تاج پوشش جنگل

مدیریت درست و هوشمند منابع جنگلی مستلزم به کارگیری داده های دقیق و روزآمد است. عکس های هوایی یکی از منابع مناسب برای این امر به شمار می آیند. در پژوهش حاضر، برای تهیه نقشه تراکم تاج پوشش جنگل از الگوهای بافت عکس های هوایی و مدل های شبکه عصبی مصنوعی، متوازی السطوح، حداقل فاصله و حداکثر احتمال استفاده گردید. منطقه مورد مطالعه در غرب کشور و ناحیه زاگرس مرکزی واقع شده است. مقدار میانگین مربعات خطا برای عکس های هوایی ارتوفتوشده با قدرت تفکیک مکانی 56/0 متر برابر با 2/0 پیکسل به دست آمد. ارتوفتوها با رعایت تعادل رادیومتریکی به ارتوفتوموزاییک برای ایجاد دید کلی از منطقه تبدیل گردیدند. باندهای مختلف حاصل از تجزیه و تحلیل بافتی با ماتریس هم وقوعی به ابعاد 3 3 تهیه گردیدند. در الگوی بافت، پنجره 10 10 پیکسلی به دلیل همگنی در سطح نمونه ها برای آموزش بهینة خوارزمیک ها مناسب تشخیص داده شد. در این بررسی امکان تفکیک 4 کلاس از تراکم تاج پوشش جنگل های مورد مطالعه با صحت بالاتر بر روی تصاویر بافت به نسبت تصویر خام مقدور گردید. نتایج حاصل از ارزیابی نقشه های خروجی نشان داد که شبکه عصبی مصنوعی با صحت کلی و ضریب کاپا به ترتیب 85 درصد و 8/0 در طبقه بندی تصاویر حاصل از تجزیه و تحلیل بافتی در مقایسه با دیگر روش های مورد استفاده در این تحقیق بهتر عمل می کنند.

بازتابش پدیده های سطح زمین روی داده های سنجش از دوری تحت تأثیر عوامل گوناگونی مانند شرایط اتمسفر است. در برخی مطالعات لازم است اثر اتمسفر به شیوه های متفاوت و مناسبی حذف شود یا کاهش یابد. در این تحقیق، سه روش تصحیح اتمسفریک تفریق شیء تیره (DOS)، تجزیه و تحلیل سریع خط دید اتمسفر ازطریق طیف ابر مکعب (FLAASH)، شبیه ساز وکتوری ثانویة سیگنال ماهواره ای در طیف خورشیدی (SV6) روی سنجندة OLI ماهوارة لندست 8 جنگل های استان گیلان اعمال شده است. از هر تصویر، ده شاخص گیاهی استخراج شد. با استفاده از لایة پوشش جهانی، محدودة جنگل روی شاخص های متفاوت استخراج و با استفاده از روش شیءپایه، محدودة جنگل روی تصویر قطعه بندی شد. 91 قطعه به طور تصادفی انتخاب شد. با استفاده از شبکة نقطه چین به ابعاد 20×20 متر، تراکم تاج پوشش درختان در هر قطعه روی تصاویر گوگل مشخص شده است. آزمایش پیرسون برای آزمون معناداربودن همبستگی شاخص ها با نمونه های مرجع، رگرسیون خطی و غیرخطی برای مدل سازی تراکم تاج پوشش به کار رفت. نتایج نشان داد که مدل تصحیح برمبنای کد SV6 در مناطق جنگلی استان گیلان بهتر عمل کرده است. شاخص GARI حاصل از مدل تصحیح اتمسفریک DOS با خطای RMSE برابر 72/17 و شاخص ARVI حاصل از مدل تصحیح اتمسفریک SV6، FLAASH و تصویر اصلی OLI به ترتیب معادل 38/15، 87/15 و 78/21 کمترین میزان خطای RMSE را نشان داده است. کاهش آثار اتمسفر در فرایند پیش پردازش قبل از مدل سازی ضروری و پیشنهادشدنی است.