– (57)

بدست 92

Please enter banners and links.

3-4-2- پردازش تصاویر ماهواره‌ای34
3-4-2-1- نسبت‌گیری34
3-4-2-2- تجزیه مؤلفه اصلی35
3-4-2-3- آنالیز بافت35
3-4-2-4- تهیه نقشه واقعیت زمینی نمونه ای35
3-4-2-5- تعریف طبقات نقشه کاربری اراضی35
3-4-2-6-تهیه نقشه واقعیت زمینی36
3-4-2-7- برداشت اطلاعات زمینی برای طبقه بندی تراکم تاج پوشش37
3-4-2-8- بررسی تفکیک‌پذیری طبقات37
3-4-2-9- روش طبقه بندی37
3-4-2-10- ارزیابی صحت طبقه بندی38
4- نتایج40
4-1- بررسی کیفیت داده های ماهواره ای40
4-2- تصحیح هندسی40
4-3- تجزیه مولفه اصلی41
4-4- انتخاب نمونه تعلیمی41
4-4- 1- بررسی تفکیک‌پذیری نمونه های تعلیمی41
4-5- تعیین کاربری‌ها42
4-5-1- بهترین باندهای انتخاب شده جهت طبقه‌بندی42
4-5-2- نتایج طبقه‌بندی با استفاده از الگوریتم درخت طبقه‌بندی و رگرسیونی43
4-5-3- تهیه نقشه کاربری اراضی45
4-5-3-1- مساحت کاربری‌های موجود46
4-6- تعیین تراکم جنگل47
4-6-1- بررسی تفکیک‌پذیری نمونه های تعلیمی در تراکم تاج پوشش جنگل47
4-6-2- شناسایی بهترین باندها برای طبقه بندی تراکم جنگل48
4-6-3- نتایج طبقه‌بندی با استفاده از الگوریتم درخت طبقه‌بندی و رگرسیونی48
4-6-4- نتایج ماتریس طبقه‌بندی برای تعیین تراکم جنگل49
4-6-5- نقشه طبقه بندی تراکم جنگل50
4-6-5-1- مساحت طبقه بندی تراکم جنگل51
5- بحث و نتیجه‌گیری53
5-1- بحث53
5-1-1- تهیه نقشه کاربری اراضی53
5-1-2- طبقه بندی تراکم جنگل54
5-2- نتیجه گیری کلی56
5-3- پیشنهادات56
منایع58
چکیده انگلیسی (Abstract)62

فهرست جدولها
جدول 1-1- مشخصات سنجنده Pleiadas7
جدول 3-1- ترکیبات نسبت گیری تصاویر Pleiades34
جدول 3-2- توضیح کاربریهای عمده در منطقه36
جدول 4-1- نتایج مربوط به تجزیه مولفه اصلی41
جدول 4-2- بررسی میزان تفکیک پذیری بین طبقات42
جدول 4-3- نتایج مربوط به انتخاب بهترین متغیرها جهت طبقه‌بندی کاربری اراضی43
جدول 4-4- جدول ماتریس خطا مربوط به کاربری اراضی45
جدول 4-5-مساحت کاربری‌های موجود در منطقه47
جدول 4-6- آزمون تفکیک پذیری نمونه های تعلیمی مربوط به تراکم تاج پوشش جنگل47
جدول 4-7-بهترین باندها و میزان اهمیت در طبقه‌بندی تراکم جنگل48
جدول 4-8-نتایج ماتریس طبقه‌بندی برای تعیین تراکم جنگل50
جدول 4-9- مساحت کاربری‌های موجود در منطقه51

فهرست شکلها
شکل 1-1- ساختار کلی مدل طبقه‌بندی رگرسیون درختی17
شکل 3-1- موقعیت منطقه مورد مطالعه در کشور ایران، استان لرستان و موقعیت قطعات نمونه32
شکل 4-1- قرار دادن لایه های برداری جاده ها بر روی تصویر رنگی کاذب سنجنده ETM+40
شکل 4-2- درخت حاصل از طبقه‌بندی درختی جهت تعیین کاربری اراضی44
شکل 4-3- کاربری اراضی موجود در منطقه46
شکل 4-4- درخت طبقه‌بندی جهت طبقه بندی تراکم جنگل49
شکل 4-5- نقشه تراکم جنگل در منطقه مورد مطالعه50
