مطالعه امکان تفکیک اختلاط گونه‌های راش و ممرز با استفاده از تصاویر سنجنده ETM+ماهواره لندست 7 (مطالعه موردی: در جنگل چوئه‌ژیه)

نوع مقاله: مقاله پژوهشی

چکیده

در این پژوهش در جنگل‌های خزری به مطالعه امکان تفکیک درصدهای مختلف دو گونه درختان راش (Fagus orientalis) و ممرز (Carpinus betulus) بر مبنای دو روش تفکیک انعکاس طیفی و روش طبقه‌بندی زمینی با استفاده از اطلاعات ماهواره‌ای اقدام گردیده ‌است. برای انجام این کار داده‌های سنجنده ETM+ لندست- 7 مربوط به تاریخ 24/6/2000 میلادی (اواسط فصل رویش) تهیه شد، سپس با توجه به نقشه تیپ‌بندی شده جنگل پلات‌های آماری به ابعاد 100×100 متر (یک هکتار) و به فاصله 90 متر از یکدیگر در سه منطقه که اختلاط درختان راش و ممرز وجود داشت، بر روی نقشه 1:25000 پیاده شدند. بعد از آماربرداری زمینی چهار گروه اختلاط به‌دست آمد که عبارتند از گروه ‌اول) ترکیب خالص راش، گروه دوم) اختلاط 80 درصد راش و 20 درصد ممرز، گروه‌ سوم) اختلاط 70 درصد راش و 30 درصد ممرز و گروه چهارم) اختلاط 60 درصد راش و 40 درصد ممرز. برای جلوگیری از تأثیرات انعکاس جاده‌ روی انعکاس درختان، جاده‌های رقومی شده و پلات‌های نمونه با فاصله‌ 60 متر از جاده انتخاب گردیدند و تصحیحات هندسی تا سطح ارتو با استفاده از 13 نقطه کنترل زمینی بر روی تصاویر انجام شد. جاده‌ها و پلات‌های رقومی شده بر روی باندهای 1، 2، 3، 4، 5 و 7 تصویر سنجنده ETM+ قرار داده ‌شد و اطلاعات پیکسلی آن‌ها استخراج گردید. سپس این اطلاعات مورد تجزیه و تحلیل آماری قرار گرفته و تفاوت میانگین بین گروه‌ها با آزمون t-test مورد مقایسه قرار گرفت. نتایج به‌دست آمده بیانگر آن است که تصاویر سنجنده ETM+ که مربوط به اواسط فصل رویش می‌باشد قادر به تفکیک ترکیب خالص راش از اختلاط 70 درصد راش و 30 درصد ممرز و پایین‌تر می‌باشد. طبقه‌بندی تصویر با الگوریتم حداکثر احتمال انجام گردید. در طبقه‌بندی با چهار گروه، بیش‌ترین میزان احتمال با صحت کلی 63 درصد و ضریب کاپا 44 درصد بوده است. در پایان این نکته قابل ذکر می‌باشد که نتیجه طبقه‌بندی چهار گروه بالا با نتیجه استخراج شده از روش استفاده از ارزش‌های پیکسلی آن‌ها هم‌خوانی دارد. به این معنی که این طبقه‌بندی توانست جامعه با ترکیب خالص راش را با جامعه مرکب از اختلاط 70 درصد راش و 30 درصد ممرز و پایین‌تر را در طبقات جداگانه‌ای تفکیک نموده است.

کلیدواژه‌ها


عنوان مقاله [English]

Studying the possibility of using Landsat ETM+ imagery for separating different mixtures of Beech and Hornbeam in northern forest of Iran (Case Study: Choe Jie forest)

چکیده [English]

This research focused on determining the possibility of separating different percents of Beech and Hornbeam species based on two methods of spectral reflectance assessment and classification using landsat imagery in a northern forest of Iran. To do this, Landsat7 ETM+ imagery of the study area for 24 June, 2000 (middle of germination season) were provided. The 100×100 m (1 ha) sample plots with 90m distances from each other over 3 areas containing Beach and Hornbeam mixtures were transmitted from forest type map on a 1:25000 scale. Four groups were determined after field inventory, I) pure Beech, II) 80% Beech and 20% Hornbeam, III) 70% Beech and 30% Hornbeam and IV) 60% Beech and 40% Hornbeam. To avoid road reflectance interference with tree reflectance, sample plots were selected with 60 m distance from roads. Followed by digitizing the roads and plots, the images were geometrically corrected at the ortho level using 13 ground control points. Then, the digitized roads and sample plots were overlaid on 6 bands (1, 2, 3, 4, 5 and 7) of the ETM+ imagery and their pixel data were extracted. In the next step, the obtained data was statistically analyzed. The differences among the selected groups were compared via t-test method. The results showed the capability of ETM+ imagery in separating the pure Beech from the mixture of 70% Beech and 30% Hornbeam and 60% Beech and 40% Hornbeam. Then, the images were classified using a Maximum Likelihood Algorithm. Based on the classification results, the maximum likelihood were measured with 63% total accuracy and 44% kappa coefficient. The results of comparing four above mentioned groups using maximum likelihood classification method were in accordance with the results of applying their pixel values.

کلیدواژه‌ها [English]

  • Beech
  • hornbeam
  • Landsat ETM+
  • Classification
  • Mixtures of forest species