توسعه و ارتقاء روش های طبقه بندی الگوریتم شبکه عصبی و شاخص پوشش جنگلی (FCD) در داده ماهواره ای با وضوح بالا GEOEYE. (مطالعه موردی: جنگل های هیرکانی رامسر-صفارود)
محورهای موضوعی : منابع طبیعی
امین مهدوی سعیدی
1
(دانشجو دکترای جنگلداری. دانشکده منابع طبیعی و محیط زیست، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.)
ساسان بابایی کفاکی
2
(استاد گروه جنگلداری. دانشکده منابع طبیعی و محیط زیست، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران. *(مسوول مکاتبات))
اسداله متاجی
3
(استاد گروه جنگلداری. دانشکده منابع طبیعی و محیط زیست، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.)
کلید واژه: مراحل تحولی, داده وضوح بالا, Density Slice, FCD, شبکه عصبی,
چکیده مقاله :
زمینه و هدف: با عنایت به وضوح مکانی بالای داده های Geoeye، به دلیل توزیع گسترده تر پیکسل ها، نقشه های خروجی در دو روش طبقه بندی الگوریتم شبکه عصبی و شاخص پوشش جنگلی (FCD)، حساس تر و با جزئیات پیکسلی بیشتر همراه هستند. با توجه به حجم زیاد اطلاعات در سنسورهای جدید، هدف این مطالعه توسعه و ارتقاء عملکرد الگوریتم های طبقه بندی پیچیده تر، برای تفسیر داده های ماهواره ای مدرن است. روش بررسی: طبقه بندی مدل پایه FCDبراساس چهار شاخص اصلی، حساس به سایه، خاک بدون پوشش، شرایط و تراکم پوشش گیاهی، و بدون نیاز به نمونه تعلیمی، عمل می نماید. الگوریتم شبکه عصبی با حساسیت بالایی نسبت به باندهای تصویر اصلی و باندهای ایجاد شده و اضافه شده به تصویر و همچنین نمونه آموزشی معرفی شده، عمل می کند. نمونه های تعلیمی، تابستان 1395و 96 در سری 5 و 6 حوزه آبخیز 30 رامسر، بررسی گردیدند. یافته ها: با استفاده از روش یاد شده دقت 5/24٪ برای روش FCD و 2/26٪ برای روش شبکه عصبی بدست آمده است. با توجه به اینکه داده های استفاده شده از وضوح بالایی برخوردارند، نقشه خروجی در این روش توسعه یافته، با تراکم بالای پولی گون ها همراه است. بحث و نتیجه گیری: با توجه به دامنه ظهور پیکسل ها در نقشه های خروجی دو روش یاد شده، روش توسعه یافته ای برای تولید نقشه دقیق تر، با توجه به قدرت تفکیک مکانی زیاد سنجنده Geoeye، ارائه شده است. در این روش با طبقه بندی مجدد در محدوده حداکثر فراوانی پیکسل ها، مرزبندی پولی گون ها در ابعاد بسیار کوچکتر و دقیق تر قابل ملاحظه است.
Background and Objective: Due to the high spatial resolution of Geoeye data, due to the wider distribution of pixels, the output maps in Neural network algorithm and Forest cover index (FCD) classification methods are more sensitive and with more pixel detail. Considering the large amount of information in new sensors, the aim of this study is to develop and improve the performance of more complex classification algorithms for the interpretation of modern satellite data. Material and Methodology: FCD model base classification is based on four main indicators: sensitive to shadow, uncovered soil, vegetation conditions and density, and without the need for a training sample. The Neural network algorithm operates with high sensitivity to the original image bands and the bands created and added to the image, as well as training samples. Training samples were determined in the summer of 2016-2017 from series 5 and 6 of 30 Ramsar watersheds. Finding: Using this method, an accuracy of 24.5% was obtained for the FCD method and 26.2% for the Neural network method. Due to the high resolution of the data used, the output map developed in this method is associated with a high density of polygons. Discussion & Conclusion: Due to the range of pixels in the output maps of the two methods, an extended method has been proposed to produce a more accurate map, due to the high spatial resolution of the Geoeye sensor. In this method, by reclassifying within the maximum frequency range of pixels, the demarcation of polygons in much smaller and more accurate dimensions is considerable.
10. Shataee, S., Kalbi, S., Fallah, A. and Pelz, D. (2012). Forest attribute imputation using machine-learning methods and ASTER data: comparison of k-NN, SVR and random forest regression algorithms. International journal of remote sensing, 33(19), 6254-6280.
11. Aronoff.S. "Remote Sensing for GIS Managers" . Esri Press.2005.
12. Math(z)er.P.M . "Computer Processing of Remotely-Sensed Images". 1996.
15. Stoffels, J, Hill, J, Sachtleber, T, Mader, S, Buddenbaum, H, Stern, O, 2015, Satellite based derivation of high resolution forest information layers for operational forest management. Forests. Vol6. iss6. https://doi.org/10.3390/f6061982.
20. Crowson et al. 2018. A comparison of satellite remote sensing data fusion methods to map peat swamp forest loss in Sumatra, Indonesia. Remote Sensing in Ecology and Conservation published by John Wiley & Sons. DOI: 10.1002/rse2.102.
_||_
10. Shataee, S., Kalbi, S., Fallah, A. and Pelz, D. (2012). Forest attribute imputation using machine-learning methods and ASTER data: comparison of k-NN, SVR and random forest regression algorithms. International journal of remote sensing, 33(19), 6254-6280.
11. Aronoff.S. "Remote Sensing for GIS Managers" . Esri Press.2005.
12. Math(z)er.P.M . "Computer Processing of Remotely-Sensed Images". 1996.
15. Stoffels, J, Hill, J, Sachtleber, T, Mader, S, Buddenbaum, H, Stern, O, 2015, Satellite based derivation of high resolution forest information layers for operational forest management. Forests. Vol6. iss6. https://doi.org/10.3390/f6061982.
20. Crowson et al. 2018. A comparison of satellite remote sensing data fusion methods to map peat swamp forest loss in Sumatra, Indonesia. Remote Sensing in Ecology and Conservation published by John Wiley & Sons. DOI: 10.1002/rse2.102.