Change detection in the forest cover of Siyahmezgi watershed of Guilan using LandSat images

Subject Areas : Geospatial systems development

seyed Armin Hashemi ¹ , Seyed Raza Fatemi Talab ² , Hamide Kavousi Kalashmi ³ , Mortaza Madanipour Kermanshahi ⁴

1 - Assis. Prof. Department of Forestry, Lahijan Branch, Islamic Azad University
2 - Assis. Prof. Department of Environment, Abadeh Branch ,Islamic Azad University
3 - MSc. Graduated of Remote Sensing and GIS, Yazd Branch, Islamic Azad University
4 - Assis. Prof. Department of Forestry, Shabestar Branch, Islamic Azad University

Received: 2016-09-23 Accepted : 2016-11-01 Published : 2016-11-21

Keywords: Remote Sensing, Landsat images, Change detection, Deforestation, Neural Networks, Siyahmezgi watershed,

Abstract :

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.

References:

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 7^th 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.