نسترن نظریانی؛ دکتر اصغر فلاح؛ حبیب اله رمضانی موزیرجی؛ حامد نقوی؛ حمید جلیلوند
چکیده
گردآوردی اطلاعات میدانی دقیق، به‌منظور مدیریت پایدار مناطق جنگلی، مستلزم صرف زمان و هزینة بالایی است؛ بنابراین استفاده از روش‌های نمونه‌برداری و تصاویر ماهواره‌ای جایگزین مناسبی برای این کار خواهد بود. هدف پژوهش حاضر تأثیر طرح‌های گوناگون نمونه‌برداری خوشه‌ای در برآورد مشخصه‌های کمّی جنگل‌های سامان عرفی اولادقباد شهرستان ...
بیشتر
گردآوردی اطلاعات میدانی دقیق، به‌منظور مدیریت پایدار مناطق جنگلی، مستلزم صرف زمان و هزینة بالایی است؛ بنابراین استفاده از روش‌های نمونه‌برداری و تصاویر ماهواره‌ای جایگزین مناسبی برای این کار خواهد بود. هدف پژوهش حاضر تأثیر طرح‌های گوناگون نمونه‌برداری خوشه‌ای در برآورد مشخصه‌های کمّی جنگل‌های سامان عرفی اولادقباد شهرستان کوهدشت، استان لرستان، با استفاده از تصاویر سنجندة سنتینل‌ـ 2 است. به‌منظور برآورد مشخصه‌های مورد بررسی، 150 خوشه در قالب شش طرح (مثلث، مربع، ستاره‌ای 1، خطی، اِل‌شکل و ستاره‌ای 2) در منطقه‌ای به مساحت تقریبی 4500 هکتار ایجاد شد. هر خوشه شامل چهار ریزقطعه‌نمونه، با مساحت هفتصد مترمربع (شعاع ریزقطعه‌نمونة دایره‌ای برابر با پانزده متر و فاصلة بین ریزقطعه‌نمونه‌ها از هم، شصت متر) بود. سپس در هر ریزقطعه‌نمونه، مشخصه‌های تعداد و مساحت تاج درختان اندازه‌گیری شد. پس از پیش‌پردازش و پردازش تصاویر (تجزیة مؤلفة اصلی، آنالیز بافت و ایجاد شاخص‌های گیاهی)، ارزش‌های رقومی متناظر با قطعات نمونة زمینی از باندهای طیفی استخراج و به‌منزلة متغیرهای مستقل، در نظر گرفته شد. مدل‌سازی با استفاده از روش‌های ناپارامتریک جنگل تصادفی، ماشین‌بردار پشتیبان و نزدیک‌ترین همسایه انجام شد. نتایج نشان داد میانگین تراکم در هکتار 51 اصله و سطح تاج‌پوشش 3294 مترمربع در هکتار است. نتایج اعتبارسنجی نشان داد که درمورد هر دو مشخصة تراکم و سطح تاج‌پوشش، الگوریتم جنگل تصادفی به‌همراه طرح‌های نمونه‌برداری خطی و ستاره‌ای 2، به‌ترتیب با درصد مجذور میانگین مربعات خطا 00/46 و 44/10 و اریبی (02/0- و 82/2%)، عملکرد بهتری در مدل‌سازی داشته است. به‌طورکلی نتایج اعتبارسنجی مشخص کرد استفاده از طرح‌های متفاوت نمونه‌برداری خوشه‌ای، روش‌های مدل‌سازی ناپارامتریک جنگل تصادفی و تصاویر سنجندة سنتینل‌ـ 2 کارآیی بهتری در برآورد مشخصة تاج‌پوشش دارد اما، در مقابل، عملکرد مناسبی در برآورد تعداد در هکتار را نداشته است.
رضا شاه حسینی؛ کمال عزیزی؛ ارسطو زارعی؛ فاطمه مرادی
چکیده
نقشه‌های کاربری زمین، توزیع فضایی منابع طبیعی، مناظر فرهنگی و سکونتگاه‌های انسانی را توصیف می‌کنند که به‌منزلة ابزار برنامه‌ریزی مهمی برای تصمیم‌گیرندگان عمل می‌کند؛ بنابراین دقت نقشه‌های حاصل از طبقه‌بندی تصاویر ماهواره‌ای در عدم قطعیت به‌منظور مدیریت شهری بسیار تأثیرگذار است. با توجه به کیفیت یکنواخت تصاویر در ...
