بخشی از مقاله
چکیده
سنجش از دور از زمره روشهای جمعآوری داده محسوب میشود که در آنها تماس فیزیکی با اشیاء مورد اندازهگیری در حداقل ممکن نگه داشته میشود. هدف اصلی این تحقیق، طبقه بندی جنگلهای شهرستان باغملک با مساحت 57144 هکتار میباشد. برای انجام تحقیق از تصاویر سال 1990 سنجنده TM ماهواره لندست استفاده شده است. در طبقهبندی تصاویر، از روش طبقه-بندی نظارت شده و الگوریتم حداکثر احتمال و شبکه عصبی مصنوعی استفاده گردید.
بعد از انجام طبقهبندی چهار کلاس جنگل، مرتع، کشاورزی، بدون پوشش استخراج شد. نتایج طبقه-بندی با دو الگوریتم نشان داد کلاس مرتع پوشش غالب در منطقه را دارا میباشد. مساحت این کلاس در روش الگوریتم حداکثر احتمال 28795/17 هکتار معادل 50/39 درصد منطقه و در روش شبکه عصبی 29822/60 هکتار معادل 52/19 درصد برآورد گردید. ارزیابی نتایج صحت بالاتری را در الگوریتم شبکه عصبی در مقایسه با الگوریتم حداکثر احتمال نشان داده است. نتایج نهایی این تحقیق حاکی از آن است که دادههای سنجش از دوری قابلیت بالایی برای طبقهبندی مناطق جنگلی از خود نشان دادهاند.
مقدمه
حوزه رویشی زاگرس در ناحیه ایرانی- آناتولی و در منطقه ایرانی-تورانی واقع در اقلیم شمالی قرار میگیرد .[10] جنگلهای غرب ایران در طول سلسله جبال زاگرس با طول متوسط 1150 کیلومتر و عرض متوسط 75 کیلومتر، از جنوب پیرانشهر - واقع در آذربایجان غربی - از شمال غربی به سمت جنوب شرقی کشیده شدهاند .[22] سنجش از دور تکنولوژی جدیدی است که در چند دهه اخیر توسعه قابل توجهی یافته و کاربرد آن در بررسی منابع زمینی رشد زیادی کرده است .[26]
در سالهای اخیر استفاده از دادههای ماهوارهای بهدلیل ویژگیهای منحصر بهفرد خود مانند دید گسترده و یکپارچه، استفاده از طیفهای مختلف الکترومغناطیسی جهت شناسایی پدیدههای مختلف، دورههای بازگشت کوتاه و امکان بهکارگیری سخت افزارها و نرم افزارهای متعدد و همچنین فراهم بودن امکانات مربوط به پردازش تصاویر و توانایی این دادهها در بارزسازیرتغییرات رخ داده، با استقبال خاصی روبرو شده است .[15 , 7]
طبقهبندی یک رویکردی است که به-وسیله آن برچسب یا کلاس به پیکسلهای موجود در تصاویر ماهوارهای بر اساس خصوصیاتشان داده میشود. این خصوصیات معمولاً اندازهگیریهای عکسالعمل طیفیشان در باندهای مختلف میباشد. این فرایند برچسب زدن از طریق روشهای تشخیص الگو اجرا میشود. با افزایش شمار ماهوارههایی که در مدار قرار می- گیرند، با تنوعی از سنجندهها و قدرت تفکیک مکانی، رادیومتری، طیفی و زمانی روبرو هستیم. همچنین با بهبود دسترسی به این اطلاعات، بررسی قابلیتهای آنها و ارائه معیارهای مستدل برای انتخاب، پردازش و استخراج اطلاعات مفید از آنها امری اجتناب-پذیر میباشد.
دادههای مورد استفاده
- نرم افزارهای مورد استفاده
در این تحقیق از نرم افزارهای ARC GIS v 10.1، MAP SOURCE, ENVI 4.7، Microsoft Excel، در مراحل مختلف کار استفاده گردید.
- سخت افزارهای مورد استفاده
از یک دستگاه GPS دستی مدل Garmin و یک دستگاه رایانه، مدل Asus k53E، استفاده گردید.
