بررسی و شناسایی سنگفرش های بیابانی در شهرستان سمنان با استفاده از تصویرهای سنجنده etm+

مقدمه و هدففرآیند شناسایی شکل ‌‌های زمین‌ موضوعی است، که به‌ وسیله بسیاری از پژوهشگران بررسی‌شده است. تمام تعریف‌های زمین‌ریخت ‌شناختی مبتنی بر مطالعه و شناسایی شکل‌‌های زمین است. شناخت شکل‌‌ های زمین‌ و نحوه پراکنش آنها از نیازهای اساسی علم زمین‌ریخت‌شناختی کاربردی و دیگر علوم محیطی است. در این راستا، فناوری سنجش از دور به‌دلیل تولید تصویرهای ماهواره‌ای با وضوح زیاد فضایی و طیفی، می‌تواند ابزار ارزشمندی برای شناسایی و طبقه‌بندی شکل‌‌های زمین باشد. سنگ‌فرش بیابان، یکی از مهم ترین شکل‌‌ زمین های مناطق خشک و بیابانی است. تهیه نقشه سنگ‌فرش ها و انواع آنها، مبنایی برای ارزیابی منطقه از نظر ساختاری و ویژگی‌های زمین‌ریخت‌شناختی فراهم می‌آورد، که در زمینه بسیاری از مسائل مدیریت و برنامه ریزی محیطی سودمند است و می تواند به‌عنوان الگویی برای مناطق مشابه به‌کار رود. در این پژوهش، با استفاده از داده های سنجنده etm+ و بر اساس معیارهای مدنظر، شناسایی و طبقه‌بندی ویژگی های سنگ‌فرش های بیابانی شهرستان سمنان انجام شد.مواد و روش هامنطقه مطالعه‌شده با مساحت 47645/98 هکتار، در شهرستان سمنان است. منطقه دارای مختصات جغرافیایی ʹ28˚53 تا ʹ43˚53 طول شرقی و ʹ20˚35 تا ʹ40˚35 عرض شمالی است. هدف این پژوهش بررسی، جداسازی و شناسایی طبقات سنگ‌فرش بیابانی به‌عنوان نوعی از شکل زمین‌های بیابانی با استفاده از روش سنجش از دور و تصویرهای ماهواره‌ای لندست etm+  در جنوب سمنان بود. ازاین‌رو، با بررسی میدانی و نمونه برداری از محدوده مطالعه‌شده، درصد تراکم پوشش سنگ‌فرش بیابانی اندازه گیری و موقعیت هر نمونه با gps ثبت شد. برای طبقه‌بندی سنگ‌فرش های بیابانی در محیط‌های نرم‌افزار envi 4.5 و idrisi selva، از ماشین بردار پشتیبان، شبکه عصبی، نقشه زاویه طیفی، واگرایی اطلاعات طیفی و آرت‌مپ فازی استفاده شد. سپس، صحت هر طبقه بندی، با استفاده از ضریب‌های صحت کامل، کاپا، صحت کاربر و صحت تولیدکننده با نمونه های تعلیمی مقایسه شد. سرانجام، نقشه پهنه بندی مکانی هر روش در محیط نرم افزار  arcgis 10.2رسم شد.نتایج و بحثدر این پژوهش، بهترین ترکیب نواری برای تشخیص و جداسازی سنگ‌فرش های بیابانی جنوب سمنان، ترکیب باند 6-4-3 با عامل شاخص مطلوب 71/45 (oif)  بود، که در نوار مادون قرمز و مرئی میانی (vnir + tir) بود. بر اساس ضریب کاپا، روش های ماشین بردار پشتیبان (85/05)، آرت‌مپ فازی (81/44)، شبکه عصبی (55/17)، نقشه زاویه طیفی (53/89) و واگرایی اطلاعات طیفی (50/22)، به‌ترتیب بیشترین توانایی را در جداسازی طیفی طبقات گوناگون سنگ‌فرش بیابان جنوب سمنان داشتند. روش های طبقه بندی ماشین بردار پشتیبان و آرت‌مپ فازی، به‌ترتیب بیشترین ضریب‌های کاپا برای طبقات را کسب کردند و کمترین ضریب‌های کاپا و صحت کامل نیز، به‌ترتیب در روش های شبکه عصبی، نقشه زاویه طیفی و واگرایی اطلاعات طیفی بود. با توجه به این که طبقات، باندها و دیگر شرایط استفاده‌شده برای تمام روش ها یکسان بود، ازاین‌رو، اختلاف موجود در صحت، فقط به دستورالعمل های محاسبه‌ای روش ها بستگی داشت.نتیجه‌گیری و پیشنهادهافناوری سنجش از دور به‌دلیل تولید تصویرهای ماهواره‌ای با وضوح زیاد فضایی و طیفی، می‌تواند ابزار ارزشمندی برای شناسایی و طبقه‌بندی شکل‌‌های زمین باشد. تهیه نقشه سنگ‌فرش های بیابانی و انواع آنها، مبنایی برای ارزیابی منطقه از نظر ویژگی های ساختاری و زمین‌ریخت‌شناختی است، که می تواند در زمینه بسیاری از مسائل مدیریت و برنامه ریزی محیطی سودمند باشد. ازاین‌رو پیشنهاد می شود، از دیگر روش های طبقه بندی مبتنی بر برشی گرا بودن، روش های ترکیبی، فرکانس پوششی، تصویرهای سنجنده های با قدرت جداسازی مکانی و طیفی بهتر و لحاظ کردن خصوصیاتی همچون قطر ذرات استفاده شود، تا در تهیه نقشه های طبقات سنگ ‌فرش بیابانی اثربخش باشد.

