مقایسه قابلیت داده‎های لندست 7 و IRS-P6 در تهیه نقشه تراکم تاج پوشش جنگل‌های زاگرس (مطالعه موردی جنگل‌های شهرستان جوانرود)

نوع مقاله : مقاله کامل علمی پژوهشی

چکیده

پژوهش حاضر با هدف بررسی قابلیت داده‌های سنجنده ETM+ ماهواره لندست 7 و LISS-IV ماهوارهIRS-P6 در تهیه نقشه تراکم تاج پوشش جنگل در جنگل‌های شهرستان جوانرود استان کرمانشاه صورت گرفت. پس از بررسی کیفیت هندسی و رادیومتری داده‎ها، تصاویر سنجنده ETM+ مورد تصحیح هندسی قرار گرفت. تصحیح اتمسفری به روش مدل COST انجام شد. با به‌دست آوردن رابطه خط خاک و تعیین ضرایب آن، شاخص‌های گیاهی مناسب برای کاهش اثر بازتاب خاک ایجاد شدند. واقعیت زمینی نمونه‎ای از طریق روش تصادفی سیستماتیک و با شبکه‎ای به ابعاد 300×300 متر و با سطح قطعات نمونه 60×60 مترمربعی تهیه گردید. در هر قطعه نمونه میزان تاج پوشش درختان برداشت و درصد تاج پوشش کل درختان در هر قطعه نمونه و در هر هکتار محاسبه و تعیین شد. با انتخاب 25 درصد از قطعات نمونه از هر طبقه تراکم جنگل به‌عنوان نمونه تعلیمی، نشانه‎های طیفی طبقات استخراج و ترکیبات باندی مناسب با توجه به معیار واگرایی انتخاب شدند. به‌منظور برابرسازی ابعاد پیکسل‌های سنجنده LISS-IV با سطح محاسباتی تاج پوشش و سنجنده ETM+، ابعاد 6×6 پیکسل‌های سنجنده LISS-IV در هم ادغام و میانگین ارزش‎های آن‌ها به‌عنوان ارزش نهایی پیکسل ادغام شده در نظر گرفته شد. طبقه‎بندی داده‎ها به روش نظارت شده و با 4 طبقه تراکمی خیلی تنک، تنک، نیمه انبوه و انبوه صورت گرفت. نقشه واقعیت زمینی با 75 درصد قطعات نمونه باقی‌مانده از طبقاتی تراکم تاج پوشش تهیه و نتایج طبقه‎بندی با نقشه یادشده مورد ارزیابی قرار گرفتند. نتایج ارزیابی صحت نشان داد که بالاترین صحت کلی و ضریب کاپا در طبقه‌بندی 4 طبقه‌ای به‌ترتیب معادل 54/64 درصد و 43/0 با ترکیب 6 باندی منتخب و طبقه‌بندی‌کننده حداکثر احتمال با استفاده از داده‎های LISS-IV بوده است. با ادغام طبقات تراکمی خیلی تنک با تنک و نیمه انبوه با انبوه و انجام مجدد طبقه‌بندی، بالاترین صحت کلی و ضریب کاپا به‌ترتیب معادل 79 درصد و 58/0 با ترکیب 6 باندی منتخب و طبقه‌بندی‌کننده حداقل فاصله از میانگین با استفاده از داده‎های LISS-IV به‌دست آمد. براساس نتایج به‌دست آمده، در جنگل‌های مورد بررسی به‌عنوان بخشی از جنگل‌های زاگرس، به‌دلیل پایین بودن مقدار تاج پوشش جنگلی، بازتاب خاک و پوشش گیاهی کف جنگل، تفکیک طبقات تراکم تاج پوشش درختان به سختی صورت می‌گیرد و این امر مانع از دست‌یابی به نتایج بهتر می‎گردد.

عنوان مقاله [English]

Comparing Investigation on Landsat-ETM+ and IRS-P6-LISS IV Data for Canopy Cover Mapping of Zagros Forests (Case Study, Javanroud Forests)

چکیده [English]

In order to evaluate capability of the Landsat-ETM and IRS-P6-LISS IV images for canopy cover mapping a case study was done on the forests of Javanroud in Kermanshah province. After evaluation of the geometric and radiometric quality of the data, the ETM+ images, the ETM+ images were geometrically corrected with GCPs and the images were registered with RMSE error 0.46 and 0.48 pixels, for X and Y, respectively. The COST method was used to atmospheric correction. To reduce the effect of soil reflectance, suitable vegetation indices were prepared using soil line parameters. A ground truth map was generated through random systematic sampling method with sample size of 60×60m2. In each plot, the canopy of trees was measured in two directions and percentage of canopy cover was computed in hectare. The plots were classified to four classes (very thin, thin, semi-dense and dense) based on canopy cover. 25% of sample plots from each class was selected as training area and the best spectral bands were selected using divergence separability index between classes. Regarding to area of canopy cover computing and in order to pixel size equalization of LISS-IV and ETM+ images, 6×6 pixel size of LISS-IV images were merged and their average value was used as a final value of merged pixel. Supervised classification was accomplished on the best and main bands. The accuracy assessment of generated map was evaluated using 75% of sample plots. The results showed that using the best selected LISS-IV bands could better classify 4 classes than other images by maximum likelihood algorithm with 64.54% overall accuracy and 0.43 kappa coefficient. In order to develop the results, the very thin class with thin class and semi-dense with dense classes were merged and a new classification was repeated. The minimum distance to mean classifier algorithm using the best selected LISS-IV bands showed the highest overall accuracy and kappa coefficient equal to 79% and 0.58, respectively. It is concluded that in such sparse forests, low canopy area of forest species as well as the soil reflectance as background leads to undesirable results.