- تصاویر ماهوارهای
در این تحقیق از تصویر ماهوارهی لندست، دادههای سنجنده TM متعلق به منطقه، مربوط به تاریخ 26 شهریور 1369 برابر با 17 سپتامبر 1990 به ترتیب با گذر و ردیف 164، 38 استفاده گردید.
- نقشه توپوگرافی
نقشه توپوگرافی رقومی با مقیاس 1:25000 با سامانه پروژکسیون ، UTMزون 39 و مبنای WGS 84، فرمت DGN و با شماره شیتهای 5953 IINE، 5953 IISE، 6053III NW ، III SW 6053، 6052 IVNW، 6052 IVNE، 6052 IVSE جهت تهیه نقشه واقعیت زمینی و انجام عملیات میدانی استفاده گردید. نقشه توپوگرافی از ادارهی منابع طبیعی شهرستان باغملک تهیه گردید.
- اطلاعات میدانی ابتدا با توجه به تصویر ماهوارهای منطقه و جنگل گردشیهای لازم در عرصه، با کمک GPS اقدام به تهیه نمونههای تعلیمی و نمونه-های آزمایشی از طبقات منطقه مورد مطالعه شد که شامل مناطق جنگلی، کشاورزی، اراضی بدون پوشش میباشد.
روش تحقیق
دادههای اولیه و خام تمامی سنجندهها دارای خطاهای مختلفی میباشند، هر چند که تصاویر ماهوارهای پس از دریافت از ماهواره در ایستگاههای زمینی مورد تصحیحات اولیه قرار میگیرند اما هم-چنان دارای خطاهایی نظیر جابجایی ناشی از پستی و بلندی هستند ضمن آن که فاقد مختصات نیز میباشند. هیچگونه تصحیحی بر روی عکسهای هوایی انجام نمیگیرد، لذا هر دو نوع این دادهها قبل از اینکه مورد تجزیه و تحلیل قرار گیرند باید مورد تصحیحات لازمهی تکمیلی قرار گیرند و به لحاظ مختصات با یک مبنای استاندارد که معمولاً نقشههای توپوگرافی در نظر گرفته می-شود، مطابقت داده شوند .[27]
پس از اعمال پیشپردازش داده-های ماهوارهای، امکان انجام پردازش دادهها جهت مطالعه و تفسیر و استنتاج فراهم میگردد .[3] در این تحقیق بهمنظور تصحیح اتمسفری دادههای موجود و بر طرف کردن ناهنجاریهایی که ممکن است باعث ایجاد خطا در طبقهبندی شود از روش کاهش تیرگی پدیده استفاده گردید. در این روش کمترین ارزش پیکسلها در کلیه باندها بهدست آمده و از تکتک پیکسلهای باندها مورد استفاده گردید .[24] تصویر مورد استفاده در این تحقیق بهدلیل دریافت از سایت USGS دارای سیستم مختصات بود اما بهدلیل مطابقت با نقاط کنترل زمینی، مورد تصحیح هندسی مجدد قرار گرفت. در این مطالعه از روش نزدیکترین همسایه برای نمونهگیری استفاده شد.
در عمل نزدیکترین همسایه، با مقایسه موقعیت مرکز چهار پیکسل مجاور با مرکز پیکسل خروجی ارزش DN نزدیکترین پیکسل انتخاب و بهعنوان ارزش رقومی به پیکسل جدید تعلق می-گیرد. حسن این روش سرعت عمل و ایجاد تصویری با کنتراست بهتر برای تفسیر و از همه مهمتر عدم ایجاد DN جدید میباشد .[14] بعد از اعمال تصحیحات لازم با قرار دادن مرز منطقه مورد مطالعه بر روی تصویر، منطقه مورد نظر از کل تصویر جدا و آماده پردازش شد.
