بررسی سطح جنگل با استفاده از ماشین‌بردار‌پشتیبان و ارائه مدل پیش‌بینی سطح تغییرات

پیشینه و هدف با توجه به تخریب فزاینده در سطح اکوسیستم های طبیعی، تعیین میزان و موقعیت وقوع تغییرات کاربری اراضی و پیش بینی روند آن در آینده می تواند اطلاعات ارزنده ای را به برنامه ریزان و مدیران ارایه دهد. در این تحقیق به منظور پایش تغییرات در حال حاضر و پیش بینی آن در آینده در محدوده سیاهکل ارزیابی و پیش بینی تغییرات با تصاویر لندست انجام شد. روش های گوناگونی برای پیش بینی تغییرات کاربری اراضی وجود دارد. فرایندهای پیش بینی و مدل سازی تغییرات کاربری اراضی، از قبیل رشد و توسعه شهری، جنگل زدایی و غیره به عنوان ابزاری توانمند در مدیریت منابع طبیعی و پایش تغییرات زیست محیطی به شمار می آیند. این تغییرات نشان دهنده چگونگی تعاملات بشر با محیط زیست خود بوده و مدل سازی آن در تصمیم گیری ها و برنامه ریزی های و مدل سازی آن در تصمیم گیری ها و برنامه ریزی های کلان، تاثیرگذار است. در این تحقیق نیز با توجه به توانمندی های بالای سنجش از دور و ابزارهای مدل سازی و پیش بینی تغییرات با استفاده از سلول های خودکار-زنجیره مارکوف در جنگل ها در شمال ایران پرداخته شد.مواد و روش ها در تحقیق حاضر، از تصاویر لندست 5، سنجنده tmسال 2000 و لندست 7 سنجنده etm+ سال 2010 و لندست 8 سنجنده oli سال 2018 استفاده شد. در مرحله پیش پردازش خطاهای موجود بر روی داده های خام از قبیل خطاهای رادیومتری، اتمسفری، و هندسی تصحیح می گردد. توجه به بررسی های صورت گرفته و انطباق راه های ارتباطی استخراج شده از نقشه توپوگرافی سازمان نقشه برداری با تصویر ماهواره ای، این تصاویر فاقد خطای هندسی قابل توجهی بود، اما دارای خطای رادیومتریک بود که ابتدا تصحیح رادیومتریک بر روی تصویر ماهواره ای با تبدیل dn به رادیانس و سپس انعکاس با استفاده از الگوریتم فلاش در نرم افزار envi صورت گرفت رفع گردید. برای تهیه نمونه های تعلیمی از برداشت های زمینی، نقشه های توپوگرافی با مقیاس 1/25000 سازمان نقشه برداری استفاده گردید. 84 نقطه برای کاربری جنگل، 76 نقطه برای کاربری جنگل تنک، 31 نقطه برای کاربری کشاورزی و 21 نقطه برای کاربری شهری برداشت شد. تکنیک های طبقه بندی برای گروه بندی پیکسل ها به کار می روند تا بتوانند جزئیات پوشش زمین را نشان دهند. پوشش زمین در پنج کلاسه جنگل متراکم، جنگل نیمه متراکم، جنگل تنک، منطقه شهری و منطقه کشاورزی طبقه بندی گردید. نرم افزار سنجش از دور envi چهار نوع کرنل (kernel) برای ماشین بردار پشتیبان چندین روش طبقه بندی وجود دارد؛ خطی، چندجمله ای، شعاعی و پیچشی، که با توجه به مطالعات بهترین کرنل برای طبقه بندی کاربری اراضی روش کرنل شعاعی (rbf) استفاده گردید. از طبقه بندی ترکیب باندی مناسبی که بتواند این کلاس ها را برای تفسیر بصری از هم جدا کند توسط پلات میانگین طیفی انتخاب شد. این عمل توسط شاخص ترکیب باندی oif صورت پذیرفت. پس از استخراج کاربری های اراضی به روش مورد نظر نتایج به دست آمده دقت سنجی شدند. نقشه های تهیه شده کاربری اراضی، با نقاط gps زمینی، نقشه وضع موجود منطقه مقایسه و با استفاده از ماتریس خطای تشکیل شده ضریب کاپا و دقت کلی آن به دست آمد، که از 200 نقطه به صورت تصادفی بر روی تصاویر ایجاد شد و کاربری این نقاط توسط بازدیدهای صحرایی و نقشه های توپوگرافی سازمان نقشه برداری مشخص شد. نقشه های طبقه بندی کاربری های تهیه شده، جهت مدل سازی و پایش تغییرات کاربری اراضی وارد نرم افزار idrisi شد تا تغییرات کاربری ها در سال های موردمطالعه مدل سازی گردد. درجهت انجام مدل سازی تغییرات کاربری اراضی از مدل lcm در محیط نرم افزار idrisi استفاده شد. مدل markov-ca تلفیقی از سلول های خودکار، زنجیره مارکوف و تخصیص چندمنظوره اراضی است. مدل مارکوف همچنین موقعیت هر کاربری را با تولید مجموعه ای از تصاویر احتمال وضعیت از ماتریس احتمال انتقال نشان می دهد. در مرحله آخر از مدل سازی با استفاده از ماتریس مساحت انتقال در مدل ca مارکوف می توان نقشه شبیه سازی شده از کاربری اراضی در آینده را به دست آورد. در پژوهش حاضر، از نقشه کاربری اراضی سال 2010 و 2018 استفاده شد تا نقشه سال 2028 پیش بینی شود.

