ecosystem in the region. Remote sensing capabilities include surveying and monitoring of pollution centers of non-native and invasive plants, protection of wetlands and prevention of encroachment and reducing the entry of pollutants and sediments into the wetland, which enables integrated and comprehensive management in this unique ecosystem.
Keywords: Wetland plants index, classification, NDVI, remote sensing, Anzali wetland
[1] Obligate
[2] Facultative Wetland
[3] Facultative
[4] Facultative Upland
[5] Upland