investigation and identification of desert pavements in semnan township using images of the etm+ sensor

introduction and goalthe process of identifying landforms is a subject that has been studied by many researchers. all geomorphological definitions are based on the study and identification of landforms. understanding landforms and their distribution is a fundamental need of applied geomorphology and other environmental sciences. in this regard, remote sensing technology, due to the production of satellite images with high spatial and spectral resolution, can be a valuable tool for identifying and classifying landforms. desert pavement is one of the most important landforms in arid and desert regions. mapping pavements and their types provides a basis for evaluating the region in terms of its structural and geomorphological characteristics, which is useful in many environmental management and planning issues and can be used as a model for similar regions. in this research, using etm+ sensor data and based on the considered criteria, the characteristics of desert pavements in semnan township were identified and classified.materials and methodsthe study area, with an area of ​​47645.98 hectares, is located in semnan township. the geographical coordinates of the region are 28˚53¢ to 43˚53¢ east longitude and 20˚35¢ to 40˚35¢ north latitude. the aim of this study was to investigate, separate, and identify desert pavement classes as a type of desert landform using remote sensing and landsat etm+ satellite images in southern semnan. therefore, by conducting field surveys and sampling of the study area, the percentage of desert pavement cover density was measured and the location of each sample was recorded with gps. support vector machines, neural networks, spectral angle maps, spectral information divergence, and fuzzy artmaps were used to classify desert pavements in envi 4.5 and idrisi selva software environments. then, the accuracy of each classification of each method was compared with the training samples using the coefficients of complete accuracy, kappa, user accuracy, and producer accuracy. finally, the spatial zoning map of each method was drawn in the arc gis 10.2 software environment.results and discussionin this study, the best band combination for detecting and separating desert pavements in southern semnan was the 6-4-3 band combination with an optimal index factor of 45.71 (oif), which was in the mid-infrared and visible bands (vnir + tir). based on the kappa coefficient, the support vector machine (85.05), fuzzy artmap (81.44), neural network (55.17), spectral angle map (53.89), and spectral information divergence (50.22) methods had the highest ability in spectral separation of different classes of desert pavements in southern semnan, respectively. the support vector machine and fuzzy artmap classification methods obtained the highest kappa coefficients for the classes, respectively, and the lowest kappa coefficients and complete accuracy were obtained in the neural network, spectral angle map, and spectral information divergence methods, respectively. since the classes, bands, and other conditions used were the same for all methods, the difference in accuracy depended only on the calculation instructions of the methods.conclusions and suggestionsremote sensing technology, due to the production of satellite images with high spatial and spectral resolution, can be a valuable tool for identifying and classifying landforms. preparing a map of desert pavements and their types is a basis for evaluating the region in terms of structural and geomorphological characteristics, which can be useful in many environmental management and planning issues. therefore, it is suggested that other classification methods based on shear orientation, combined methods, frequency coverage, images from sensors with better spatial and spectral resolution, and considering characteristics such as particle diameter be used to be effective in preparing maps of desert pavement layers.