بررسی قابلیت داده‌های سنجندة Liss III به‌منظور تهیة نقشة تراکم تاج‌پوشش جنگل‌های زاگرس (مطالعة موردی: جنگل‌های مریوان)

نوع مقاله: مقاله پژوهشی

چکیده

تحقیق حاضر با هدف بررسی قابلیت داده‌های سنجندة Liss IIIماهوارهIRS-P6و مقایسة طبقه‌بندی‌کننده‌های معمول و روش شبکة عصبی مصنوعی در تهیة نقشة تراکم تاج‌پوشش جنگل در شهرستان مریوان استان کردستان انجام گرفت. تصحیح هندسی داده‌ها با خطای RMSE کمتر از یک پیکسل (051/0) صورت گرفت. از شاخص‌های گیاهی مختلف و مؤلفه‌های حاصل از تجزیة مؤلفه‌های اصلی در این تحقیق استفاده شد. نقشة واقعیت زمینی نمونه‏ای از طریق روش تصادفی سیستماتیک با شبکه‌ای به ابعاد 400×250 متر و با سطح قطعات نمونه 50×50 متر تهیه شد. مجموعة باندی مناسب برای طبقه‌بندی به کمک نمونه‌های تعلیمی و با استفاده از شاخص واگرایی تبدیل‏شده انتخاب شد. طبقه‌بندی داده‌ها به روش نظارت‌شده و با استفاده از خوارزمی‌های متوازی‌السطوح، حداقل فاصله از میانگین، حداکثر احتمال و شبکة عصبی مصنوعی در ابتدا با چهار طبقة تراکمی تاج‌پوشش (خیلی‌تنک، تنک، نیمه‌انبوه و انبوه) انجام گرفت و صحت آن با نقشة واقعیت زمینی، ارزیابی شد. به‌دلیل تفکیک‌پذیری کم بین دو طبقة خیلی تنک و تنک، این دو طبقه ادغام شدند. در نهایت طبقه‌بندی با سه طبقة تراکمی تاج‌پوشش (تنک، نیمه‌انبوه و انبوه) انجام گرفت و بیشترین صحت کلی و ضریب کاپا به‌ترتیب معادل 47/78 درصد و 66/0 با روش حداکثر احتمال به‌دست آمد. نتایج نشان دهندة قابلیت به‌نسبت مناسب داده‌های سنجندة  Liss IIIماهوارةIRS-P6 نسبت به تصاویر ماهواره‌هایLandsatوAsterبه ‌کار رفته در تحقیقات پیشین در مناطق مشابه است.

کلیدواژه‌ها


عنوان مقاله [English]

Capability of Liss III data for forest canopy density mapping in Zagros forests (Case study: Marivan Forests)

چکیده [English]

The present study aimed to evaluate the capability of IRS-P6-LISS III imagery to map a forest canopy density by employing the traditional hard classification and the Artificial Neural Networks (ANNs) in Marivan city, Kurdistan province. Geometric correction procedure was performed with less than 1 pixel root mean square error (RMSE). Various vegetation indices and artificially bands generated by principal component analysis (PCA) were used in the classification procedure. A ground truth map was produced based on a randomized-systematic method with a grid size of 250×400 meters and 50×50 meters sample size strata. The suitable band combinations for classification were selected through the training area using the Transformed Divergence index. Supervised classification methods i.e., parallelepiped, minimum distance to mean, maximum likelihood, and ANNs algorithms were applied to generate the canopy density map with 4 classes (very sparse, sparse, semi-dense and dense). The accuracy assessment of the generated canopy density maps was implemented using the ground truth map. Some classes were also merged because of the low spectral separation between these classes. Finally the classification was performed to produce the canopy density map with 3 classes (sparse, semi-dense and dense). The highest overall accuracy and the Kappa coefficient were achieved by maximum likelihood method with 78.47 percent and 0.66, respectively. Our results indicated the high capability of the IRS-P6 LISS III imagery compared to other satellite images, for example, Landsat and Aster data, which already tested in the previous work to map the canopy density in Zagros forests.

کلیدواژه‌ها [English]

  • Artificial Neural Networks
  • Canopy density map
  • Classification
  • Liss III sensor
  • Vegetation indices