برآورد تغییرات سطح پوشش جنگل های رودسر با استفاده از روش های طبقه بندی شبکه عصبی مصنوعی و حداکثر احتمال
محورهای موضوعی : توسعه سیستم های مکانیسید رضا فاطمی طلب 1 , مرتضی معدنی پور کرمانشاهی 2 , سید آرمین هاشمی 3
1 - استادیار گروه محیط زیست، دانشگاه آزاد اسلامی واحد آباده
2 - استادیار گروه جنگلداری، دانشگاه آزاد اسلامی واحد شبستر
3 - استادیار گروه جنگلداری، دانشگاه آزاد اسلامی واحد لاهیجان
کلید واژه: Neural Networks, کشف تغییرات, روش حداکثر احتمال, روش شبکه عصبی, جنگل های رودسر, Discover the changes, The method of maximum likelihood, Rodsar forest,
چکیده مقاله :
امروزه کسب آگاهی و دانش در رابطه با پوشش گیاهی نقش مهمی را در مدیریت خاک ها ایفا می کند. بااین وجود برآورد پوشش گیاهی به روش معمولی که شامل برآورد کلی از پوشش گیاهی است هم زمان بر است و هم اطلاعات چندان دقیقی را به دست نمی دهد. از این رو سنجش از دور فنآوری بسیار مفیدی است که به دلیل کاهش زمان و هزینه، بر سایر روش ها ارجحیت داده می شود. در این تحقیق سعی بر آن شد با استفاده از تکنیک های سنجش از دور و تصاویر سنجنده ETM+سال 2000 و لندست 8 مربوط به سال 2013 نقشه پوشش جنگل های رودسر تهیه شود. طبقه بندی رقومی تصویر منطقه جهت تهیه نقشه کاربری اراضی با استفاده از طبقه بندی کننده حداکثر احتمال و شبکه عصبی با شرکت دادن مجموعه باندهای مختلف انجام شد. نتایج نشان داد که در بهترین حالت، صحت کلی طبقه بندی تصویر در روش شبکه عصبی ETM+ سال 2000 و لندست 8 سال 2013 به ترتیب معادل 95/0 و 95/0 و ضریب کاپای 91/0 و 91/0 برآورد شد. دقت کلی در روش حداکثر احتمال در تصویر سال 2000 و 2013 معادل 95/0 و 85/0 و آماره کاپا معادل 86/0 و 84/0 محاسبه گردید. نتایج تحقیق همچنین نشان داد میزان کاهش پوشش جنگلی در روش طبقه بندی شبکه عصبی 507/1054 هکتار و میزان کاهش پوشش جنگلی در روش طبقه بندی حداکثر احتمال 319/635 هکتار بوده است. با توجه به دقت طبقه بندی و آماره کاپا مشاهده می شود دقت و ضریب کاپای روش طبقه بندی شبکه عصبی بالاتر از دقت و ضریب کاپا در روش حداکثر احتمال است.
The acquisition of knowledge about the vegetation plays an important role in soil management. However, vegetation estimating in the usual way, including an overall assessment of the vegetation is time consuming and does not also provide accurate enough information. Therefore, remote sensing technology is a desirable way for reducing time and cost compared to other usual methods. In this study, forest cover maps were prepared using remote sensing techniques and LandSat ETM+ imagery of year 2000 and LandSat 8 of year 2013. The classification of the study area digital images was performed to prepare land use map classification using maximum likelihood and neural network with participation of different bands. The results showed that the best overall accuracy of image classification using neural networks ETM+ in 2000 and LandSat 8 in 2013 was 0.95 and 0.95 respectively. It was also indicated that the kappa coefficient was estimated 0.91 and 0.91 respectively. The overall accuracy of maximum likelihood method of the collected images of 2000 and 2013 was 0.95 and 0.85, but it was 0.86 and 0.84 for Kappa statistics method. The results also showed a 1054.507 and 635.319 hectares decreasing of forest cover using neural network classification and maximum likelihood classification methods respectively. According to classification accuracy and Kappa statistics, it was observed that the accuracy and kappa coefficient of neural network classification was higher than accuracy and the Kappa coefficient of maximum likelihood method.