بخشی از مقاله
چکیده
طبقهبندی انواع مراتع فراهمکنندهی اطلاعات کلیدی برای آنالیز بهرهوری کشاورزی، محاسبهی کربن و شناسایی تنوع زیستی است. سنجش از دور میتواند به عنوان یک ابزار توانمند با به کارگیری داده از منابع مختلف و تلفیق آنها با یکدیگر برای طبقهبندی انواع پوشش گیاهی و کاربری اراضی مورد استفاده قرار گیرد. اولین مجموعه دادههای مورد استفاده در این تحقیق تصویر لندست TM و دومین مجموعهی دادهها، تصویر راداری ENVISAT ASAR برای منطقه مورد مطالعه واقع در محدودهی شمالغربی شهر تهران - البرز جنوبی - میباشد و هدف از این تحقیق استفاده از این تصاویر برای طبقه بندی انواع مراتع میباشد.
تاثیر استفاده از ویژگیهای بافت تصویر راداری و نوری بر روی نتایج طبقهبندی بررسی شده است و برای انتخاب ویژگیهای مستقل که منجر به بالاترین دقت نتایج طبقهبندی میشود از الگوریتم ژنتیک استفاده گردید. در بخش دیگری از تحقیق تاثیر استفاده از دادههای ارتفاعی منطقه و شاخصهای گیاهی تصویر نوری بر روی نتایج نهایی طبقه-بندی بررسی گردید و باندهای بهینه انتخاب شد.
-1 مقدمه
مرتع شامل اراضی است با پوشش طبیعی یا بذرکاری شده با گونه های بومی و یا غیربومی که علوفه ی مورد مصرف دام را تأمین مینماید. علفزارها، مراتع، و دیگر زمینهای چرای دام شرکت کنندههای ضروری برای بهرهوری و تنوع زیستی کره زمین هستند، همان گونه که جمعیت جهانی دامهای اهلیشده را پشتیبانی میکنند و بیانگر جزء کلیدی عملکرد اکوسیستم و تنوع زیستی جهانی میباشند. بنابراین مدیریت این اراضی برای تولید جهانی مواد غذایی، عملکرد بیوسفر زمینی، تعادل جهانی کربن و کاهش تغییرات آب و هوایی مهم است.
مشخصهی اصلی مراتع تنوع در مقیاس مکانی و در ساختار پوشش گیاهی است .[1] از آنجا که تصاویر جداگانهی SAR1 و نوری توصیف کننده ی ساختار و محتوای آب پوشش گیاهی و محدودههای فاقد پوشش گیاهی، پوشش گیاهی دچار استرس و پوشش گیاهی سالم میباشد، اهمیت استفاده از دادههای سنجش از دور چند منبعی برای طبقهبندی انواع مراتع مشخص میگردد و بنابراین استفاده از ویژگیهای تصاویر از منابع مختلف ما را به سمت نتایج بهتر طبقهبندی هدایت میکند.
اگرچه روشهای سنتی طبقهبندی بعنوان روشهای موثر در استخراج اطلاعات پوشش و کاربری اراضی شناخته شدهاند اما برخی از این محدودیتهای این روشها عبارتند از ناتوانی در استفاده از مشخصاتی مانند بافت، مقیاس، اندازه، ارتباط با دیگر کلاسها و شکل پیکسلهای مجاور به الگوریتم طبقهبندی. اغلب تشخیص بین کلاس-ها فقط با استفاده از خصوصیات طیفی مشکل است، برای نمونه کلاس انواع گونههای مرتعی که مشخصات طیفی مشابه دارند باهم اشتباه گرفته میشود و از طرفی نتایج طبقهبندی روشهای پیکسلمبنا اغلب نشاندهنده یک اثر نمک فلفلی - نویز گونه - است که به علت متفاوت شدن کلاس یک پیکسل از کلاس نسبت داده شده به پیکسلهای همجوار آن میباشد که این امر موجب بدست آوردن اطلاعات پردازش شده با ارزش نامناسب خواهد شد .[2]
برای رفع این مشکل و افزایش صحت نقشه های پوشش گیاهی از یک طرف میتوان اطلاعات طیفی را با دیگر اطلاعات جانبی نظیر پارامترهای بافت تصویر، نقشههای رطوبتی، DEM، شیب، جهت شیب و پوشش گیاهی منطقه و ... ترکیب کرد و از طرف دیگر از الگوریتم های جدیدتر و کاملتر که در کنار داده های طیفی از داده های بافتی و مفهومی و ... بهره میبرند، استفاده نمود تا نقشههای بهتر و دقیقتری جهت تصمیمگیری در اختیار برنامهریزان قرار گیرد. طبقه بندی کنندههای استفاده شده در منطقه مورد مطالعه جزو روش های پیکسل مبنای سنتی از قبیل مینیمم فاصله2 و بیشترین شباهت3 هستند که فرض را بر مدلهای آماری پارامتریک و توزیع های آماری از قبیل توزیع گوسین قرار میدهند.