بیشتر
نقشه‌های کاربری زمین، توزیع فضایی منابع طبیعی، مناظر فرهنگی و سکونتگاه‌های انسانی را توصیف می‌کنند که به‌منزلة ابزار برنامه‌ریزی مهمی برای تصمیم‌گیرندگان عمل می‌کند؛ بنابراین دقت نقشه‌های حاصل از طبقه‌بندی تصاویر ماهواره‌ای در عدم قطعیت به‌منظور مدیریت شهری بسیار تأثیرگذار است. با توجه به کیفیت یکنواخت تصاویر در مناطق بزرگ در مراحل زمانی منظم، تصاویر سنجش از دور ورودی ضروری در تولید نقشه‌های کاربری زمین شمرده می‌شوند. هدف اصلی از این تحقیق پیشنهاد‌کردن روشی به‌منظور ایجاد نقشة پوشش اراضی دقیق در مناطق شهری، با استفاده از تلفیق داده‌های سنتینل‌ـ 1 و سنتینل‌ـ 2 است. به این منظور، ویژگی‌های ضریب بازپراکنش راداری VV و دو پارامتر حاصل از روش تجزیة H-α (آنتروپی، آلفا) از تصاویر راداری سنتینل‌ـ 1 و ویژگی‌های باند آبی، سبز، قرمز، شاخص‌های NDVI، NDWI، MNDWI و SWI از تصاویر اپتیک سنتینل‌ـ 2 استخراج و به منزلة مؤلفه‌های تأثیرگذار در طبقه‌بندی منطقة شهری استفاده شد. در این مطالعه، با هدف جداسازی مناطق کشاورزی از سایر پوشش‌ها، از شاخص رطوبت SWI استفاده شد. همچنین داده‌های ارتفاعی برای تفکیک بهینة کلاس‌های پیچیده با توپوگرافی متفاوت به‌کار رفت. استخراج شاخص‌های تأثیرگذار از این دو مجموعه داده، در رویکردی شیءگرا مبتنی بر الگوریتم‌های ماشین بردار پشتیبان و جنگل تصادفی، برای طبقه‌بندی کاربری زمین ارزیابی شد. نتایج نشان داد که به‌کارگرفتن ویژگی‌های استخراج‌شده از تصاویر راداری و اپتیک به‌طور هم‌زمان، در روش طبقه‌بندی شیءگرا، میتواند ویژگی‌های شیء را به‌طور کامل در ناحیة مورد مطالعه استخراج کند. در مورد هر دو الگوریتم طبقه‌بندی، زمانی که از داده‌های اپتیک و راداری به‌طور هم‌زمان استفاده شد، دقت کلی طبقه‌بندی افزایش داشت. در مورد روش جنگل تصادفی که بیشترین دقت‌ها را دربر داشت، دقت کلی برای رویکرد ترکیب داده‌های راداری و اپتیک به‌میزان 13 و 5%، به‌ترتیب به نسبت رویکرد تنها ویژگی راداری و تنها رویکرد ویژگی اپتیک، افزایش پیدا کرده است. همچنین اختلاف معنیداری در دقت طبقه‌بندی، در تمامی سطوح، بین الگوریتم طبقه‌بندی ماشین بردار پشتیبان و جنگل تصادفی دیده می‌شود. نتایج نشان داد که دقت کلی درمورد روش طبقه‌بندی جنگل تصادفی و ماشین بردار پشتیبان به‌ترتیب برابر 3/83 و 8/79% و ضریب کاپا به‌ترتیب 72/0 و 68/0% بوده است.
اردلان دریایی؛ دکتر هرمز سهرابی؛ کلمنتس اتزبرگر؛ مارکوس ایمیتزر
چکیده
پوشش‌های گیاهی مناطق کران‌رودی، با وجود مساحت کم، خدمات اکوسیستمی فراوانی عرضه می‌کنند. نظر به اینکه برنامه‌های نظارتی و آماربرداری پیوسته‌ای برای این پوشش‌های گیاهی در کشور وجود ندارد، تهیة نقشه و پایگاه دادة مکانی برای آنها امری ضروری است. اما آمیختگی این پوشش‌های گیاهی با سایر کاربری‌های زمین سبب ایجاد چالش‌ها و مشکلاتی ...