فصل اول
مقدمه و کلیات
1-مقدمه و کلیات1-1-مقدمهبدون تردید زیستگاههای زیست‌کره به میراثهای باارزش طبیعی هر سرزمین و کشور محسوب میشوند که بین گستردهای از اکوسیستمهای دست‌نخورده، تنوع عظیمی از گونههای گیاهی و جانوری به سیمای منحصر به فردی از چشم‌اندازها، عوارض زمین و آثار تاریخی فرهنگی بیشمار و دارای ارزشهای اقتصادی و آموزشی، پژوهشی و تفرجگاهی در گستردهای نه‌چندان وسیع می‌باشند. برخلاف تصور عالم از این قبیل مناطق که آن‌ها را مانند ســــرمایهای راکد و حتـــــی بعضاً در جهت برخی استفادههای ویژه انحصاری میپندارند، حفاظت پایدار از چنین منطقههایی که تنها در گروه درک و شناخت واقعی ارزشهای نهفته و در آن‌ها امکانپذیر است به واقع تعیین کننده پایداری روند توســــــعه سرزمین محسوب میگردد (رضایی بنفشه و همکاران، 1375). استفاده انسان از سرزمین ساختار و کارکردهای اکوسیستم را تغییر میدهد. (گزارش سازمان ملل متحد، 2001). گام اصلی در تعیین کاربری، استفاده از فنآوری سنجش از دور است. این دادهها به دلیل پوشش گسترده، سهولت در پردازش، هزینه کمتر و همچنین در دسترس بودن می‌تواند گزینه مناسبی برای تعیین کاربری اراضی باشد. از طرفی جنگلهای غرب کشور به عنوان یکی از مجموعه پوششهای جنگلی کشور، علاوه بر ویژگی‌های اکولوژیکی خاص، تأثیرات مهمی بر زندگی مردم منطقه دارد. بهره‌برداری از این جنگل‌ها موجب شده که این تودهها همانند بسیاری از مناطق جنگلی دستخوش تغییرات شدید و تخریبهایی شود، از این‌رو تلاش برای حفظ رویشگاههای طبیعی این گونه که امروزه تنها سطح اندکی از جنگلهای نیمه انبوه آن باقی مانده است ضرورت دارد. برای شناسایی و مدیریت این اکوسیستم باارزش به نقشههای موضوعی مرتبط با جنگل نیاز است. آگاهی از وضعیت انبوهی (درصد تاج پوشش) این جنگل‌ها برای اجرای رویکردهای مدیریت و کنترل (حفظ و احیای) از مهم‌ترین اقدامات اولیهای است که در شناسایی این جنگل‌ها ضرورت پیدا می‌کند. علاوه بر این جنگل‌های زاگرس از جمله مناطق مهم و باارزش منابع طبیعی کشور ایران است که وسعتی بالغ بر یک پنجم سطح و جمعیتی حدود یک سوم جمعیت کل کشور را در خود جای داده است. تعداد گونه‌های درختی و درختچه‌ای بالغ بر 190 گونه، در سطح 2/5 میلیون هکتار این جنگل‌ها وجود دارد (فتاحی،2005). از آنجایی که استفاده روش‌های معمول جهت طبقه‌بندی تراکمی، در شرایط جنگل‌های زاگرس به لحاظ شرایط پستی و بلندی و امکانات موجود، با صرف وقت و هزینه زیاد همراه می‌باشد، لذا استفاده از فنونی که بتواند امکان تهیه نقشه را با صرف زمان و هزینه کمتری فراهم کند ضروری به نظر می‌رسد. روش‌های مختلفی به -منظور دستیابی به این اطلاعات وجود دارد که بیشتر آن‌ها نیازمند صرف زمان طولانی و هزینه زیاد میباشد. سنجش از دور ماهوارهای با کمک دادههای چند طیفی