دانشگاه ارومیه تحقیقات کاربردی خاک 2423-7116 12 2 2024 08 22 Preparation of Forest Density Map Using SPOT-7 and Sentinel-2 Multiplex Sensors in South Zagros )Case study: Fars Province, Dalaki Dadin Area( تهیه نقشه تراکم جنگل با استفاده از تصاویر سنجنده­های چندطیفی اسپات7 و سنتینل2 در زاگرس جنوبی(مطالعه موردی: استان فارس حوزه دالکی دادین) 111 122 121533 10.30466/asr.2024.121533 FA فرید کاظم نژاد استادیار گروه جنگلداری، دانشکده کشاورزی و منابع طبیعی دانشگاه آزاد واحد چالوس رضا عابدین زادگان عبدی دانشجوی دکتری گروه جنگلداری، دانشکده کشاورزی و منابع طبیعی دانشگاه آزاد واحد چالوس مجید اسحق نیموری استادیار گروه جنگلداری، دانشکده کشاورزی و منابع طبیعی دانشگاه آزاد واحد چالوس علی شیخ الاسلامی استادیار گروه جنگلداری، دانشکده کشاورزی و منابع طبیعی دانشگاه آزاد واحد چالوس Journal Article 2023 05 08 The purpose of this study is to prepare a forest density map using the images of SPOT 7 and Sentinel 2 multispectral sensors in South Zagros, Dalki Dadin Basin, Fars Province, in order to evaluate and compare them with each other. First, a forest and non-forest area map was prepared, and then a forest density map was prepared in four levels: 25-5, 25-50, 50-75, and 75% and above. In order to make the classification correct, the ground reality map based on the interpretation of Ortho's digital photos of the 80s with a scale of 1:40000 was used. Examining the forest, non-forested classification map showed that the Sentinel 2 image with PCA-1-8 band composition and using the maximum likelihood classification algorithm with an overall accuracy of 96.3% and kappa coefficient of 0.91 compared to the spot image 7 By combining PCA-1-3 bands and using neural classifier algorithm with an overall accuracy of 87.57% and kappa coefficient of 0.7, it has a better result. Among the maps obtained from forest classification into four density classes, the map obtained from Sentinel 2 image with neural classifier with PCA-3-8 band composition and with kappa coefficient of 0.72 and accuracy of 88.36 percent ratio shown in Spot 7, the map obtained from the neural classifier with 2-4-3 band composition and 0.64 kappa coefficient and 78.74 percent accuracy had the highest accuracy. Also, after merging the image of SPOT7 and SPOT7-Pan, the map obtained by PC method using the neural classifier with PCA-2-4 band combination with Kappa coefficient 0.75 and 89.26% accuracy has the highest accuracy and map. The result of classifying the forest into four density classes, the result of the PC method using neural classifier with PCA-2-4 band combination and Kappa coefficient of 0.37 and accuracy of 50.60% had the highest accuracy. The overall results showed that, according to the extracted information, the Sentinel 2 image is more accurate for producing forest cover maps in four density classes. هدف از این مطالعه تهیه نقشه تراکم جنگل با استفاده از تصاویر سنجنده­های چندطیفی اسپات 7 و سنتینل 2 در زاگرس جنوبی حوزه دالکی دادین در استان فارس به­منظور ارزیابی و مقایسه آن­ها با یکدیگر می­باشد. ابتدا نقشه گستره جنگل و غیرجنگلی منطقه تهیه، سپس نقشه تراکم جنگل در چهار طبقه 25-5، 50-25، 75-50 و بیشتر از 75 درصد تهیه شد. به­منظور صحت طبقه­بندی، از نقشه واقعیت زمینی که براساس تفسیر عکس­های رقومی ارتوی دهه80 با مقیاس 1:40000 استفاده گردید. بررسی نقشه طبقه­بندی جنگل و غیرجنگل شده نشان داد که تصویر سنتینل2 با ترکیب باندی PCA-1-8 با استفاده از الگوریتم طبقه­بندی­کننده حداکثر احتمال با صحت کلی 3/96 درصد و ضریب کاپای 91/0 نسبت به تصویر اسپات 7 با ترکیب باندی PCA-1-3 و استفاده از الگوریتم طبقه­بندی­کننده شبکه عصبی با صحت کلی 57/87 درصد و ضریب کاپای 7/0 نتیجه بهتری داشته است. از بین نقشه­های حاصل از طبقه­بندی جنگل به چهار طبقه تراکمی، نقشه­ حاصل از تصویر سنتینل2 با طبقه­بندی­ کننده شبکه عصبی با ترکیب باندی PCA-3-8 و با ضریب کاپای 72/0 و صحت 36/88 درصد نسبت به تصویر اسپات 7 نقشه­ حاصل از طبقه­بندی­کننده  شبکه عصبی با ترکیب باندی 4-3-2 و ضریب کاپای 64/0 و صحت 74/78 درصد دارای بیشترین صحت بود. همچنین پس از ادغام تصویر اسپات7 و SPOT7-Pan، نقشه حاصل از روش PCA  با استفاده از طبقه­بندی­کننده  شبکه عصبی با ترکیب باندی PCA-2-4 با ضریب کاپای 75/0 و صحت 26/89 درصد دارای بیشترین صحت و نقشه­های حاصل از طبقه­بندی­جنگل به چهار طبقه تراکمی، حاصل از روش PCA  با استفاده ازشبکه عصبی با ترکیب باندی PCA-2-4 و با ضریب کاپای 37/0 و صحت60/59 درصد دارای بیشترین صحت بود. نتایج کلی نشان داد، با توجه به اطلاعات استخراج شده تصویر سنتینل2 برای تولید نقشه پوشش جنگلی در چهار طبقه تراکمی از صحت مناسب­تری برخوردار است. https://asr.urmia.ac.ir/article_121533_fa386b6f57616fd1c0c5eeafc71ce560.pdf