بیشتر
پوشش‌های گیاهی مناطق کران‌رودی، با وجود مساحت کم، خدمات اکوسیستمی فراوانی عرضه می‌کنند. نظر به اینکه برنامه‌های نظارتی و آماربرداری پیوسته‌ای برای این پوشش‌های گیاهی در کشور وجود ندارد، تهیة نقشه و پایگاه دادة مکانی برای آنها امری ضروری است. اما آمیختگی این پوشش‌های گیاهی با سایر کاربری‌های زمین سبب ایجاد چالش‌ها و مشکلاتی در تهیة نقشه برای آنها شده است. بنابراین، انتخاب روش مناسب طبقه‌بندی بسیار حائز اهمیت است. در این زمینه و در تحقیق حاضر، دو روش پیکسل‌مبنا و شیءمبنا در طبقه‌بندی این پوشش‌های گیاهی، با استفاده از تصاویر رایگان ماهوارة سنتینل-2، مقایسه شده است. بدین‌منظور، پنج منطقة کران‌رودی متفاوت در استان چهارمحال و بختیاری انتخاب شد و برای آموزش مدل‌های طبقه‌بندی به‌کار رفت. در فرایند مدل‌سازی، از الگوریتم طبقه‌بندی جنگل تصادفی و داده‌های چندزمانة ماهوارة سنتینل-2 استفاده شد. اعتبارسنجی مدل‌ها به‌صورت گسترده، با استفاده از نقاط صحت‌سنجی مستقل در سطح استان، انجام شد. نتایج نشان داد که تصاویر ماهوارة سنتینل-2 قابلیت بالایی در تهیة نقشة پوشش گیاهی در مناطق کران‌رودی کوه‌های زاگرس دارد و روش طبقه‌بندی پیکسل‌مبنا (صحت کلی 83.9%) بهتر از روش شیءمبنا (صحت کلی 76.7%) بوده است. در مجموع، تحقیق حاضر استفاده از روش طبقه‌بندی پیکسل‌مبنا روی تصاویر چندزمانة ماهوارة سنتینل-2 را به‌منزلة ابزاری ارزان و مناسب در آشکارسازی این پوشش‌های گیاهی پیشنهاد می‌دهد. حائز اهمیت است که در این روش، تا جای ممکن، از پیکسل‌های دارای خلوص بیشتر به‌منزلة پیکسل‌های آموزشی در توسعة مدل‌ها استفاده شود.
زینب قدسی؛ میر مسعود خیرخواه زرکش؛ باقر قرمزچشمه
چکیده
نقشه‌های پوشش/کاربری اراضی، برای پایش تغییرات عوارض و برنامه‌ریزی صحیح، هرساله مورد نیاز مدیران حوزة کشاورزی، منابع طبیعی و زیست‌محیطی است. روش برداشت میدانی با جی‌پی‌اس (GPS) و نقشه‌برداری زمینی مستلزم صرف زمان و هزینه‌های بسیار است. بنابراین، اغلب از تصاویر ماهواره‌ای، که دارای پوشش سراسری و توالی برداشت، هزینة کم و اطلاعات ...
