بخشی از مقاله
چکیده
به هنگام بودن اطلاعات مناطق جنگلی در مدیریت و برنامه ریزي جنگل ها و عرصه هاي منابع طبیعی حائز اهمیت است. این مطالعه با هدف تشخیص مناطق جنگلی از غیر جنگلی و امکان تشخیص طیقات تراکمی تاج پوشش با استفاده از داده هاي ماهوارهLandsat 8 و با روش طبقه بندي شبکه عصبی مصنوعی انجام شد. نتایج نشان داد امکان تشخیص مناطق جنگلی از غیر جنگلی با صحت مناسب قابل انجام است اما تفکیک طبقات تاج پوشش نتایج قابل قبولی را نشان نداد. از میان اطلاعات ورودي به الگوریتم شبکه عصبی مصنوعی به ترتیب باند مادون قرمز نزدیک با شاخص اهمیت 0/418 و شاخص NDVI با 0/331 بیشترین تاثیر را در طبقه یندي تصویر داشتند.
واژههاي کلیدي: شبکه عصبی مصنوعی، شاخص اهمیت، Landsat 8
-1 مقدمه
نقشه برداري جنگلها از اهمیت بسزایی در مدیریت محیطزیست در مقیاس ملی و بین المللی [9]، مدیریت منابع طبیعی [4]، تهیه برنامه هاي استفاده از سرزمین و تعیین توان بهره برداري از جنگلها [6] برخوردار است. در سطح جهانی، هر بیست دقیقه 1200 هکتار از جنگلها نابود میشود. در ایران نیز براساس آمارهاي موجود شدت جنگلزدایی در سه دهه اخیر و بویژه در محدوده زاگرس چشمگیر بوده است. با توجه به اهمیت زیست محیطی جنگلهاي زاگرس بررسی روند تغییرات کمی - مساحت - و کیفی - تراکم تاج پوشش، تنوع و ... - در دورههاي زمانی مختلف و درك دلایل کاهش آن از موضاعات مورد توجه مدیران در سطح منطقه اي و ملی است.
در ایران، مطالعات انجام شده در زمینه نقشه برداري اراضی جنگلی عموما در نواحی جنگلی شمال ایران و در محدوده جنگلهاي متراکم و نیمه متراکم هیرکانی و ارسباران صورت گرفته است 3]،1 و .[5 در مناطق جنگلی با تراکم بالاي تاج پوشش تشخیص مرز جنگل بسیار ساده تر از مناطق با تراکم پایین است. در ناحیه رویشی زاگرس بدلیل پیچیدگی هاي موجود در تعریف جنگل و نیز مشکلات استفاده از داده هاي دورسنجی - وجود تداخل طیفی خاك با پوشش گیاهی بخاطر باز بودن تاج پوشش جنگل و نیز وجود زیر اشکوب علفی و نیاز به تفسیر نوع پوشش گیاهی - علی رغم تنوع بیشتر پوشش گیاهی و مساحت بیشتر این جنگلها، تحقیقات کمتري در زمینه نقشه برداري از این جنگل ها با استفاده از دادههاي دورسنجی و سامانه اطلاعات
جغرافیایی صورت گرفته است. لذا ارائه راهکاري براي تهیه نقشه مرز منابع جنگلی در محدوده جنگل هاي زاگرس با دقت قابل قبول و بر اساس معیارهاي مورد نظر سازمان جنگل ها و مراتع کشورلازم می باشد ، به شکلی که با شرایط اقتصادي و اجتماعی حاضر، سطح دانش فنی، امکانات و فناوريهاي سخت افزاري و نرم افزاري موجود سازگار باشد و با پیشرفتهاي محتمل آتی قابلیت بروز رسانی را داشته باشد.هدف از تحقیق حاضر بررسی توان داده هاي لندست 8 در تشخیص مناطق جنگلی از مناطق فاقد پوشش جنگلی و درجات تراکم تاح پوشش جنگل با استفاده از رو طبقهبندي شبکه عصبی مصنوعی است.
-2 مواد و روشها
منطقه مورد مطالعه
جنگل هاي استان چهارمحال بختیاري با مساحتی بیش از 300 هزار هکتار، به صورت نواري از کوه هاي بازفت - شهرستان کوهرنگ - شروع و به ارتفاعات فلارد - شهرستان لردگان - ختم می شوند .این تحقیق در بخشی از جنگلهاي ارتفاعات شهرستان لردگان با مساحت تقریبی 15000 هکتار انجام شد.
