>
Fa   |   Ar   |   En
   آشکارسازی تغییرات پوشش گیاهی با استفاده از داده‌های چندزمانه ماهواره‌ای سه دهه اخیر، به روش هوش مصنوعی (مطالعه موردی: منطقه حفاظت‌شده باشگل)  
   
نویسنده رحیمی افسون ,رایگانی بهزاد ,گشتاسب میگونی حمید ,خسروی حسن
منبع حفاظت زيست بوم گياهان - 1398 - دوره : 7 - شماره : 14 - صفحه:253 -274
چکیده    اطلاعات کمی و کیفی پوشش گیاهی و همچنین تغییرات آن در طول زمان به عنوان پایه ای برای تعیین کیفیت زیستگاه و اولویت مناطق به منظور حفاظت و همچنین تعیین ارزش خدمات زیست بوم ها، مسئله فنی مدیریتی بسیار مهمی در مدیریت بهینه منابع طبیعی و توسعه پایدار، به شمار می آید. از سوی دیگر سنجش از دور به عنوان ابزاری کارآمد برای دستیابی به اطلاعات درست و به روز پوشش زمین و منابع طبیعی با سرعت و دقت بالا، موردتوجه محققان است. از میان برنامه های سنجش از دوری، آشکارسازی تغییرات نقش تعیین کننده ای در بررسی تغییرات پوشش زمین و ازجمله پوشش گیاهی دارد. در این مطالعه از میان روش های مختلف آشکارسازی تغییرات، از روش مقایسه پس از طبقه بندی به دلیل امکان دستیابی به دقت بهینه با اعمال یک روش طبقه بندی کارآمد و دقیق، استفاده شده است. به منظور تعیین طبقات پوشش گیاهی، با استفاده از داده های مایحصل از نمونه برداری میدانی، تصاویر ماهواره ای مربوط به منطقه حفاظت شده باشگل در زمان های مختلف و انواع شاخص های طیفی پوشش گیاهی منتج از آن ها، اقدام به مدل سازی پوشش گیاهی با استفاده از شبکه عصبی مصنوعی شد. مدل طبقه بندی درصد سطح تاج پوشش (با دقت کلی 94.3% و میانگین مربعات خطا 5.7% برای داده های آزمایشی) و مدل طبقه بندی وزن خشک زی توده زنده سرپا (با دقت کلی 86.6% و میانگین مربعات خطا 11.4% برای داده های آزمایشی)، ساخته شد. سپس نقشه های پوشش گیاهی بر اساس این مدل های با دقت عالی، تهیه گردید. نتایج این پژوهش توانمندی بسیار زیاد روش هوش مصنوعی در طبقه بندی دقیق پوشش گیاهی، با استفاده از تصاویر ماهواره ای با تنوع زمانی را نشان می دهد. با استفاده از نقشه های طبقه بندی پوشش گیاهی حاصل، نقشه های آشکارسازی تغییرات، با روش مقایسه پس از طبقه بندی، تهیه گردید. این نقشه ها مبین تغییر پوشش گیاهی از یک طبقه به طبقه دیگر (از طبقه ... به طبقه...)، در سه دوره زمانی 2015-2000، 2000-1986 و 2015-1986 است. نتایج پژوهش، بهبود کیفی بخش وسیعی از مراتع منطقه حفاظت شده باشگل را بعد از حفاظت نشان می دهند.
کلیدواژه تصاویر چندزمانه، مقایسه پس از طبقه بندی، شبکه عصبی مصنوعی، داده های ماهواره لندست
آدرس سازمان حفاظت محیط ‌زیست, دانشکده محیط زیست, گروه محیط زیست طبیعی و تنوع زیستی, ایران, سازمان حفاظت محیط ‌زیست, دانشکده محیط زیست, گروه محیط زیست طبیعی و تنوع زیستی, ایران, سازمان حفاظت محیط ‌زیست, دانشکده محیط زیست, گروه محیط زیست طبیعی و تنوع زیستی, ایران, دانشگاه تهران, دانشکده منابع طبیعی, گروه احیای مناطق خشک و کوهستانی, ایران
 
   vegetation change detection using multi-temporal remotly sensed data during recent three decades by artificial intelligence technique (Case study: protected area of Bashgol)  
   
Authors Rayegani Behzad ,Goshtasb Hamid
Abstract    Quantitative and qualitative information of vegetation and its changes in duration of time as a basic foundation of determination of habitat quality, priority of protected area and also determination of price of ecosystem services in order to optimum management of natural resources and sustainable development is a very important technical point. In other hand, researchers are interested in remote sensing as an efficient tool to access timely and accurate information about land coverage especially vegetation coverage. In current study post classification comparison method among different methods of change detection was used because of possibility of achieving optimum accuracy by using an efficient and accurate classification method. In order to determine vegetation classes by fieldbased resources and Landsat images and also, slopebased and distancebased vegetation indices derived from these images, two artificial neural networks; percentage of vegetation cover (overall accuracy 94.3% and mean square error 5.7% for test data) and dry weight of standing biomass (overall accuracy 86.6% and mean square error 11.4% for test data) were built and vegetation maps according to these qualified models were prepared. Results of this research show high capacity of the artificial intelligence technique in vegetation classification if, the average number of fieldbased samples and variety of images in terms of time were possible. By the vegetation classification maps made, change detection maps with pixel by pixel comparison that show change classes from class hellip; to class hellip; in three duration of time; 20002015, 19862000 and 19862015 were prepared. Accuracy of these maps is totally depended on classification accuracy and demonstrated qualitative enhancement in a wide area of case study after conservation.
Keywords : multi temporal images ,post comparison classification ,artificial neural network ,Landsat images
 
 

Copyright 2023
Islamic World Science Citation Center
All Rights Reserved