طبقه بندی مناطق جنگلی استان گلستان به روش حداکثر احتمال با استفاده ازتصاویر ماهوار های ETM+ سال 2001
محورهای موضوعی : پهنه بندی گیاهیعبدالرسول سلمان ماهینی 1 , آزاده نادعلی 2 , جهانگیر فقهی 3 , برهان ریاضی 4
1 - استادیار گروه محیط زیست، دانشکده شیلات و محیط زیست،دانشگاه علوم کشاورزی و منابع طبیعی گرگان
2 - دانش آموخته گروه علوم محیط زیست دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران
3 - استادیار دانشکده منابع طبیعی کرج، گروه جنگلداری
4 - استادیار گروه علوم محیط زیست، دانشکده محیط زیست، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران
کلید واژه: طبقه بندی کننده حداکثر احتمال, نمونه های تعلیمی, طبقه بندی نظارت نشده, جابه جایی تصادفی پیکسل ها, نقاط کنترل زمینی,
چکیده مقاله :
نزولات جوی در محیط عاری از پوشش گیاهی به علت کم بودن نفوذ پذیری خاک، به مقدار کم در زمین فرو می روند و بیشتر در روی زمین جاری می شوند و همین پدیده به همراه سایر عوامل باعث فرسایش خاک و آلودگی آب های سطحی و کاهش حاصل خیزی خاک می شود. متاسفانه در چند سال اخیر، کاهش چشمگیری در پوشش جنگلی به خصوص پوشش درختی در استان گلستان مشاهده می شود، به طوری که این مساله یکی از دلایل بروز سیل های مهیب بوده است. در این مطالعه، از داده های ماهواره لندست و سنجنده ETM+، سال 2001 جهت طبقه بندی پوشش درختی استان گلستان به روش حداکثر احتمال استفاده شده است. برای این کار با توجه به اطلاعات و تجربه قبلی از انواع کاربری و پوشش سرزمین در این محدوده و مطالعه چشمی تصویر رنگ مجازی، پوشش درختی منطقه شناسایی شد و بر روی تصویر رنگ مجازی تعیین گردید. سپس، با استفاده از 6 باند تصویر شامل باندهای 1، 2، 3، 4، 5، 7 و نمونه های تعلیمی خام وطبقه بندی کننده حداکثر احتمال، طبقه بندی صورت گرفت. در مرحله بعد، از نقشه حاصل از طبقه بندی نظارت نشده با 100 طبقه، جهت پالایش نمونه های تعلیمی خام استفاده گردید و طبقه بندی تصویر به روش مذکورتکرار شد. در انتها، صحت تصاویر طبقه بندی شده به دو روش جابه جایی تصادفی پیکسل ها وهمچنین استفاده از تصاویر سنجنده LISS III به عنوان نقاط کنترل زمینی مشخص شد. نتایج نشان دهنده درستی بسیار خوب طبقه بندی جنگل با استفاده از تصاویر ماهواره لندست است.
Sparse vegetation gives rise to increased overland water flow، soil erosion، water pollution and decreased soil fertility. Golestan Province has witnessed a relatively extensive forest clearing during recent years causing intensified flooding. We used ETM+ land sat imagery to classify forest cover of the Golestan Province using Max like classification and assessed its accuracy. Land uses and land covers were distinguished on the color composite images of the area and used as training sites for image classification that included all six bands of the imagery. We also used an ISO-Cluster unsupervised classification to derive 100 clusters for purifying initial training sites. Accuracy assessment was implemented through test set pixels that were randomized and set aside from the training set pixels. We also used a LISS III imagery to assess the accuracy of the classification. Our assessment proved the classification to be of high accuracy.