با توان تفکیک زیاد می‌تواند گزینهای مناسب در این زمینه باشد و نقش مهمی را در به دست آوردن اطلاعات به هنگام ایفا نماید. نتایج تحقیقات سنجش از دور در شرایط متنوع رویشگاهی و وضعیت جنگل بسیار متفاوت میباشد (حسینی و همکاران، 1391). از این‌رو ضروری است که قابلیت دادههای ماهواره‌ای در شرایط مختلف تعیین و با یکدیگر مقایسه شوند. از نتایج این گونه مقایسه‌ها می‌توان در انتخاب دادههای ماهواره‌ای در کارهای اجرایی استفاده نمود. یکی از مهمترین راهها برای استخراج اطلاعات از دادههای سنجش از دور طبقهبندی هست. در اکثر مطالعات از روش‌های پارامتری برای طبقهبندی تصاویر استفاده شده است که این روش‌ها دارای محدودیتهایی مانند حساسیت به وجود دادههای پرت و همچنین نیاز به نرمال بودن نمونههای تعلیمی و … دارند. در این مطالـــــعه از روش ناپارامتری درخت طبقهبندی و رگرسیونی برای طبقهبندی تصاویر استفاده میشود. از طرفی در بیشتر مطالعات قبلی از سنجندههایی با قدرت تفکیک متوسط برای تعیین کاربری و تراکم جنگل استفاده شده است. هدف از این مطالعه تعیین کاربری فعلی منطقه و تراکم جنگل با استفاده از آنالیز بافت تصاویر سنجنده pleiades و روش درخت طبقهبندی و رگرسیونی استفاده میشود. امید است این مطالعه در صورت دقت بالا جهت مدیریت این مناطق مفید باشد. شناسایی دقیق مرز هر یک از کاربریها و تراکمهای مختلف تاجپوشش می‌تواند مدیران و برنامه ریزان را برای کنترل و برنامه‌ریزی مفید و مؤثر یاری نماید.
1-2- فرضیههای تحقیقبا استفاده از تصاویر سنجنده Pleiades میتوان کــاربری اراضی را با دقت بالایی تعیین کرد.
تصاویر سنجنده Pleiades دارای قابلیت بالایی در تعیین تراکم جنگل میباشد.
1-3- اهداف تحقیقتعیین قابلیتها و محدودیتهای تصاویر سنجنده Pleiades در تعیین کــاربری اراضی، تراکم جنگل
تهیه نقشه موضوعی کاربری اراضی و تراکم جنگل
1-4-تعاریف و مفاهیم1-4-1-کاربری اراضیکاربری اراضی نتیجه روابط متقابل پارامترهای اجتماعی- فرهنگی و توان بالقوه سرزمین است. تعیین تغییرات فرایندی است که طی آن تغییرات یک موضوع یا پدیده به کمک مشاهده آن در زمانهای مختلف، مشخص میشود (سرپیکو و بروزون[1]، 1999). تغییرات در کاربری و پوشش اراضی نتایج چشمگیری در محیط زیست دارد. الگوهای موجود در کاربری به دلیل تأثیر نوع استفاده اراضی نیز دارای اهمیت می‌باشد. پایداری منابع طبیعی مستقیم و یا غیرمستقیم با پوشش سطحی اراضی منطقه ارتباط دارد. از اینرو حفظ هماهنگی بین منابع پایدار و نیازهای اجتماعی – اقتصادی نیازمند مطالعاتی در زمینه پوشش اراضی و کاربری اراضی هست. افزایش شناخت محیط زیست و تلاش برای مدیریت پایدار منابع طبیعی نیازمند مطالعه و پایش کاربری اراضی و پوشش اراضی و تغییرات آن برای مقیاسهای زمانی و در مکانهای گوناگون است (محمد اسماعیل، 1389).
