این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
جنگل ایران، جلد ۶، شماره ۴، صفحات ۳۸۷-۴۰۱
عنوان فارسی بررسی قابلیت داده‌های سنجنده Liss III به‌منظور تهیه نقشه تراکم تاج‌پوشش جنگل‌های زاگرس (مطالعه موردی: جنگل‌های مریوان)
چکیده فارسی مقاله تحقیق حاضر با هدف بررسی قابلیت داده‌های سنجنده Liss IIIماهوارهIRS-P6و مقایسه طبقه‌بندی‌کننده‌های معمول و روش شبکه عصبی مصنوعی در تهیه نقشه تراکم تاج‌پوشش جنگل در شهرستان مریوان استان کردستان انجام گرفت. تصحیح هندسی داده‌ها با خطای RMSE کمتر از یک پیکسل (051/0) صورت گرفت. از شاخص‌های گیاهی مختلف و مؤلفه‌های حاصل از تجزیه مؤلفه‌های اصلی در این تحقیق استفاده شد. نقشه واقعیت زمینی نمونه‏ای از طریق روش تصادفی سیستماتیک با شبکه‌ای به ابعاد 400×250 متر و با سطح قطعات نمونه 50×50 متر تهیه شد. مجموعه باندی مناسب برای طبقه‌بندی به کمک نمونه‌های تعلیمی و با استفاده از شاخص واگرایی تبدیل‏شده انتخاب شد. طبقه‌بندی داده‌ها به روش نظارت‌شده و با استفاده از خوارزمی‌های متوازی‌السطوح، حداقل فاصله از میانگین، حداکثر احتمال و شبکه عصبی مصنوعی در ابتدا با چهار طبقه تراکمی تاج‌پوشش (خیلی‌تنک، تنک، نیمه‌انبوه و انبوه) انجام گرفت و صحت آن با نقشه واقعیت زمینی، ارزیابی شد. به‌دلیل تفکیک‌پذیری کم بین دو طبقه خیلی تنک و تنک، این دو طبقه ادغام شدند. در نهایت طبقه‌بندی با سه طبقه تراکمی تاج‌پوشش (تنک، نیمه‌انبوه و انبوه) انجام گرفت و بیشترین صحت کلی و ضریب کاپا به‌ترتیب معادل 47/78 درصد و 66/0 با روش حداکثر احتمال به‌دست آمد. نتایج نشان دهنده قابلیت به‌نسبت مناسب داده‌های سنجنده Liss IIIماهوارهIRS-P6 نسبت به تصاویر ماهواره‌هایLandsatوAsterبه ‌کار رفته در تحقیقات پیشین در مناطق مشابه است.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Capability of Liss III data for forest canopy density mapping in Zagros forests (Case study: Marivan Forests)
چکیده انگلیسی مقاله The present study aimed to evaluate the capability of IRS-P6-LISS III imagery to map a forest canopy density by employing the traditional hard classification and the Artificial Neural Networks (ANNs) in Marivan city, Kurdistan province. Geometric correction procedure was performed with less than 1 pixel root mean square error (RMSE). Various vegetation indices and artificially bands generated by principal component analysis (PCA) were used in the classification procedure. A ground truth map was produced based on a randomized-systematic method with a grid size of 250×400 meters and 50×50 meters sample size strata. The suitable band combinations for classification were selected through the training area using the Transformed Divergence index. Supervised classification methods i.e., parallelepiped, minimum distance to mean, maximum likelihood, and ANNs algorithms were applied to generate the canopy density map with 4 classes (very sparse, sparse, semi-dense and dense). The accuracy assessment of the generated canopy density maps was implemented using the ground truth map. Some classes were also merged because of the low spectral separation between these classes. Finally the classification was performed to produce the canopy density map with 3 classes (sparse, semi-dense and dense). The highest overall accuracy and the Kappa coefficient were achieved by maximum likelihood method with 78.47 percent and 0.66, respectively. Our results indicated the high capability of the IRS-P6 LISS III imagery compared to other satellite images, for example, Landsat and Aster data, which already tested in the previous work to map the canopy density in Zagros forests.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله
نشانی اینترنتی http://www.ijf-isaforestry.ir/article_9786_b9e97ddfb2b95bc9aac4e946266e7f88.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات