پایش تغییرات سطح پوشش جنگل های حوزه سیاه مزگی استان گیلان با استفاده از تصاویر لندست
محورهای موضوعی : توسعه سیستم های مکانیسید آرمین هاشمی 1 , سید رضا فاطمی طلب 2 , حمیده کاوسی کلاشمی 3 , مرتضی معدنی پور کرمانشاهی 4
1 - استادیار گروه جنگلداری، دانشگاه آزاد اسلامی واحد لاهیجان
2 - استادیار گروه محیط زیست، دانشگاه آزاد اسلامی واحد آباده
3 - دانش آموخته کارشناسی ارشد سنجش از دور و GIS، دانشگاه آزاد اسلامی واحد یزد
4 - استادیار گروه جنگلداری، دانشگاه آزاد اسلامی واحد شبستر
کلید واژه: حوزه سیاه مزگی, پایش تغییرات, سنجش از دور, جنگل‌زدایی, تصاویر لندست, شبکه عصبی,
چکیده مقاله :
در طول دهه‌های اخیر جنگلهای خزری توسط دخالت‌های انسانی مورد تعرض قرار گرفته‌اند. دسترسی آسان، فراوانی و تنوع محصولات جنگلی با ارزش منجر به افزایش تراکم جمعیت، ایجاد مناطق مسکونی جدید و فعالیت‌های جنگل‌زدایی شده است. آشکار ساختن تغییرات یکی از روشهای اساسی در مدیریت و ارزیابی منابع طبیعی است. هدف از این مطالعه پایش تغییرات سطح جنگلهای سیاه مزگی در دو مقطع زمانی (2000 و 2015)، با استفاده از تصاویر لندست +ETM سال 2000 و OLI سال 2015 است. به منظور تهیه نقشه وضعیت گستره جنگل در سال‌های 2000 و 2015، تصاویر با استفاده از 20 نقطه کنترل زمینی که به صورت تصادفی از سرتاسر حوزه برداشت، و با نقشه های توپوگرافی منطقه تصحیح هندسی گردید. پس از انتخاب بهترین مجموعه باندی با استفاده از شاخص فاصله باتاچاریا، طبقهبندی تصاویر با استفاده از الگوریتم شبکه عصبی مصنوعی انجام گرفت. نتایج طبقهبندی به روش شبکه عصبی در تصاویر سال 2000 و 2015 در حوزه سیاه مزگی نشان داد که صحت کلی به ترتیب 75/95% و 96/95% است. همچنین مساحت اراضی جنگل طی سال‌های 2000 تا 2015 به اندازه 55/213 هکتار کاهش داشته است. همچنین مراتع متراکم نیز کاهش چشمگیری داشته اما در این بازه زمانی بر وسعت زراعت دیم و مراتع نیمه متراکم به میزان 95/169 و 6/9 هکتار افزوده شده است.
In recent decades Caspian forest has been attacked by human intervention. Easy access, abundance and diversity of valuable forest products led to an increase in population density, development of new residential areas and activities of deforestation. Change detection is essential in the assessment and management of natural resources. The aim of this study, was to monitor changes in forests of Siyahmezgi watershed in two time periods (2000 and 2015), using LandSat ETM+ (2000) and OLI (2015) images. Images were geometric corrected using 20 ground control points that are randomly taken from all over the watershed area, and topographic maps. After selection of the best indicators of using Bhattacharyya distance, image classification using an artificial neural network algorithm was performed. The results of classification of neural network method of Siyahmezgi watershed in two time periods (2000 and 2015) showed that overall accuracy is equal to 95.75% and 95.96%, respectively. The area of forest lands during 2000 and 2015 has been reduced in size 213.55 ha. In addition, in this area dense rangelands have declined, but during this period the extent of dry farming and semi-dense rangelands have 169.95 and 9.6 hectares were added, respectively.
1. آهنی، ح.، ا. قربانی، م. رستگار مقدم، س. ر. فلاح شمسی و م. باقرنژاد. 1385. ارزیابی تغییرات کاربری اراضی با استفاده از تصاویر ماهوارهای: مطالعه موردی حوضه آبخیز تنگ سرخ شیراز. علوم کشاورزی و منابع طبیعی، 16(2): 242-252.
2. درویشصفت، ع. ا.، ف. غفاری دافچاهی و ا. اسلام بنیاد. 1393. ارزیابی قابلیت تصاویر ماهوارهای در تفکیک صنوبرکاری‌ها (پژوهش موردی: شهرستان صومعه‌سرا). تحقیقات جنگل و صنوبر ایران، 22(3): 392-401.
3. دهستانی، غ. 1377. طبقهبندی تصاویر چندطیفی سنجش از دور با استفاده از شبکه عصبی. پایاننامه کارشناسی ارشد، دانشکدة فنی و مهندسی، دانشگاه تربیت مدرس. 130 صفحه.
4. رشیدی، ف.، س. بابایی کفائی و ج. اولادی. 1388. بررسی قابلیت دادههای رقومی سنجنده +ETM در تفکیک تیپهای جنگلی (مطالعه موردی: منطقه لفور سوادکوه). تحقیقات جنگل و صنوبر ایران، 17(1): 51-63.
5. رفیعیان، ا.، ع. ا. درویشصفت و م. نمیرانیان. 1385. بررسی قابلیت تصویر ماهواره لندست 7 برای تهیه نقشه گستره جنگل (پژوهش موردی در جنگلهای بابل). منابع طبیعی ایران، 59(4): 843-852.