1-4-2- سنجش از دور[2]
سنجش از دور یعنی تشخیص و جمع‌آوری دادهها از فاصله دور. عمدتا به عنوان فناوری و علمی تعریف میشود که به وسیله آن می‌توان بدون تماس مستقیم، مشخصه‌های، مکانی، طیفی، زمانی یک شی یا پدیده را تعیین، اندازه‌گیری و یا تجزیه و تحلیل نمود. با نداشتن تماس مستقیم، باید روشی برای انتقال اطلاعات از طریق فضا مورد استفاده گیرد. برای این منظور، واسطههای مختلفی مانند میدان جاذبه، میدان مغناطیسی، امواج صوتی و انرژی الکترومغناطیسی مورد استفاده قرار می‌گیرد. با این وجود، فناوری رایج در سنجش از دور، استفاده از امواج الکترومغناطیس است. سنجش از دور در علوم منابع زمینی عبارت است از اندازه‌گیری خصوصیات پدیده‌های سطح زمین با استفاده از دادههایی که از راه دور توسط هواپیما و ماهواره کسب میشوند (درویش‌صفت، 1377). تصاویر ماهوارهای اساساً شکل رقومی دارند به طور کلی سنجش از دور به‌عنوان ابزاری بسیار سودمند در مطالعات مختلف علوم و منابع زمینی و پوشش گیاهی مطرح بوده که علاوه بر پژوهشگران و دانشمندان علوم گیاهی، سازمانهای مختلف مدیریتی و حفاظتی در زمینه منابع طبیعی نیز استفاده از آن را مورد توجه قرار می‌دهند.
اصولاً تکنیکهای تفسیر تصویر برای استخراج اطلاعات از دادههای ماهوارهای به دو صورت بصری و رقومی هست. بشر برای توصیف و تشخیص پدیدههای مختلف تکیه فراوانی بر رنگ و تن آن‌ها دارد (ولف[3]، 1974). چشم انسان تنها قادر به رویت بخشی از طیف خورشیدی هست که در محدوده رنگهای مرئی آبی (nm 500-400)، سبز (nm 600-500) و قرمز (nm 700-600) باشد و خارج از این محـــدوده عمل میکنند فقط می‌توان برای تفسیر بصری عوارض و پدیدههای مختلف استفاده کرد. با این حال بسیاری از سامانههای سنجش از دور می‌توانند در محدوده طیف فرو سرخ (nm 800-700) نیز تولید داده کنند که این اطلاعات توسط سنجندهها دریافت و از نظر کمی اندازه‌گیری می‌شوند (جنسن[4]، 1983).
1-4-3- کاربرد سنجش از دورمعروفترین کاربرد سنجش از دور در نقشهبرداری و سامانه اطلاعات جغرافیایی[5] است و همچنین مواردی از جمله بررسی تغییرات کاربری اراضی و پوشش، پایش تغییر سطح جنگل‌ها و پوشش گیاهی، جنگل‌زدایی، تولیدمثل و بهرهبرداری چوب جنگل‌ها، کشف تغییر در چشم‌اندازها، بررسی و شناخت فضای بیکران، پاپش محیط زیست، اقیانوس‌شناسی، کمک به پیشگیری و مدیریت بلایای طبیعی (سیل)، زلزله، سونامی و غیره، کویرزدایی، اکتشاف و استخراج منابع زیرزمینی، امداد و نجات رصد تغییرات آب و هوای جهان، استفاده از آن در زمین‌شناسی، معدن، شیلات، کارتوگرافی، جغرافیا، مطالعات زیست‌شناسی، مطالعات زیست‌محیطی، کشاورزی، جنگلداری، توسعه اراضی به طور کلی مدیریت منابع طبیعی و غیره می‌توان اشاره کرد.
1-4-4- سنجنده[6]
هر وسیله‌ای که اشعه الکترومغناطیسی را دریافت کرده، انرژی دریافتی را پس از اعمال یک سری تبدیلات به صورتی قابل بازیافت به صورت عددی و آنالوگ ذخیره می‌نماید.
1-4-4-1- تقسیم‌بندی سنجنده ها براساس منبع انرژی1-4-4-1-1- سنجنده های فعال[7]
این سنجنده خود دارای مولد انرژی الکترومغناطیسی هستند. این انرژیها به طرف پدیده موردنظر فرستاده شده و بازتاب آن‌ها جمعآوری و ثبت می‌گردند، مثل عکاسی با فلاش، میکرویو فعال و رادار یا تشخیص و مسافت یابی رادیویی (زبیری و مجد، 1387).
