بخشی از مقاله
چکیده
شناخت تیپهای جنگلی و برنامهریزی برای هر یک از این واحدها از عوامل مؤثر در مدیریت توده جنگلی میباشد. هدف از این تحقیق تیپبندی جنگل دارابکلا، با استفاده از دادههای سنجنده SPOT-HRG و الگوریتم ناپارامتری CHAID میباشد. با استفاده از روش تصادفی- سیستماتیک با ابعاد 600 در 500 متر، تعداد 170 پلات در کل منطقه پیاده شد. پس از اعمال تصحیحات هندسی و کاهش اثر اتمسفری بر روی تصاویر مورد بررسی، پردازشهای نسبت گیری باندها، ایجاد شاخصهای متداول گیاهی و تجزیه مؤلفههای اصلی انجام گردید.
پس از استخراج مقادیر طیفی متناظر با قطعات نمونه بر روی باندهای اصلی و پردازش شده، طبقه بندی ارزش های سایر پیکسل ها با استفاده از الگوریتم CHAID صورت گرفت. ارزیابی صحت نتایج طبقه بندی با تعدادی قطعه نمونه که در فرآیند طبقهبندی شرکت نداشتند صورت گرفت. نتایج حاصل از ارزیابی نشان داد که الگوریتم CHAID با صحت کلی 59 درصد و ضریب کاپا 0/55 توانست تیپهای جنگل را تفکیک نماید.
مقدمه
داشتن اطلاعات در مورد تیپهای جنگلی برای مدیریت منابع جنگلی و همچنین تحقیقات علمی ضروری میباشد. جمع آوری این اطلاعات از طریق عملیات میدانی پرهزینه و وقتگیر میباشد. استفاده توأم از دادههای سنجش از دور و سیستم اطلاعات جغرافیایی، همراه با ارزیابیهای صحرایی، برای این گونه مطالعات بسیار مؤثر و دارای نتایج رضایت بخشی میباشد 10]، 7،.[11 سنجش از دور و سیستم اطلاعات جغرافیایی در مناطق زیادی در چند دهه اخیر برای نقشه کردن و نظارت بر منابع جنگلی استفاده شده است .
6] یکی از راهها برای استخراج اطلاعات از تصاویر، طبقهبندی میباشد. روشهای طبقهبندی زیادی برای استخراج اطلاعات موضوعی از تصاویر وجود دارد. هر روش دارای قابلیتهای متفاوتی نسبت به روش دیگر میباشد که در هنگام طبقهبندی تصاویر باید لحاظ شود. اکثر مطالعات انجام شده در کشور برای تیپبندی جنگل، با استفاده از دادههای با قدرت تفکیک مکانی متوسط - عموما30 متر - میباشد 2]،1، 3 و.[4 از طرفی تقریباً در تمام مطالعات انجام شده برای طبقهبندی، از روشها و الگوریتمهای پارامتری مانند حداکثر احتمال و حداقل فاصله از میانگین استفاده شده است و اکثرا فاقد نتایج رضایتبخشی بوده است.
درویش صفت و همکاران [1] از سه روش طبقهبندی نظارت شده شامل حداکثر احتمال، حداقل فاصله از میانگین و k نزدیکترین همسایهٌ - KNN - بر روی دادههای سنجنده ETM+ برای تهیه نقشه تیپ راش استفاده کردند. در این مطالعه بالاترین صحتکلی بدست آمده برای چهار طبقه - راش خالص، راش غالب، راش مخلوط و غیرراش - مربوط به الگوریتم ناپارامتریک KNN و به مقدار 0/35 بود که پس از ادغام طبقه راش خالص و راش غالب صحت کلی طبقهبندی به مقدار 0/51 بهبود یافت.