بیشتر
نقشه‌های پوشش/کاربری اراضی، برای پایش تغییرات عوارض و برنامه‌ریزی صحیح، هرساله مورد نیاز مدیران حوزة کشاورزی، منابع طبیعی و زیست‌محیطی است. روش برداشت میدانی با جی‌پی‌اس (GPS) و نقشه‌برداری زمینی مستلزم صرف زمان و هزینه‌های بسیار است. بنابراین، اغلب از تصاویر ماهواره‌ای، که دارای پوشش سراسری و توالی برداشت، هزینة کم و اطلاعات به‌هنگام‌اند، استفاده می‌شود تا نقشه‌های پوشش/کاربری زمین به‌دست آید. تهیة نقشة دقیق با روش مناسب روز موضوعی کلیدی است. طی سال‌های اخیر، استفاده از تصاویر ماهواره‌ای جدید و روش‌های نوین طبقه‌بندی، به‌ویژه یادگیری ماشین، رشد فزایندهای داشته و کارآیی آنها در تهیة نقشه‌های پوشش/کاربری اراضی بسیار موفقیت‌آمیز بوده است. یکی دیگر از مزایای تصاویر ماهواره‌ای برداشت‌های متوالی است و براساس آن، می‌توان از تغییرات پوشش گیاهی در طول زمان، برای تفکیک نوع پوشش، استفاده کرد. ماهوارة سنتینل-2، با امتیاز پیکسل 10متری، یکی از ابزارهای مناسب برای تفکیک نوع پوشش محسوب می‌شود. در این تحقیق، برای تفکیک انواع کاربری اراضی و محصولات زراعی دشت سنجابی روانسر، از تصاویر چندزمانة سنتینل-2 و روش‌های طبقه‌بندی ماشین بردار پشتیبان و جنگل تصادفی استفاده و دقت آنها با یکدیگر مقایسه شد. بدین‌منظور، پس از نمونه‌برداری، تحلیل مؤلفه‌های اصلی برای چهار تاریخ دورة رشد محصولات اجرا شد و باندهای PC1، PC2 و PC3 تصاویر با هم ترکیب شدند. دو روش روی ترکیب باندهای PC1، PC2 و PC3 تصاویر و نمونه‌های تعلیمی اعمال شدند. ارزیابی دقت‌ها نشان داد ماشین بردار پشتیبان، با صحت کلی 91.36% و ضریب کاپای 0.8927، نقشة کاربری اراضی و محصولات دقیق‌تری، در قیاس با روش جنگل تصادفی، تولید می‌کند.
علی شمس‌الدینی؛ شهربانو اسماعیلی
دوره 9، شماره 2 ، اسفند 1396، ، صفحه 117-132
چکیده
در طبقه‌بندی تصاویر با قدرت تفکیک مکانی متوسط، مانند لندست، تمایز اراضی کشاورزی بدون پوشش گیاهی از زمین‌های بایر و همچنین، شناسایی زمین‌های بایر از مناطق ساخته‌شده معمولاً دشوار و همراه با خطاست. به همین علت در این مطالعه، ترکیب‌های متفاوتی از ویژگی‌های ورودی، به‌روش‌های طبقه‌بندی، به‌منظور بررسی امکان ارتقای دقت طبقه‌بندی ...
بیشتر
در طبقه‌بندی تصاویر با قدرت تفکیک مکانی متوسط، مانند لندست، تمایز اراضی کشاورزی بدون پوشش گیاهی از زمین‌های بایر و همچنین، شناسایی زمین‌های بایر از مناطق ساخته‌شده معمولاً دشوار و همراه با خطاست. به همین علت در این مطالعه، ترکیب‌های متفاوتی از ویژگی‌های ورودی، به‌روش‌های طبقه‌بندی، به‌منظور بررسی امکان ارتقای دقت طبقه‌بندی مقایسه شد. داده‌های ورودی شامل باندهای طیفی تصویر لندست-7، ویژگی‌های بافتی شامل ماتریس وقوع هم‌زمان گامهای خاکستری و شاخص‌های حرارتی و مکانی پیشنهادی در این تحقیق است. در بررسی حاضر، به‌منظور طبقه‌بندی سناریوهای متفاوت، از سه روش طبقه‌بندی شامل بیشترین میزان شباهت، شبکة عصبی و ماشین بردار پشتیبان با هستههای متفاوت استفاده شد. نتایج نشان داد که ادغام تمامی داده‌های ورودی و استفاده از روش ماشین بردار پشتیبان با هستة پایة شعاعی، با صحت کلی 81/۹۸% و ضریب کاپا 25/98%، ممکن است نتایجی بهتر از دیگر روشها و سناریوها داشته باشد. همچنین، در تحلیل اهمیت متغیرهای ورودی، با استفاده از روش انتخاب ویژگی برپایة جنگل تصادفی، مشخص شد که شاخص‌های پیشنهادی در این مطالعه نقش مهمی در طبقه‌بندی با صحت بالا و کارآمد داشتهاند.