-2 پیشینه مطالعاتی و مفاهیم تئوری مورد نیاز
در روشهای مرسوم طبقه بندی - طبقهبندیکنندههای سنتی - میتوان از دادههای کمکی به همراه دادههای طیفی برای انجام طبقهبندی استفاده نمود. داده کمکی میتواند از منابع دیگر شامل نقشههای توپوگرافی [3]، زمین شناسی [4] و دیگر نقشهها استخراج گردد. همچنین DEM به تنهایی و یا با دیگر مشتقاتش از قبیل شیب و جهت شیب، اساسی را برای طبقهبندی چندمنبعی تامین میکند .[5]
آنالیز بافت با استفاده از ماتریس هموقوع درجات خاکستری - معمولترین روش آنالیز بافت - اولین بار در سال 1973 توسط Haralick پیشنهاد شد [6] و از آن پس به عنوان یک منبع ارزشمند داده برای طبقهبندی و استخراج مناطق غیرهموژن در تصاویر سنجش از دور بکار رفت. استفاده از دادههای بافت به همراه دادههای طیفی برای مناطقی که در تصویر پوشش هموژن ندارند باعث افزایش دقت طبقهبندی میگردد.
Kabir Shahid طبقهبندی کننده بیشترین شباهت را روی سه دسته داده اعمال نمود: دستهی اول، داده های طیفی شامل باندهای قرمز، سبز، آبی و مادون قرمز؛ دستهی دوم داده های مکانی شامل بافت تصاویر - میانگین، واریانس، هموژنیتی و ... - و دسته ی سوم استفاده از دادههای ترکیبی شامل تصاویر بافتی و چند طیفی بود که استفاده همزمان از دو نوع داده بالاترین دقت و استفاده از داده بافت کمترین دقت را به همراه داشت .[7]
بنابرین در این مطالعه از ویژگیهای طیفی تصویر نوری در کنار ویژگیهای بافتی تصاویر نوری و رادار و مدل رقومی ارتفاعی در فرآیند طبقهبندی انواع مراتع استفاده شد. بهبود دقت طبقهبندی انواع مراتع با استفاده از انتخاب ترکیب مناسبی از پارامترهای بافت تصویر نوری و راداری و باندهای طیفی تصویر نوری با استفاده از الگوریتم ژنتیک و در ادامه به کارگیری باندهای طیفی و شاخصهای گیاهی تصویر نوری و مدل ارتفاعی رقومی منطقه و مشتقات آن شامل شیب و جهت شیب، هدفی است که در این مقاله دنبال میگردد.
-3 مواد و روشها
-1-3 منطقه مورد مطالعه و داده های مورد استفاده
سازمان جنگلها، مراتع و آبخیزداری کشور به منظور ایجاد طرح جامع حفاظت و احیای منابع طبیعی شمال تهران و شمیرانات - البرز جنوبی - ، اقدام به انجام برنامه های اصلاحی و احیایی مراتع نموده است. در همین راستا منطقهی مورد مطالعه را بخشی از محدوده شمالغربی تهران که در موقعیت جغرافیایی 51 02 37 تا 51 19 01 طول شرقی و 35œ47"50 تا 35 57 57 عرض شمالی واقع شده است، در نظر گرفتهایم. شکل - 1 - منطقه مورد مطالعه و تصویر نوری استفاده شده در تحقیق را نشان میدهد.
تصاویر ماهواره ای مورد استفاده در این تحقیق شامل باند 1 تا 4 تصویر نوری Landsat TM و تصویر راداری ENVISAT ASAR اخذ شده در باند C و در پلاریزاسیون VV میباشد. تصویر سنجنده Landsat اخذ شده در تاریخ 2009/06/01 در 7 باند و با قدرت تفکیک مکانی 30 متر میباشد و تصویر راداری ENVISAT ASAR مورد استفاده با زاویه فرود40.9177 4 درجه و قدرت تفکیک 30 متر در تاریخ 2009/06/09 اخذ شده است. شکل - 2 - نشان دهندهی تصویر راداری اولیه - در فرمت فاصله زمینی - 5 و بخشی از تصویر تصحیح شده میباشد. تصحیح رادیومتریکی و توپوگرافی تصحیح راداری با استفاده از نرم افزار NEST6 و با معرفی DEM مربوط به منطقه مورد مطالعه و روش تصحیح زمینی فاصله داپلر7 صورت گرفته است.
