مدلسازی جنگل‌زدایی با شبکه عصبی و سیستم اطلاعات جغرافیایی (جنگل‌های اطراف خرم‌آباد)
محورهای موضوعی : توسعه سیستم های مکانیحسن محمودزاده 1 , مجید عزیزمرادی 2
1 - دانشیار گروه جغرافیا و برنامه ریزی شهری، دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز، ایران
2 - دانشجوی کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز، ایران
کلید واژه: خرم آباد, مدل چندلایه پرسپترون, سنجش‌ازدور, جنگل‌زدایی, پایش تغییرات,
چکیده مقاله :
در این تحقیق، با استفاده از تصاویر TM و OLI لندست تغییرات روی‌داده در جنگل‌های اطراف شهر خرم‌آباد بین سال‌های 1365 تا 1397 موردبررسی قرار گرفت. بدین منظور پس از انجام تصحیحات هندسی و اتمسفری، تصاویر با استفاده از الگوریتم حداکثر احتمال در پنج کلاس با دقت کلی 95 درصد و ضریب کاپا 0.94 طبقه‌بندی شدند. با روی هم‌گذاری تصاویر مقدار جنگل‌های از بین رفته (34 کیلومترمربع) مشخص و به‌عنوان متغیر وابسته برای ورود به شبکه عصبی پرسپترون چندلایه آماده شد. در محیط GIS عوامل مؤثر در روند جنگل‌زدایی (متغیرهای مستقل) آماده شد و سپس با استفاده از پرسپترون چندلایه روند جنگل‌زدایی بین سال‌های موردمطالعه مشخص شد. با مدل ساز تغییرات زمین، تغییرات کاربری اراضی استخراج شد که بیشترین تغییر، جنگل به اراضی بایر است و درنهایت پیش‌بینی جنگل‌زدایی برای 10، 20 و 30 سال آینده صورت گرفت، که نشان‌دهنده کاهش %4.6 برای سال 1407، %7.7 برای سال 1417 و %9.3 برای سال 1427 بود. نتایج حاصله از آزمون شبکه با مشارکت همه متغیرها با توجه به میانگین مربعات خطا با مقدار 0.13 نشان‌دهنده این است که مدلسازی حاصل از پرسپترون چندلایه دارای صحت مناسبی بوده و همچنین با استفاده از منحنی مشخصه عملکرد ROC سیستم مقدار واقعی جنگل‌زدایی در مقابل نتیجه حاصل از مدل پرسپترون چندلایه قرار گرفت، که با مقدار سطح زیر منحنی مشخصه عملکرد سیستم برابر با 0.88 نشان‌دهنده صحت بالای مدل پرسپترون چندلایه بود.
In this research, occurred changes in the forests around Khorramabad between 1986 and 2018 using TM and OLI Landsat images were investigated. For this purpose, after making the necessary atmospheric and geometric corrections, the images were classified by the maximum likelihood algorithm in five classes with a total accuracy of 95% and a kappa coefficient of 0.94. By overlaying the images, the amount of lost forest (34 km2) was determined and as a dependent variable was imported into the multilayer perceptron (MLP) model. In the GIS environment, were prepared the effective factors in the process of deforestation (independent variables); then by using MLP, the deforestation process in the years under review was determined. It was also land use changes was extracted that the results show the highest changes belonged to the forest to barren land changes and finally the deforestation forecast for 10, 20 and 30 years displays a decrease of 4.6% for the year 1407, 7.5% for the year 1417 and 9.3 for 1427. The results of the network training involving all variables with mean squared error (RMS) of 0.13 indicate that the MLP-based modeling is accurate and also, using Receiver Operating Characteristic (ROC) index, the real amount of deforestation was compared to the result of the MLP model; which showed the high accuracy of the MLP model with 0.88 of the ROC.
_||_