تعداد نشریات | 13 |
تعداد شمارهها | 150 |
تعداد مقالات | 1,491 |
تعداد مشاهده مقاله | 2,264,529 |
تعداد دریافت فایل اصل مقاله | 1,896,425 |
مقایسه تصاویر سنجندههای چند طیفی Sentinel 2 و Spot 5 به منظور تهیه نقشه تراکم پوشش مرتعی در استان لرستان (حوزه آبخیز کشکان میانی) | ||
تحقیقات کاربردی خاک | ||
دوره 11، شماره 3، آذر 1402، صفحه 75-87 اصل مقاله (1.18 M) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
طاها منصوری1؛ جواد وروانی* 2؛ حمید ترنج زر1؛ نوراله عبدی1؛ عباس احمدی1 | ||
1دانشکده کشاورزی و منابع طبیعی دانشگاه آزاد اسلامی واحد اراک | ||
2دانشیار دانشکده کشاورزی و منابع طبیعی دانشگاه آزاد اسلامی واحد اراک | ||
چکیده | ||
مراتع دارای ارزشهای مختلفی هستند و از طرف دیگر دارای تغییرات بالای مکانی و زمانی هستند. بنابراین با توجه به تغییرات مداوم مراتع و همچنین جایگاه مراتع در اقتصاد و نقش آن در حفاظت آب و خاک، مطالعه و مدیریت مناسب مراتع اهمیت مییابد. به منظور ارزیابی قابلیت تصاویر چند طیفی ماهوارههای Sentinel 2 و Spot 5 در تهیه نقشه تراکم مرتع، حوزه آبخیز کشکان میانی در استان لرستان انتخاب گردید. تصاویر با استفاده از نقاط کنترل زمینی و مدل رقومی ارتفاعی منطقه با دقت کمتر از 21/0 پیکسل تصحیح هندسی شدند. طبقهبندی نظارت شده با استفاده از الگوریتمهای طبقهبندی به روش متوازی السطوح، حداقل فاصله، حداکثر احتمال و شبکه عصبی بر روی تصویر چند طیفی اصلی هر ماهواره و همچنین بر روی تصویر ادغام شده Spot 5 انجام شد و نقشه تراکم مرتع در سه طبقه تراکمی 25-5، 50-25 و 50 درصد به بالا تهیه شد. به منظور صحت طبقهبندی، 117 نقطه کنترل زمینی بر روی نقشه توپوگرافی منطقه مشخص و مختصات تعیین شده به دستگاه موقعیت یاب جهانی (GPS) داده شد و مکان دقیق نقاط در منطقه مورد مطالعه تعیین و در نهایت نقشه واقعیت زمینی منطقه تهیه شد. بررسی صحت تصاویر طبقهبندی شده نشان داد که تصویر Spot 5 با ترکیب باندی PCA-3-1 و الگوریتم طبقهبندی شبکه عصبی با صحت کلی 53/70 درصد و ضریب کاپا 65/0 نسبت به تصویر Sentinel 2 با ترکیب باندی PCA-8-2 و الگوریتم طبقهبندی شبکه عصبی با صحت کلی 72/65 و ضریب کاپا 08/0 نتیجه بهتری ارائه داده است. این تحقیق نشان داد که تصاویر ماهواره Spot 5 برای تهیه نقشه پوشش مرتع در سه طبقه تراکمی از کارایی بیشتری نسبت به تصاویر ماهواره Sentinel 2 برخوردار میباشند. از آنجا که فواصل عکسبرداری هوایی از مناطق مرتعی در ایران زیاد است، میتوان از تصاویر ماهوارهای با قدرت تفکیک مکانی و طیفی مناسب برای تهیه نقش تراکم مرتع، کنترل و جلوگیری از تخریب مراتع در غرب کشور در سریهای زمانی مشخص استفاده کرد. مراتع دارای ارزشهای مختلفی هستند و از طرف دیگر دارای تغییرات بالای مکانی و زمانی هستند. بنابراین با توجه به تغییرات مداوم مراتع و همچنین جایگاه مراتع در اقتصاد و نقش آن در حفاظت آب و خاک، مطالعه و مدیریت مناسب مراتع