علیاصغر تراهی؛ مرجان فیروزینژاد؛ علی عبدالخانی
دوره 9، شماره 1 ، دی 1396، ، صفحه 49-62
چکیده
تهیة اطلاعات دقیق و بهروز از منابع جنگلی یکی از عوامل اساسی در مطالعه و مدیریت پایدار این منابع است و این اطلاعات را میتوان بهآسانی و با صرف هزینه و زمان کمتر، از راه طبقهبندی دادههای دورسنجی تهیه کرد. در این مطالعه بهمنظور ارزیابی عملکرد الگوریتمهای ماشینبردار پشتیبان و حداکثر احتمال در تهیه نقشه کاربردی اراضی جنگلهای ...
بیشتر
تهیة اطلاعات دقیق و بهروز از منابع جنگلی یکی از عوامل اساسی در مطالعه و مدیریت پایدار این منابع است و این اطلاعات را میتوان بهآسانی و با صرف هزینه و زمان کمتر، از راه طبقهبندی دادههای دورسنجی تهیه کرد. در این مطالعه بهمنظور ارزیابی عملکرد الگوریتمهای ماشینبردار پشتیبان و حداکثر احتمال در تهیه نقشه کاربردی اراضی جنگلهای رودخانهای، از دادههای ماهواره لندست 8 استفاده شد. برای این کار، پنجرهای از تصاویر چندطیفی سنجندة OLI جنگلهای رودخانة مارون بهبهان، در استان خوزستان، انتخاب شد. پس از عملیات پیشپردازش، شامل رفع خطای رادیومتریک و تصحیح اتمسفریک، طبقهبندی تصاویر بهروش نظارتشده و با استفاده از الگوریتمهای حداکثر احتمال و ماشین بردار پشتیبان و با هفت کلاس کاربری جنگل، مرتع، کشاورزی، آیش، رودخانه، مسکونی و جاده، و همچنین سه کلاس کاربری جنگل، رودخانه و دیگر مناطق، روی مجموعة باندهای اصلی صورت پذیرفت. برای ارزیابی عملکرد الگوریتم ماشین بردار پشتیبان، از سه گروه نمونة تعلیمی با تعداد 241، 141 و 41 نمونه و همچنین از چهار هستةخطی، چندجملهای، شعاعی و حلقوی استفاده شد. نتایج حاصل نشان داد که تهیة نقشة طبقهبندی جنگلهای رودخانهای مارون و تفکیک کاربریها با استفاده از تصاویر سنجندة OLI امکانپذیر است و بهترین نتیجه مربوط به طبقهبندی، با استفاده از الگوریتم - PolynomialSVM در باندهای اصلی سنجندة OLI و با سه کلاس کاربری و صحت کلی 24/99 و ضریب کاپای 97/0 است. همچنین مشخص شد که با کاهش تعداد کلاسها از هفت به سه، کاربری صحت طبقهبندی افزایش مییابد ولی با کاهش تعداد نمونهها تا حد میانگین، تغییر محسوسی در کیفیت طبقهبندی رخ نمیدهد و در صورت کاهش زیاد تعداد نمونهها، از صحت طبقهبندی نیز کاسته میشود.
مرتضی رحیمپور؛ نعمتالله کریمی؛ رضا روزبهانی؛ عبدالعلی رضایی
دوره 9، شماره 3 ، اردیبهشت 1396، ، صفحه 71-90
چکیده
دسترسی همزمان به تصاویر ماهوارهای با قدرت تفکیک زمانی و مکانی بالا در بسیاری از مطالعات ضروری است. این در حالی است که، فقط با استفاده از تصاویر یک سنجنده، این نیاز تأمین نخواهد شد. اما میتوان با استفاده از تلفیق تصاویر سنجندههای گوناگون، که قدرت تفکیک زمانی (مانند MODIS) و مکانی (همانند Landsat) بالا دارند، به این مهم دست یافت. بدینترتیب، ...
بیشتر
دسترسی همزمان به تصاویر ماهوارهای با قدرت تفکیک زمانی و مکانی بالا در بسیاری از مطالعات ضروری است. این در حالی است که، فقط با استفاده از تصاویر یک سنجنده، این نیاز تأمین نخواهد شد. اما میتوان با استفاده از تلفیق تصاویر سنجندههای گوناگون، که قدرت تفکیک زمانی (مانند MODIS) و مکانی (همانند Landsat) بالا دارند، به این مهم دست یافت. بدینترتیب، هدف اصلی تحقیق حاضر اجرا و ارزیابی میزان دقت یکی از جدیدترین و کارآمدترین مدلهای ترکیب تصاویر ماهوارهای با عنوان ESTRAFM است. برای اجرا و ارزیابی این مدل، دو دورة زمانی (مقطع نخست بین روزهای 204 تا 220 و مقطع دوم بین روزهای 220 تا 236 سال 2016) در نظر گرفته شد. برای اعتبارسنجی نتایج، از تصاویر سنجندة OLI در موزائیک کناری، در جایگاه دادة مشاهداتی (تصویرمبنا)، استفاده شد. نتایج ارزیابی این دو دوره نشان داد میانگین همبستگی باندهای آبی، سبز، قرمز و فروسرخ نزدیکِ تخمینزدهشده با تصویر دریافتی از سنجندة OLI، بهصورت میانگین در این دو دوره، بهترتیب برابر با 90/0، 91/0، 91/0 و 85/0 و میانگین میزان مجذور میانگین مربعات خطا و چهار باند مذکور بهترتیب برابر با 025/0، 030/0 ، 036/0 و 049/0 است که، بهترتیب، معادل 3/15، 2/16، 5/16 و 7/13 درصد خطا در باندهای مورد نظر است. افزونبر این، با توجه به میزان همبستگی بالا (87/0R2=) و مجذور میانگین مربعات خطای ناچیز (056/0RMSE=) بین مقادیر NDVI پیشبینیشده و NDVI حاصل از باندهای مشاهداتی، میتوان بیان کرد علاوهبر اینکه این مدل در برآورد مقادیر بازتابندگی سطحی دقت مطلوبی دارد؛ میتوان از آن (مانند NDVI) برای پیشبینی میزان محصولات نیز استفاده کرد. براساس نتایج مدل ESTARFM، میتوان عنوان کرد مقادیر پیشبینیشدة باندهای گوناگون دقت مناسبی دارند و میتوان از این مدل برای ترکیب تصاویر، بهقصد افزایش قدرت تفکیکهای مکانی و زمانی، استفاده کرد.