1-4-4-1-2- سنجنده غیرفعال[8]
هنگامی مطرح می‌شود که یک منبع طبیعی انرژی که عمدتاً خورشید است مورد استفاده قرار گیرد. مثل عکس‌برداری در روز با انواع دوربین‌ها، اسکنرها و میکرویو غیرفعال
انواع سنجنده های راداری و یا لیزری نمونه بازی این نوع هستند.
1-4-5- طیف الکترومغناطیستابش الکترومغناطیس به علت اتمها و مولکولهای موجود در مواد هست. طیف الکترومغناطیس منبع معمول دادههای سنجش از دور است. متداولترین واحدی که برای اندازهگیری طول موج در طیف الکترومغناطیس مورد استفاده قرار میگیرد، میکرومتر است. بخشهای طیف الکترومغناطیسی به کار رفته در سنجش از دور در امتداد یک طیف پیوسته قرار میگیرند که در محدوده وسیعی شامل امواجی با طول موج بسیار کوتاه و اشعه گاما تا بسیار بلند (امواج رادیویی) قرار می‌گیرد.
بخش مرئی این طیف در محدوده بین 4/0 میکرومتر تا 7/0 میکرومتر قرار دارد. به طوری که رنگ آبی تقریبا بین طول موج 4/0 تا 5/0 میکرومتر، رنگ سبز تقریبا بین طول موج 5/0 تا 6/0 میکرومتر و رنگ قرمز تقریبا بین طول موج 6/0 تا 7/0 میکرومتر می‌باشد. در انتهای نور قرمز محدوده طیف مرئی، سه نوع امواج مادون قرمز وجود دارد، از 7/0 میکرومتر تا 3/1 میکرومتر مادون قرمز نزدیک، از 3/1 میکرومتر تا 3 میکرومتر مادون قرمز میانی بیش از 3 میکرومتر مادون قرمز حرارتی قرار دارد. در طول موجهای بیشتر از 1 میلی‌متر بخش امواج کوتاه (میکروویو) طیف وجود دارد.
اکثر سیستمهای سنجش متداول در یک یا چندین بخش از قسمتهای مرئی، مادون قرمز یا میکروویو طیف الکترومغناطیس فعالیت می‌کنند. به عبارت دیگر هر یک از سیستمهای سنجنده به نواحی خاصی از طیف الکترومغناطیس حساس بوده و قسمتی از خصوصیات طیفی اجسام را ثبت می‌کنند.
1-4-6- سنجنده Pleiadasاین سنجنده در 16 دسامبر سال 2011 به هوا پرتاب شد. این سنجنده روزانه قادر است یک میلیون کیلومتر مربع را پوشش دهد. این سنجنده دارای چهار باند رنگی آبی، سبز، قرمز و مادون قرمز با قدرت تفکیک مکانی 2 متر و یک باند سیاه و سفید با قدرت تفکیک مکانی نیم متر میباشد. صحت تصحیح این تصاویر در سطح 1A، سه متر مربع میباشد؛ که دقت این تصحیح این تصاویر با استفاده از نقاط کنترل زمینی تا یک متر نیز میتواند بهبود یابد. مشخصات این سنجنده در جدول (1-1) آورده شده است.
جدول 1-1- مشخصات سنجنده pleiadas
باند محدوده طیفی (نانومتر)
آبی 430 – 550
سبز 490 – 630
قرمز 600 – 720
مادون قرمز 750 – 920
سیاه و سفید 480 – 830
1-4-7- منحنی رفتار طیفیمقدار انرژی که به سنجنده میرسد بستگی زیادی به چگونگی تعامل انرژی و جسم دارد. پدیدههای مختلف در برابر تابش انرژی الکترومغناطیسی پاسخهای متفاوتی ارائه میدهند؛ اما آنچه مشخص است که واکنش نوری پدیدهها در سه حالت جذب، عبور و بازتاب خلاصه میشود. میزان چیرگی هر کدام از سه مورد یاد شده، بستگی به ویژگیهای فیزیکی و شیمیایی پدیده و طول موج الکترومغناطیسی دارد. اگر برای هر جسم مقدار انرژی منعکس شده از کل انرژی رسیده به جسم را در طول موجهای مختلف اندازه‌گیری و آن‌ها را به صورت یک نمودار ترسیم نماییم، منحنی حاصل را منحنی رفتار طیفی[9] میگویند. محور افقی این منحنی طول موج و محور عمودی نمودار، نمایانگر درصد انرژی بازگشتی است (شکل 1-3). اندازهگیری این انرژیها در آزمایشگاه و یا در محیطهای واقعی انجام پذیرد. پس از ترسیم منحنی رفتار طیفی اطلاعات بسیار زیادی راجع به شیء و چگونگی ظاهر شدن آن در تصویر می‌توان به دست آورد.
