آشکارسازی تغییرات جنگل بلوط با استفاده از طبقه بندی شیءگرای تصاویر چند زمانه لندست (مطالعۀ موردی: جنگل‌های شمال استان ایلام)

بلوط گونه جنگلی غالب در کوه‌های زاگرس است که در استان‌های غربی به‌صورت جنگل نیمه متراکم مشاهده می‌شود. خشک‌سالی‌های متعدد و متوالی، گسترش محدوده شهرها و روستاها، تغییر کاربری جنگل به زمین زراعی، ازجمله مهم‌ترین عوامل تخریب جنگل‌های ایلام محسوب می‌شوند. هدف از این تحقیق، تعیین تغییرات کاربری جنگل به سایر کاربری‌ها با استفاده از تصاویر چند زمانه سنجنده‌ tm (اردیبهشت 1365) و oli (اردیبهشت 1394) است. در طبقه‌بندی شیءگرا (object base)، قطعه‌بندی داده‌های تصاویر به‌صورت پدیده‌های اولیه، با پارامترهای مقیاس و فشردگی مناسب برای هر تصویر، انجام شد. طبقه‌بندی پدیده‌های ایجادشده با روش نزدیک‌ترین همسایه و توابع فازی انجام گرفت. با تعیین نمونه‌های آموزشی و استفاده از شاخص گیاهی تفاضلی نرمال‌شده (ndvi)، کلاس‌های کاربری اراضی تهیه گردید. صحت طبقه‌بندی برای تصویر tm، 88% و برای تصویر oli، 94% و ضریب کاپا تصویر tm و oli به ترتیب 84% و 91%محاسبه گردید. به روش مقایسه پس از طبقه‌بندی، ماتریس تغییرات کاربری هم به تفکیک دهستان و هم به صورت تغییرات کاربری جنگل به سایر کاربری ها تشکیل گردید. نتایج مطالعه نشان داد که تمام دهستان‌ها با پدیده جنگل‌زدایی مواجه بوده و تغییر گسترده کاربری جنگل (42%) در کل منطقه، اتفاق افتاده است.

Change detection of Oak forests using objectbased classification of multitemporal Landsat imageries (Case study: forests of the northern province of Ilam)

Oak is the dominant forest species in the Zagros mountains, it is seen as a semi dense forest in western provinces. Multiple droughts, development of cities and villages, land use change from forest to farmland, are  the main causes of forest destruction in Ilam. The purpose of this research is to determine the change detection of forest land to other land uses, using multi temporal TM sensor images (April 1986) and OLI (April 2015). In objectbased classification, the data segmentation  as initial phenomena, with appropriate scale and compression parameters for each image, was performed. Two classifying phenomena,  nearest neighbor method and fuzzy functions were used. Land use classes were prepared by specifying training points and using the normalized difference vegetation index (NDVI). The Overall accuracy of the TM image was 88% and OLI image 94%, and the kappa coefficient for the TM and OLI image was calculated 84% and 91%, respectively. By post classification comparison method, the change matrix  for each districts and changes forest to other uses was formed. The results showed that all districts faced with the phenomenon of deforestation and forest wide change (42%) have been made.