اهمیت مییابد. به منظور ارزیابی قابلیت تصاویر چند طیفی ماهوارههای Sentinel 2 و Spot 5 در تهیه نقشه تراکم مرتع، حوزه آبخیز کشکان میانی در استان لرستان انتخاب گردید. تصاویر با استفاده از نقاط کنترل زمینی و مدل رقومی ارتفاعی منطقه با دقت کمتر از 21/0 پیکسل تصحیح هندسی شدند. طبقهبندی نظارت شده با استفاده از الگوریتمهای طبقهبندی به روش متوازی السطوح، حداقل فاصله، حداکثر احتمال و شبکه عصبی بر روی تصویر چند طیفی اصلی هر ماهواره و همچنین بر روی تصویر ادغام شده Spot 5 انجام شد و نقشه تراکم مرتع در سه طبقه تراکمی 25-5، 50-25 و 50 درصد به بالا تهیه شد. به منظور صحت طبقهبندی، 117 نقطه کنترل زمینی بر روی نقشه توپوگرافی منطقه مشخص و مختصات تعیین شده به دستگاه موقعیت یاب جهانی (GPS) داده شد و مکان دقیق نقاط در منطقه مورد مطالعه تعیین و در نهایت نقشه واقعیت زمینی منطقه تهیه شد. بررسی صحت تصاویر طبقهبندی شده نشان داد که تصویر Spot 5 با ترکیب باندی PCA-3-1 و الگوریت مراتع دارای ارزشهای مختلفی هستند و از طرف دیگر دارای تغییرات بالای مکانی و زمانی هستند. بنابراین با توجه به تغییرات مداوم مراتع و همچنین جایگاه مراتع در اقتصاد و نقش آن در حفاظت آب و خاک، مطالعه و مدیریت مناسب مراتع اهمیت مییابد. به منظور ارزیابی قابلیت تصاویر چند طیفی ماهوارههای Sentinel 2 و Spot 5 در تهیه نقشه تراکم مرتع، حوزه آبخیز کشکان میانی در استان لرستان انتخاب گردید. تصاویر با استفاده از نقاط کنترل زمینی و مدل رقومی ارتفاعی منطقه با دقت کمتر از 21/0 پیکسل تصحیح هندسی شدند. طبقهبندی نظارت شده با استفاده از الگوریتمهای طبقهبندی به روش متوازی السطوح، حداقل فاصله، حداکثر احتمال و شبکه عصبی بر روی تصویر چند طیفی اصلی هر ماهواره و همچنین بر روی تصویر ادغام شده Spot 5 انجام شد و نقشه تراکم مرتع در سه طبقه تراکمی 25-5، 50-25 و 50 درصد به بالا تهیه شد. به منظور صحت طبقهبندی، 117 نقطه کنترل زمینی بر روی نقشه توپوگرافی منطقه مشخص و مختصات تعیین شده به دستگاه موقعیت یاب جهانی (GPS) داده شد و مکان دقیق نقاط در منطقه مورد مطالعه تعیین و در نهایت نقشه واقعیت زمینی منطقه تهیه شد. بررسی صحت تصاویر طبقهبندی شده نشان داد که تصویر Spot 5 با ترکیب باندی PCA-3-1 و الگوریتم طبقهبندی شبکه عصبی با صحت کلی 53/70 درصد و ضریب کاپا 65/0 نسبت به تصویر Sentinel 2 با ترکیب باندی PCA-8-2 و الگوریتم طبقهبندی شبکه عصبی با صحت کلی 72/65 و ضریب کاپا 08/0 نتیجه بهتری ارائه داده است. این تحقیق نشان داد که تصاویر ماهواره Spot 5 برای تهیه نقشه پوشش مرتع در سه طبقه تراکمی از کارایی بیشتری نسبت به تصاویر ماهواره Sentinel 2 برخوردار میباشند. از آنجا که فواصل عکسبرداری هوایی از مناطق مرتعی در ایران زیاد است، میتوان از تصاویر ماهوارهای با قدرت تفکیک مکانی و طیفی مناسب برای تهیه نقش تراکم مرتع، کنترل و جلوگیری از تخریب مراتع در غرب کشور در سریهای زمانی مشخص استفاده