روش تحقیق
دراین مطالعه از دادههاي ماهوارهاي Landsat 8 مربوط به آگوست 2014 استفاده شد.در ابتدا تصحیحات لازم از جمله تصحیحات رادیومتریک، هندسی و اتمسفري بر روي تصاویر انجام شد.سپس بصورت تصادفی سیستماتیک مختصات تعداد 65 پیکسل از داده هاي تصویر ماهواره اي که بر اساس اطلاعات زمینی در زمان تصویر برداري از منطقه - آگوست - 2014 داراي پوشش جنگلی بوده - از طبقات تراکمی تاج پوشش مختلف - و 35 پیکسل که فاقد پوشش جنگلی بودندبه عنوان نمونه هاي تعلیمی انتخاب شدند.در ادامه با استفاده از روش طبقه بندي تصویر با الگوریتم شبکه عصبی مصنوعی تصویر منطقه با استفاده از نمونههاي تعلیمی طبقهبندي شد.براي بهبود نتایج علاوه بر اطلاعات باندهاي سبز، قرمز و مادون قرمز نزدیک،شاخص هاي گیاهی NDVI نیز تولید شده و در تشخیص جنگل از غیر جنگل مورد برررسی قرار گرفتند.
روند طبقهبندي با شبکه عصبی مصنوعی
اصول شبکه هاي عصبی از طبیعت زیستی اقتباس شده و رفتار بیولوژیکی نرونها و شبکههاي آنها توسط روابط ریاضی به طور دقیق بیان شدهاست. شبکههاي عصبی داراي دو رکن اساسی هستند، ساختار و خصوصیات عملیاتی. ساختار شبکه تعیین کننده آن است که شبکه از چند نرون تشکیل شده و این نرون ها در شبکه چه آرایشی دارند و چگونه به هم متصل شدهاند - شکل . - 1 دینامیک نرون تعیین کننده ویژگیهاي شبکههاي عصبی است که نشان می دهد یک شبکه چگونه یاد میگیرد، چگونه اطلاعات جدید را با دانش از پیش آموخته خود مقایسه می کند و چگونه یک الگوي ذخیره شده را فراخوانی میکند. شبکههاي عصبی اطلاعات را براساس اﻟﮕﻮرﯾﺘﻢ سلسله مراتبی پردازش نمیکنند، بلکه پردازش در شبکههاي عصبی بر اساس تجزیهي موازي1 اطلاعاتپیچیده به عناصر اصلی صورت میگیرد .[2]
آموزش و یادگیري شبکههاي عصبی مصنوعی
به طور کلی، آموزش فرایندي است که به وسیله آن، شبکه عصبی خود را براي یک محرك سازگار میکند؛ به نحوي که بعد از تعدیل مناسبپارامتر هاي شبکه، پاسخ مناسب را ارائه دهد. در واقع شبکه، در فرایند آموزش، پارامتر هاي خود - یعنی وزن هاي سیناپسی - را در پاسخ به ورودي محرك تعدیل مینماید به نحوي که خروجی واقعی شبکه مطلوب گردد. شیوه آموزش به نحوه اتصالات نرونها بستگی دارد. در شبکههاي عصبی مصنوعی، قوانین آموزش 2به شکل ریاضی بیان میشود که به معادلات آموزش3 موسوماند. معادلات آموزش، شیوه فراگیري شبکه - که در واقع نحوه تبدیل وزنهاست - را یبان میکند.
روش هاي آموزشی مختلفی مانند آموزش با نظارت، آموزش بدون نظارت، آموزش تقویت یافته، آموزش رقابتی و...وجود دارد که در زیر به دو مورد اول اشاره میگردد. در شیوه آموزش با نظارت، وروديها شبکه و خروجی هاي متناظربا آنها از قبل مشخص استد در حین آموزش، ورودي به شبکه عصبی اعمال میشود و شبکه در پاسخ به آن ورودي محرك، پاسخ خروجی را نتیجه می دهد. این خروجی با خروجی مطلوب که در اصطلاح خروجی هدف خوانده می شود مقایسه می گردد. حال اگر خروجی واقعی با خروجی مطلوب مغایرت داشته باشد، شبکه یک سیگنال خطا تولید می کند که از این سیگنال خطا براي میزان تغییري که باید بر وزن ها اعمال شود استفاده می کنیم. به عبارت دیگر خطا را کاهش می دهیم و در صورت امکان آن را به صفر میرسانیم.شبکه هاي عصبی با توانایی قابل توجه خود در استنتاج نتایج از دادههاي پیچیده میتوانند در استخراج الگوها و شناسایی گرایشهاي مختلفی که براي انسانها و کامپیوتر شناسایی آنها بسیار دشوار است استفاده شوند.