6. سنجری، ص. و ن. برومند. 1392. پایش تغییرات کاربری / پوشش اراضی در سه دهه گذشته با استفاده از تکنیک سنجش از دور (مطالعه موردی: منطقه زرند استان کرمان). سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 4(1): 57-67.
7. صدیقی، م. ر. 1390. پهنهبندی خطر فرسایش آبی با بکارگیری مدل ICONA بر مبنای فناوریهای RS & GIS (مطالعه موردی: حوضه آبخیز تنگ سرخ شیراز)، پایاننامه کارشناسی ارشد، دانشگاه علوم و تحقیقات تهران. 115 صفحه.
8. عزیزی قلاتی، س.، ک. رنگزن، ج. سدیدی، پ. حیدریان و ا. تقیزاده،. 1395. پیشبینی روند تغییرات مکانی کاربری اراضی با استفاده از مدل زنجیرة مارکوف-CA (مطالعة موردی: منطقه کوهمره سرخی استان فارس). سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 7(1): 59-71.
9. علیمحمدی، ع.، ع. ا. متکان، پ. ضیائیان و ه. طباطبایی. ۱۳۸۸. مقایسه روشهای طبقهبندی پیکسل پایه، شی پایه و درخت تصمیم در تهیه نقشه تیپهای جنگل با استفاده از دادههای سنجش از دور (مطالعه موردی: جنگل آستارا). تحقیقات کاربردی علوم جغرافیایی (علوم جغرافیایی)، 10(13): 7-26.
10. فاطمی، س. ب. و ی. رضایی. 1385. مبانی سنجش از دور، تهران، انتشارات آزاده. 268 صفحه.
11. فاطمیطلب، س .ر.، م. معدنیپور کرمانشاهی و س. آ. هاشمی. 1394. برآورد تغییرات سطح پوشش جنگلهای رودسر با استفاده از روشهای طبقهبندی شبکه عصبی مصنوعی و حداکثر احتمال. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6(2): 33-44.
12. کاوسی کلاشمی، ح.، م. م. خیرخواه زرکش و س. ع. المدرسی. 1392. مدل ICONA جهت پهنهبندی خطر فرسایش آبی با استفاده از تصاویر ماهوارهای لندست 8 سال 2013 و GIS (مطالعه موردی: حوزه آبخیز باباولی سیاهکل). مجموعه مقالات اولین همایش ملی جغرافیا، شهرسازی و توسعه پایدار، تهران، انجمن محیط زیست کومش، دانشگاه صنعت هوایی. 8 اسفند ماه.
13. مرادی، ع.، م. جعفری، ح. ارزانی و م. ابراهیمی. 1395. ارزیابی تغییر کاربری اراضی مرتعی به دیمزار با استفاده از تصاویر ماهوارهای و سیستم اطلاعات جغرافیایی. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 7(1): 89-100.
14. مرتضایی، ش. 1384. بررسی تغییرات تودههای جنگلی در غرب استان کردستان با استفاده از دادههای ماهوارهای. پایاننامه کارشناسی ارشد، دانشکده منابع طبیعی دانشگاه گیلان. 97 صفحه.
15. مروی مهاجر، محمدرضا. 1385. جنگلشناسی و پرورش جنگل. انتشارات دانشگاه تهران. 388 صفحه.
16. Ahamed T, Tian L, Zhang Y, Ting K. 2011. A review of remote sensing methods for biomass feedstock production. Biomass and Bioenergy, 35(7): 2455-2469.
17. Chavez PS. 1988. An improved dark-object subtraction technique for atmospheric scattering correction of multispectral data. Remote Sensing of Environment, 24(3): 459-479.
18. Gahegan M, German G, West G. 1999. Improving neural network performance on the classification of complex geographic datasets. Journal of Geographical Systems, 1(1): 3-22.
19. Hilbert DW, Ostendorf B. 2001. The utility of artificial neural networks for modelling the distribution of vegetation in past, present and future climates. Ecological Modelling, 146(1): 311-327.
20. Khoi DD, Murayama Y. 2010. Forecasting areas vulnerable to forest conversion in the Tam Dao National Park Region, Vietnam. Remote Sensing, 2(5): 1249-1272.
21. Khoi DD, Murayama Y. 2011. Modeling deforestation using a neural network-Markov model. In: Spatial Analysis and Modeling in Geographical Transformation Process. Springer, pp 169-190.
22. Liu X-H, Skidmore A, Van Oosten H. 2002. Integration of classification methods for improvement of land-cover map accuracy. ISPRS Journal of Photogrammetry and Remote Sensing, 56(4): 257-268.
23. Mahiny AS, Turner BJ. 2003. Modeling past vegetation change through remote sensing and GIS: a comparison of neural networks and logistic regression methods. In: Proceedings of the 7th International Conference on Geocomputation. University of Southampton, UK, 8-10 September.
24. Stehman SV. 2004. A critical evaluation of the normalized error matrix in map accuracy assessment. Photogrammetric Engineering & Remote Sensing, 70(6): 743-751.
25. Sugumaran R. 2001. Forest Land Cover Classification Using Statistical and Artificial Neural Network Approaches Applied to IRS LISS‐III Sensor. Geocarto International, 16(2): 39-44.
26. Zhang F, Tiyip T, Feng Z, Kung HT, Johnson V, Ding J, Tashpolat N, Sawut M, Gui D. 2015. Spatio‐Temporal Patterns of Land Use/Cover Changes Over the Past 20 Years in the Middle Reaches of the Tarim River, Xinjiang, China. Land Degradation & Development, 26(3): 284-299.