طبقه‌بندی مناطق جنگلی استان گلستان به روش حداکثر احتمال با استفاده ازتصاویر ماهواره‌ای ETM+ سال 2001
محورهای موضوعی : مدیریت محیط زیست
عبدالرسول سلمان ماهینی
1
()
آزاده نادعلی
2
()
جهانگیر فقهی
3
()
برهان ریاضی
4
()
کلید واژه: طبقه‌بندی‌کننده حداکثر احتمال, نمونه‌های تعلیمی, طبقه‌بندی نظارت‌نشده, جابه‌جایی تصادفی پیکسل ها, نقاط کنترل زمینی,
چکیده مقاله :
نزولات جوی در محیط عاری از پوشش گیاهی به علت کم بودن نفوذ‌پذیری خاک، به مقدار کم در زمین فرو می‌روند و بیشتر در روی زمین جاری می‌شوند و همین پدیده به همراه سایر عوامل باعث فرسایش خاک و آلودگی آب‌های سطحی و کاهش حاصل‌خیزی خاک می‌شود. متاسفانه در چند سال اخیر، کاهش چشمگیری در پوشش جنگلی به خصوص پوشش درختی در استان گلستان مشاهده ‌می‌شود، به طوری که این مسأله یکی از دلایل بروز سیل‌های مهیب بوده است. در این مطالعه، از داده‌های ماهواره‌ لندست و سنجنده ETM+، سال 2001 جهت طبقه‌بندی 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 نمونه‌های تعلیمی خام وطبقه‌بندی‌کننده‌ حداکثر احتمال، طبقه‌بندی صورت گرفت. در مرحله بعد، از نقشه حاصل از طبقه‌بندی نظارت ‌نشده با 100 طبقه، جهت پالایش نمونه‌های تعلیمی خام استفاده گردید و طبقه‌بندی تصویر به روش مذکورتکرار شد. در انتها، صحت تصاویر طبقه‌بندی شده به دو روش جابه‌جایی تصادفی پیکسل‌ها وهمچنین استفاده از تصاویر سنجنده LISS III به عنوان نقاط کنترل زمینی مشخص شد. نتایج نشان دهنده درستی بسیار خوب طبقه‌بندی 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.