کرد. م طبقهبندی شبکه عصبی با صحت کلی 53/70 درصد و ضریب کاپا 65/0 نسبت به تصویر Sentinel 2 با ترکیب باندی PCA-8-2 و الگوریتم طبقهبندی شبکه عصبی با صحت کلی 72/65 و ضریب کاپا 08/0 نتیجه بهتری ارائه داده است. این تحقیق نشان داد که تصاویر ماهواره Spot 5 برای تهیه نقشه پوشش مرتع در سه طبقه تراکمی از کارایی بیشتری نسبت به تصاویر ماهواره Sentinel 2 برخوردار میباشند. از آنجا که فواصل عکسبرداری هوایی از مناطق مرتعی در ایران زیاد است، میتوان از تصاویر ماهوارهای با قدرت تفکیک مکانی و طیفی مناسب برای تهیه نقش تراکم مرتع، کنترل و جلوگیری از تخریب مراتع در غرب کشور در سریهای زمانی مشخص استفاده کرد. | ||
کلیدواژهها | ||
طبقهبندی نظارت شده؛ چند طیفی؛ ترکیب باندی؛ صحت کلی؛ ضریب کاپا | ||
مراجع | ||
Abdi, A.M. 2020. Land cover and land use classification performance of machine learning algorithms in a boreal landscape using Sentinel-2 data. GIScience & Remote Sensing, 57 (1):1-20.
Abdolahi H., and Joybari. 2012. Comparative evaluation of IRS-P6-LISS-III and LISS IV images for canopy cover mapping of Zagros forests (Case Study: Javanroud Forests). Journal of Wood & Forest Science and Technology. 19 (1): 43-60. (In Persian)
Bazrafkan A., Bavaghar M.P., and Fathi P. 2014. Capability of Liss III data for forest canopy density mapping in Zagros forests (Case study: Marivan Forests). Iranian Journal of Forest. 6 (4): 387-401. (In Persian)
Delfan E., Naghavi H., Maleknia R., and Noraldini A. 2017. Investigating the effectiveness of Sentinel 2 satellite images and non-parametric classification methods in preparing land use maps. The first national conference on applied research in science and engineering. 1-12. (In Persian)
Fathizad H., Nohegar A., Faramarzi M., and Tazeh M. 2013. An Investigation of Changes in land Use According to the Analysis of Landscape Ecology Metrics by Using Remote Sensing and GIS in Arid and Semi-arid Region of Dehloran. Town and country planning, 5 (1): 79-99. (In Persian(Ghanbari Motlag M., Babaie Kafaky S., Mataji A., and Akhavan R. 2020. Estimation of Forest Above Ground Biomass in Hyrcanian Forests Using Satellite Imagery. Scientific & Research Journals Management System. 22 (5): 1-13. (In Persian).
Gómez C., White J.C., and Wulder, M.A. 2016. Optical remotely sensed time series data for land cover classification: A review. ISPRS Journal of Photogrammetry and Remote Sensing, 116: 55-72.
Han, A.J.G., Zhange, Y. J., Wang, B C. J., W. M., BaiC. Y. R. Wang D, and Han, B. (2008). Rangeland degradation and restoration management in China. The Rangeland Journal, 30: 233-239.