به دلیل بعضی مشکلات در استفاده از الگوریتمهای پارامتری نظیر حساس بودن این الگوریتم ها به نرمال بودن داده های مورد بررسی، استفاده از الگوریتم های ناپارامتری مورد استقبال قرار گرفته است. [9] Lawrence نشان داد که آنالیز طبقهبندی درختی، روش بسیار مناسبی برای طبقهبندی دادههای سنجش از دور در موقعیکه دادههای اولیه دارای پیوستگی زیاد هستند میباشد. [8] Landenburger et al., مطالعهای را با استفاده از دادههای سنجنده ETM+ و الگوریتم BRT برای تهیه نقشه گونهها در کشور امریکا انجام دادند. صحت کلی برای طبقهبندی در این مطالعه بیش از 90 درصد محاسبه گرددید. هدف از این تحقیق بررسی امکان تهیه نقشه تیپ های جنگل با استفاده از داده های سنجنده SPOT5- HRG و مقایسه نتایج حاصل از بکارگیری روشهای رندم فارست در سری 1 جنگل آموزشی و پژوهشی دارابکلای ساری میباشد.
-2مواد و روشها
-1-2منطقه مورد مطالعه
تحقیق حاضر در جنگل دارابکلای ساری و با مساحتی حدود 4785 هکتار انجام گرفت. شکل -1 الف و -1ب موقعیت منطقه مورد مطالعه را نشان میدهد. این منطقه درمحدوده ارتفاعی بین 140 تا 880 متر ارتفاع از سطح دریا واقع شده است و متوسط بارش سالیانه آن 938/8 میلی متر میباشد.
-2-2برداشت اطلاعات زمینی
برای برداشت نمونههای تعلیمی از روش تصادفی- سیستماتیک با ابعاد شبکه 600 در 500 متر تعداد 170 پلات در کل منطقه برداشت گردید. سپس تعداد 118 پلات 70 - درصد - برای طبقهبندی و تعداد 52 پلات 30 - درصد - برای ارزیابی طبقهبندی استفاده شد - شکل -1ج - . برای تعیین نوع تیپ جنگل از اصول کلی روش کوچلر و نامگذاری به روش مهاجر- گرجی [5] استفاده شد. در این مطالعه مطابق با پیشنهاد درویشصفت[1] تیپهایی با سطح کوچک در نظر نگرفته شده است.
- 3- 2 دادههای ماهوارهای
در این مطالعه دادههای سنجنده SPOT5 -HRG مربوط به تاریخ 4 ژوئن سال 2009 برابر با 14 خرداد 1388و همزمان با زمان برداشت اطلاعات با سطوح تصحیحات 1A مورد استفاده قرار گرفت. دادههای سنجنده SPOT 5 -HRG دارای سه باند سبز، قرمز و مادون قرمز نزدیک با قدرت تفکیک مکانی 10 متر و یک باند مادون قرمز میانی با قدرت تفکیک 20 متر می باشد.
-4-2 پیشپردازش و پردازش تصاویر
تصحیح هندسی تصاویر از نوع ارتو به منظور حذف اثر توپوگرافی بر هندسه تصویر با استفاده از مدل رقومی زمین منطقهٍ - DEM - با دقت ارتفاعی10 متر و همچنین با تعداد 23 نقطه کنترل زمینیَ - GCP - نهایی صورت گرفت. تصاویر با میزان خطای ُ RMSE نهایی برابر با 0/67 پیکسل برای داده های VNIR، و برابر با 0/5 پیکسل برای داده های SWIR زمین مرجع گردیدند. با عمل نمونه گیری مجدد و برای هماهنگ سازی ابعاد پیکسل های تصاویر مقدار ابعاد پیکسل های تصاویر SWIR به 10متر تبدیل گردید. برای بررسی میزان دقت تصحیحات هندسی صورت گرفته از لایههای برداری جادهها استفاده شد و از صحت این تصحیحات اطمینان حاصل شد. در جدول 1 تعدادی از شاخصهای مورد استفاده در این مطالعه آورده شده است.
