بهبود مدل تراکم تاج پوشش جنگلی مبتنی بر افزودن شاخص fcc و اعمال کرنل میانگین

آگاهی از روند تغییرات تراکمی عرصه‌های جنگلی نیازمند مدلی کارآ برای طبقه‌بندی تاج‌پوشش جنگل است. چالش مقدماتی تفکیک تاج‌پوشش جنگل از سایر پوشش‌های گیاهی غیرجنگلی نظیر بوته‌زارها، نیزارها و بیشه‌های متراکم است. در ادامه تلاش‌های قبلی برای بهبود عملکرد مدل fcd در این پژوهش با افزودن شاخص fcci توام با اعمال کرنل میانگین عملکرد مدل fcd ارتقاء یافت. طبقه‌بندی تاج پوشش تراکمی جنگل‌های هیرکانی مبتنی بر تصاویر سال 1396 سنجنده لندست 8 به منظور پیاده‌سازی، ارزیابی، صحت‌سنجی و تحلیل نتایج برگزیده شد. افزایش دقت مدل و حصول نتایج بهتر کاملا ملموس بوده و حتی از تفسیر چشمی نتایج نیز قابل تایید است. تحلیل آماری نتایج نیز از افزایش 10% و 24% دقت کلی و ضریب کاپا مدل بهبودیافته نسبت به مدل اولیه حکایت دارد که البته در دو کلاس متراکم و بدون جنگل بارزتر می‌نمود. بصورت مشخص دقت کلاسی این دو منطقه در نتایج حاصل از مدل بهبودیافته به ترتیب حدود 13% و 7% افزایش نشان می‌دهد.

improvement of the forest canopy density model based on the addition of the fcc index and the average kernel implementation

awareness of the trend of forest canopy density classification requires an operational exact model for forest crown classification. the preliminary challenge is the separation of the forest crown from other non-warlike vegetation coverings. in the following, previous attempts to improve the performance of the fcd model, in this study, by adding the fcc index and the kernel, improved the average performance of the fcd model. the crown classification of hyrcanian forests based on images of 1396 landsat 8 was selected for implementation, evaluation, validation and analysis of the results. improving the accuracy of the model is entirely sensible and even manual interpretation confirm it. the statistical analysis of the results also indicates a 10% and 24% increase in overall accuracy and kappa coefficient of the improved model compared to the initial model. specifically, the accuracy of these two classes in the results of the improved model is about 13% and 7%, respectively.