تعداد نشریات | 13 |
تعداد شمارهها | 144 |
تعداد مقالات | 1,440 |
تعداد مشاهده مقاله | 2,165,569 |
تعداد دریافت فایل اصل مقاله | 1,799,666 |
تهیه نقشه تراکم جنگل با استفاده از تصاویر سنجندههای چندطیفی اسپات7 و سنتینل2 در زاگرس جنوبی(مطالعه موردی: استان فارس حوزه دالکی دادین) | ||
تحقیقات کاربردی خاک | ||
دوره 12، شماره 2، شهریور 1403، صفحه 111-122 اصل مقاله (952.24 K) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
فرید کاظم نژاد* 1؛ رضا عابدین زادگان عبدی2؛ مجید اسحق نیموری1؛ علی شیخ الاسلامی1 | ||
1استادیار گروه جنگلداری، دانشکده کشاورزی و منابع طبیعی دانشگاه آزاد واحد چالوس | ||
2دانشجوی دکتری گروه جنگلداری، دانشکده کشاورزی و منابع طبیعی دانشگاه آزاد واحد چالوس | ||
چکیده | ||
هدف از این مطالعه تهیه نقشه تراکم جنگل با استفاده از تصاویر سنجندههای چندطیفی اسپات 7 و سنتینل 2 در زاگرس جنوبی حوزه دالکی دادین در استان فارس بهمنظور ارزیابی و مقایسه آنها با یکدیگر میباشد. ابتدا نقشه گستره جنگل و غیرجنگلی منطقه تهیه، سپس نقشه تراکم جنگل در چهار طبقه 25-5، 50-25، 75-50 و بیشتر از 75 درصد تهیه شد. بهمنظور صحت طبقهبندی، از نقشه واقعیت زمینی که براساس تفسیر عکسهای رقومی ارتوی دهه80 با مقیاس 1:40000 استفاده گردید. بررسی نقشه طبقهبندی جنگل و غیرجنگل شده نشان داد که تصویر سنتینل2 با ترکیب باندی PCA-1-8 با استفاده از الگوریتم طبقهبندیکننده حداکثر احتمال با صحت کلی 3/96 درصد و ضریب کاپای 91/0 نسبت به تصویر اسپات 7 با ترکیب باندی PCA-1-3 و استفاده از الگوریتم طبقهبندیکننده شبکه عصبی با صحت کلی 57/87 درصد و ضریب کاپای 7/0 نتیجه بهتری داشته است. از بین نقشههای حاصل از طبقهبندی جنگل به چهار طبقه تراکمی، نقشه حاصل از تصویر سنتینل2 با طبقهبندی کننده شبکه عصبی با ترکیب باندی PCA-3-8 و با ضریب کاپای 72/0 و صحت 36/88 درصد نسبت به تصویر اسپات 7 نقشه حاصل از طبقهبندیکننده شبکه عصبی با ترکیب باندی 4-3-2 و ضریب کاپای 64/0 و صحت 74/78 درصد دارای بیشترین صحت بود. همچنین پس از ادغام تصویر اسپات7 و SPOT7-Pan، نقشه حاصل از روش PCA با استفاده از طبقهبندیکننده شبکه عصبی با ترکیب باندی PCA-2-4 با ضریب کاپای 75/0 و صحت 26/89 درصد دارای بیشترین صحت و نقشههای حاصل از طبقهبندیجنگل به چهار طبقه تراکمی، حاصل از روش PCA با استفاده ازشبکه عصبی با ترکیب باندی PCA-2-4 و با ضریب کاپای 37/0 و صحت60/59 درصد دارای بیشترین صحت بود. نتایج کلی نشان داد، با توجه به اطلاعات استخراج شده تصویر سنتینل2 برای تولید نقشه پوشش جنگلی در چهار طبقه تراکمی از صحت مناسبتری برخوردار است. | ||
کلیدواژهها | ||
تراکم جنگل؛ چند طیفی؛ شبکه عصبی؛ صحت کلی؛ ضریب کاپا | ||
مراجع | ||
Axelsson, A., Lindberg, E., Reese, H. and Olsson, H., 2021. Tree species classification using Sentinel-2 imagery and Bayesian inference. International Journal of Applied Earth Observation and Geoinformation, 100: 1-10.
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)
Beygiheidarlou H., Mirshekarlou K., Sasanifar S., and Khezryan., B. 2023. Forest cover density mapping using Landsat-9 (OLI-2) imagery and hemispherical photographs in Zagros forests, Forest Research and Development, 8(5): 1-13. (In Persian)
Foroutan S, Islamzadeh N. 2022. The Study of Mazandaran Province Forest and Rangeland Vegetation Changes Trend by Satellite Images. Journal of Plant Ecosystem Conservation, 9 (19) :197-215
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.
Jellouli A., El Harti A., Adiri Z., Chakouri M., El Hachimi J. and Bachaoui E.M. 2021. Application of optical and radar satellite images for mapping tectonic lineaments in kerdous inlier of the Anti-Atlas belt, Morocco. Remote Sensing Applications: Society and Environment, 22:1-18.
Kaplan G., and Avdan U. 2018. Sentinel-1 and Sentinel-2 Data Fusion for WETLANDS MAPPING: BALIKDAMI, TURKEY. International Archives of the Photogrammetry, Remote Sensing & Spatial Information Sciences, 42(3):1-15.
Koskinen J., Leinonen U., Vollrath A., Ortmann A., Lindquist E., d'Annunzio R., Pekkarinen A., and Käyhkö N. 2019. Participatory mapping of forest plantations with Open Foris and Google Earth Engine. ISPRS Journal of Photogrammetry and Remote Sensing, 148: 63-74.
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)
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)
Parviz l. 2018. Evaluation the Preprocessing Effect of Satellite Images Input Parameters in to Artificial Neural Network for soil texture determination. Applied Soil Research, 5(2), 66-80. (In Persian)
Sedaghat M., Riazi B., Veisanloo F., and Sagheb-Talebi K. 2022. Spatial modeling of main degradation factors in the Zagros forests (Case study: Khorramabad sub-basin). Journal of Wood and Forest Science and Technology, 29 (2): 59-75.
Xiao H., Su F., Fu D., Lyne V., and. Liu G. 2021. Optimal and robust vegetation mapping in complex environments using multiple satellite imagery: Application to mangroves in Southeast Asia. International Journal of Applied Earth Observation and Geoinformation, 99-102320
Xi X., Xia K., Yang Y., Du X. and Feng, H. 2021. Evaluation of dimensionality reduction methods for individual tree crown delineation using instance segmentation network and UAV multispectral imagery in urban forest. Computers and Electronics in Agriculture, 191:1-10. | ||
آمار تعداد مشاهده مقاله: 104 تعداد دریافت فایل اصل مقاله: 26 |