Hu Y., Zhang Q., Zhang, Y., and Yan H. 2018. A deep convolution neural network method for land cover mapping: A case study of Qinhuangdao, China. Remote Sensing, 10 (12): 1-16.
Huong N.T.T., Tuan T.A., Thach V.T., and Tin H.C. 2017. A review of seagrass studies by using satellite remote sensing data in the Southeast Asia: status and potential. Vietnam Journal of Science and Technology, 55 (4C): 148-154.
Jensen, J.R. 2015. Digital Image Processing, 4th Edition, University of South Carolina.
Karami Z., Sharifi Z. 2020. Assessment Effect of Land Use Change from Rangeland to Rainfed Wheat on Soil Physical and Chemical Properties Using Soil Quality Index. Applied Soil Research, 8(2): 201-213. (In Persian)
Lindenmayer D.B., and Likens G.E. 2010. The science and application of ecologicalmonitoring. Biological. Conservation. 143, 1317–1328.
Mirdavoodi H.R., Zahedi H., Shakoei M., and Tourkan J. 2007. Relationships between the most important ecological factors and rangeland vegetative using multivariate data analysis methods. (case study :South of Markazi province). Iranian Journal of Range and Desert Research. 13 (3): 201-211. (In Persian)
Mohamadi P., Ahmadi A., Feyzizadeh B., Jafarzadeh A.A and Rahmati M. 2021. Evaluation of pixel and object-oriented classification techniques for detection and zoning of erosion lands using sentinel-2 remote sensing data (case study: Lighvan watershed). Applied Soil Research. 9 (1): 28-40. (In Persian)
Moharrami M., and Neysani Samany N. 2022. Comparative assessment of Deep Learning and Random Forest methods for urban land cover classification (A case study Tabriz city). Journal of Geomatics Science and Technoligy. 11 (4): 11-23. (In Persian)
Motamedi J., Jalili A., Arzani H., and Khodagholi M. 2020. Causes of rangeland degradation in the country and solutions to get out of the current situation. Journal of IRAN NATURE. 5(4): 21-44. (In Persian).Pakkhesal E., and Bonyad A.E. 2013. Classification and delineating natural forest canopy density using FCD model (Case study: Shafarud area of Guilan). Iranian Journal of Forest and Poplar Research, 21 (1): 99-114 (In Persian)
Phiri D., Simwanda M., Salekin S., Nyirenda V.R., Murayama Y., and Ranagalage, M. 2020. Sentinel-2 data for land cover/use mapping: a review. Remote Sensing, 12(14): 1-35.
Raufirad V., sabouhi R., shojae G., and bagheri., S. 2017. Study on the relationship between rangeland size, number of animal units and rangeland users with range condition (Case study: Range management plans of Isfahan province). Iranian Journal of Range and Desert Research, 24 (1): 57-66. (In Persian)
Rudiastuti A.W., Yuwono, D.M., and Hartini S. 2018, June. Mangrove mapping using SPOT 6 at East Lombok Indonesia. In IOP Conference Series: Earth and Environmental Science, 65 (1): 1-12.
Sekovski I., Stecchi F., Mancini F., and Del Rio, L. 2014. Image classification methods applied to shoreline extraction on very high-resolution multispectral imagery. International Journal of Remote Sensing, 35 (10): 3556-3578.
Thanh Noi P., and Kappas, M. 2017. Comparison of random forest, k-nearest neighbor, and support vector machine classifiers for land cover classification using Sentinel-2 imagery. Sensors, 18(1): 1-18.
Yousefi S., Mirzaee S., Almohamad H., Al Dughairi A.A., Gomez C., Siamian N., Alrasheedi M. and Abdo, H.G. 2022. Image classification and land cover mapping using sentinel-2 imagery: optimization of SVM parameters. Land, 11(7): 1-14. | ||
آمار تعداد مشاهده مقاله: 501 تعداد دریافت فایل اصل مقاله: 463 |