تهیه نقشه تراکم جنگل با استفاده از تصاویر سنجنده­های چندطیفی اسپات7 و سنتینل2 در زاگرس جنوبی(مطالعه موردی: استان فارس حوزه دالکی دادین)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار گروه جنگلداری، دانشکده کشاورزی و منابع طبیعی دانشگاه آزاد واحد چالوس

2 دانشجوی دکتری گروه جنگلداری، دانشکده کشاورزی و منابع طبیعی دانشگاه آزاد واحد چالوس

چکیده

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.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Preparation of Forest Density Map Using SPOT-7 and Sentinel-2 Multiplex Sensors in South Zagros )Case study: Fars Province, Dalaki Dadin Area(

نویسندگان [English]

  • Farid kazemnejadf 1
  • Reza Abedinzadegan Abdi 2
  • Majid Eshagh Nimvari 1
  • Ali Sheikh al-Islami 1
1 Assistant Professor of Forestry, Faculty of Agriculture and Natural Resources, Islamic Azad University, Chalous Branch
2 Ph.D. Student, in Forestry, Faculty of Agriculture and Natural Resources, Islamic Azad University, Chalous Branch
چکیده [English]

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.

کلیدواژه‌ها [English]

  • Forest density
  • multispectral
  • neural classifier algorithm
  • overall accuracy
  • kappa coefficient

مراجع

Axelsson, A., Lindberg, E., Reese, H. and Olsson, H., 2021. Tree species classification using Sentinel-2 imagery and Bayesian inference. International Journal of Applied Earth Observation and Geoinformation, 100: 1-10.
Bazrafkan A., Bavaghar M.P., and Fathi P. 2014. Capability of Liss III data for forest canopy density mapping in Zagros forests (Case study: Marivan Forests). Iranian Journal of Forest. 6 (4): 387-401. (In Persian)
Beygiheidarlou H., Mirshekarlou K., Sasanifar S., and Khezryan., B. 2023. Forest cover density mapping using Landsat-9 (OLI-2) imagery and hemispherical ‎photographs ‎in Zagros forests, Forest Research and Development, 8(5): 1-13. (In Persian)
Foroutan S, Islamzadeh N. 2022. The Study of Mazandaran Province Forest and Rangeland Vegetation Changes Trend by Satellite Images. Journal of Plant Ecosystem Conservation, 9 (19) :197-215
Hu Y., Zhang Q., Zhang, Y., and Yan H. 2018. A deep convolution neural network method for land cover mapping: A case study of Qinhuangdao, China. Remote Sensing, 10 (12): 1-16.
Jellouli A., El Harti A., Adiri Z., Chakouri M., El Hachimi J. and Bachaoui E.M. 2021. Application of optical and radar satellite images for mapping tectonic lineaments in kerdous inlier of the Anti-Atlas belt, Morocco. Remote Sensing Applications: Society and Environment, 22:1-18.
Kaplan G., and Avdan U. 2018. Sentinel-1 and Sentinel-2 Data Fusion for WETLANDS MAPPING: BALIKDAMI, TURKEY. International Archives of the Photogrammetry, Remote Sensing & Spatial Information Sciences, 42(3):1-15.
Koskinen J., Leinonen U., Vollrath A., Ortmann A., Lindquist E., d'Annunzio R., Pekkarinen A., and Käyhkö N. 2019. Participatory mapping of forest plantations with Open Foris and Google Earth Engine. ISPRS Journal of Photogrammetry and Remote Sensing, 148: 63-74.
Mohamadi P., Ahmadi A., Feyzizadeh B., Jafarzadeh A.A and Rahmati M. 2021. Evaluation of pixel and object-oriented classification techniques for detection and zoning of erosion lands using sentinel-2 remote sensing data (case study: Lighvan watershed). Applied Soil Research. 9 (1): 28-40. (In Persian)
Motamedi J., Jalili A., Arzani H., and Khodagholi M. 2020. Causes of rangeland degradation in the country and solutions to get out of the current situation. Journal of IRAN NATURE. 5(4): 21-44. (In Persian)
Parviz l. 2018. Evaluation the Preprocessing Effect of Satellite Images Input Parameters in to Artificial Neural Network for soil texture determination. Applied Soil Research, 5(2), 66-80. (In Persian)
Sedaghat M., Riazi B., Veisanloo F., and Sagheb-Talebi  K. 2022. Spatial modeling of main degradation factors in the Zagros forests (Case study: Khorramabad sub-basin). Journal of Wood and Forest Science and Technology, 29 (2): 59-75.
Xiao H., Su F., Fu D., Lyne V., and. Liu G. 2021. Optimal and robust vegetation mapping in complex environments using multiple satellite imagery: Application to mangroves in Southeast Asia. International Journal of Applied Earth Observation and Geoinformation, 99-102320
Xi X., Xia K., Yang Y., Du X. and Feng, H. 2021. Evaluation of dimensionality reduction methods for individual tree crown delineation using instance segmentation network and UAV multispectral imagery in urban forest. Computers and Electronics in Agriculture, 191:1-10.

فایل ها

سابقه مقاله

  • تاریخ دریافت: 18 اردیبهشت 1402
  • تاریخ بازنگری: 08 مهر 1402
  • تاریخ پذیرش: 09 مهر 1402

هم رسانی

ارجاع به این مقاله

آمار