investigation of forest area using support vector machine and provide a model for predicting the level of changes

background and objective due to the increasing degradation at the level of the natural ecosystem, the amount and location of land use changes and predicting its future growth trend, i can provide the information i need to planners and managers. in this study, in order to change the current changes and predict the future in the siahkal range, forecasting and changing the nose were done with landsat images. there are various methods for predicting land use change. processes for predicting and modelling land use change, such as urban growth and development, deforestation, etc., are considered powerful tools in managing natural resources and changing the state of the environment. this change reflects how humans interact with their environment, and its modelling has had an impact on settlement and macro-planning. in this research, due to the high capabilities of remote sensing and modelling tools and predicting changes in change using automatic-markov cells in forests in northern iran.materials and methods in this research, landsat 5 images, 2000 tm sensor, landsat 7 etm+ sensor 2010 and landsat 8 oli sensor 2018 are used. in the preprocessing stage, errors in raw data such as radiometric, atmospheric, geometric, etc. errors are corrected. was significant but had a radiometric error. 84 points are used for forest use, 76 points for thin forest water, 31 points for consumption and 2 required sensitivities to indicate a specific level of land cover. land cover is defined into five classes: dense forest, semi-dense forest, sparse forest, urban area and agricultural area. the envi remote sensing software defines four types of kernels for the support vector machine in the svm classification section: polynomial, sigmoid torsion, and fbction (rbf). according to the best kernel studies for land use classification, the radial kernel (rbf) has been proposed. in the present study, this kernel was used for classification. the classification of the appropriate band composition that you want to separate these classes for visual interpretation was selected by the spectral mean plot. this is done by the complex oif index. after the extraction of land uses by the method, the results were evaluated accurately. maps are prepared by land use, then with the gps position of the earth, the map of the situation in the visible area and using the formed error matrix of kappa weakness and its overall accuracy obtained for this work, 200 points are randomly created on the images. the use of these points was determined by field visits and topographic maps of the surveying organization. land use classification models are prepared, for modelling and land use changes are entered into office software to design land use changes in the required years. degree of land use change modelling the lcm model was used in the idrisi software environment. the markov-ca model is a combination of automated cells, markov chains, and multi-purpose land allocation. the markov model also shows each user by generating a set of status probability images from the transfer probability matrix. in the last step of the structural model, using the transfer area matrix in the ca markov model, a simulated simulation of future land use can be obtained. in this research, the land use map of 2010 and 2018 was used to predict the 2028 map.