نمونههای تعلیمی نقش مهمی در صحت نتایج حاصل از طبقهبندی ایفا مینمایند. لذا اهمیت دقت در انتخاب نمونههای تعلیمی بسیار لازم و ضروری میباشد. لازم به ذکر است که نمونه-های تعلیمی متعدد و کوچک با پراکنش مناسب در هر طبقه مناسبتر از تعداد اندک نمونه تعلیمی بزرگ میباشد. نمونههای تعلیمی هر طبقه با بهرهگیری از تجربه و پس از انتخاب و تعیین طبقهها باید برای هر یک از آنها نمونههای تعلیمی تعیین نمود. زیرا اساس و پایه این روش بر مبنای مشخصات طیفی نمونههای تعلیمی میباشد. نمونههای تعلیمی باید مشخصات طیفی طبقهها را تا حد ممکن به خوبی ارائه دهند و معرف آن طبقه باشند و از جهتی دیگر همگن باشند .[11]
نمونههای تعلیمی طی دو مرحله جمعآوری میگردد که عبارتند از: الف - قبل از طبقهبندی، جهت جمعآوری نمونههای آموزشی برای انجام طبقهبندی و آشنایی با ویژگیهای محدوده مورد مطالعه؛ ب - پس از طبقهبندی، جهت جمعآوری نمونههای آموزشی برای ارزیابی صحت و کنترل نتایج طبقهبندی .[23] برای ارزیابی تفکیکپذیری نمونههای تعلیمی از روش ارزیابی تفکیکپذیری کلاسهها استفاده شده است .[4] برای ساختن بهترین تصاویر رنگی کاذب از همبستگی بین باندها و ماتریس کواریانس بهره گرفته شد. پس از تعیین همبستگی و ماتریس کواریانس بین باندها بهترین ترکیب باندی مشخص گردید که در این تحقیق از باندهای 2، 3، 4، 5، سنجنده ذکر شده استفاده گردید .[8]
طبقهبندی یکی از مهمترین اهداف اصلی فرآیندهای پردازش تصاویر ماهوارهای است که نتیجه نهایی آن معمولاً ایجاد نقشههای موضوعی از پوشش زمین با دارا بودن ویژگی کاربری اراضی مشخصی است .[12] یکی از راههای استخراج اطلاعات مفید از دادههای ماهوارهای، فرآیند طبقهبندی میباشد. بدین صورت که تمامی پیکسلهای تصویر با توجه به ارزش طیفیشان به گروههای مورد نظر نسبت داده میشوند و پدیدههای مختلف در تصویر از یکدیگر متمایز میگردند. این عمل با استفاده از الگوریتمهای مختلف انجام میگیرد. طبقه بندی بازتاب طیفی ثبت شده در تصویر با استفاده از روشهای ریاضی و قوانین احتمالات انجام می-شود .[5] طبقهبندی دادههای ماهوارهای در زمینه منابع طبیعی مدتاًع به دو صورت کلی نظارت نشده و نظارت شده میباشد.
یکی از مهمترین و پرکاربردترین تکنیکها در پردازش دادههای ماهواره-ای بهمنظور مطالعه پوششهای گیاهی و بهخصوص تهیه نقشه سطوح جنگلی انجام طبقهبندی تصاویر ماهوارهای میباشد. در مطالعه حاضر برای طبقهبندی تصویر از روش طبقهبندی نظارت شده و الگوریتم حداکثر احتمال و شبکه عصبی مصنوعی استفاده شد. بهمنظور تفکیک بهتر پدیدهها و آشکارسازی آنها روشهای مختلفی وجود دارد که از جمله روشهای به کار گرفته شده در این مطالعه تفسیر بصری به کمک تصاویر رنگی کاذب TM - 432 - .[20] افزایش کنتراست جهت جداسازی بهتر طبقات کاربریها است که در این مطالعه از روش گوس بهمنظور افزایش مغایرت نیز استفاده شد .[9]
در این تحقیق برای بهبود تصویر طبقهبندی شده از فیلتر ماژوریتی به ابعاد 3 × 3 پس از طبقهبندی استفاده و باعث ایجاد یک تصویر هموار و کلی از کلاسهای موجود در نقشه گردید .[17] یکی دیگر از اعمالی که معمولاً پس از طبقهبندی انجام میشود ترکیب کلاسهای مختلف و تولید یک نقشه جدید است. در این تحقیق کاربریهای موجود در منطقه شامل جنگل، مرتع، کشاورزی و اراضی بدون پوشش میباشد. اراضی کشاورزی و باغات به جهت اینکه در منطقه مورد مطالعه از نظر طیفی قابل تفکیک نمیباشند بههمین منظور این دو کلاس با هم ترکیب شدند و در قالب یک کاربری در نظر گرفته شدند.