1-4-8- پیش‌پردازش[10] دادههای ماهوارهایقبل از اینکه تصاویر ماهوارهای را بتوان به عنوان یک منبع داده استفاده کنیم باید از کیفیت این دادهها اطلاع پیدا کنیم. این فرآیندها به منظور استخراج هرچه بهتر اطلاعات از این دادهها انجام میشود؛ اما اصلیترین کارها برای پیش‌پردازش تصحیح هندسی و رادیومتریک هست. پس از انجام پردازشهای اولیه و تهیه تصاویر با کیفیت مناسب، می‌توان سایر پردازشهای رقومی لازم را جهت کسب اطلاعات مفید در مرحله بعد انجام داد.
1-4-8-1- تصحیح هندسی دادههادادههای تصویری خام به دست آمده از ماهوارهها یا هواپیماها، نشاندهنده سطح نامنظم زمین میباشند. تصاویر سنجش از دور برخلاف نقشهها از ابتدا در یک سیستم مختصات مشخص قرار ندارند. تصحیح هندسی علاوه بر حذف و کاهش خطاهای هندسی یک سیستم مختصات مشخص را نیز به تصویر اعمال کرده و تا حدی مختصات یک نقشه را از نقطه نظر هندسی به تصویر میدهد. روش‌های تصحیح هندسی به دو دسته روش جزء به جزء و روش کلی تقسیم میگردند (ریچارد[11]، 1986): روش جزء به جزء نیازمند مدل کردن تک تک خطاها و دانستن پارامترهای مربوطه است ولی روش کلی کلیه خطاها را به‌وسیله یک رابطه به مدل تبدیل میکند. این رابطه تبدیل، ضمن انتقال مختصات تصویری به مختصات نقشهای پارامترها را نیز برای خطاهای مدل در نظر میگیرد (فاطمی و رضایی، 1385). از جمله روش‌های کلی برای انجام تصحیح هندسی می‌توان به روش چندجمله‌ای با استفاده از نقاط کنترل زمینی اشاره کرد. روش چندجمله‌ای با استفاده از نقاط کنترل زمینی در میان دیگر روشها دارای عمومیت بیشتری است که در طی سه مرحله کلی انتخاب نقاط کنترل و تعیین مختصات آن‌ها، تعیین معادله تطابق و در نهایت تعمیم معادله تطابق و انجام نمونهگیری مجدد[12] صورت میگیرد (درویش‌صفت، 1377).
1-4-8-2- تصحیح ارتفاعی[13]
تصحیح ارتفاعی نوعی تصحیح است که به اصلاح جابجایی زمین میپردازد. استفاده از مدل رقومی ارتفاع منطقه مورد مطالعه در افزایش دقت این تصحیح تأثیر بسزایی دارد. این ‌روش بر پایه معادلات هندسه نقاط استوار است که می‌توان آن‌ها را از نقاط کنترل سه‌بعدی استخراج کرد به طور کلی بکارگیری این‌روش در نواحی کوهستانی (ادهمی و خلاقی، 1386) و در کارهایی همانند اندازهگیری و تعیین پارامترهای کمی و کیفی ساختاری جنگل (شتایی، 1384) که نیاز به دقت بالا دارند انجام میشود.
1-4-8-3- تصحیح خطای اتمسفریخطای اتمسفری در اثر جذب و پراکنش ذرات اتمسفر پیش میآید. خطاهای اتمسفری باعث محو جزئیات تصویر میشود و بدین وسیله از قدرت تفکیک مکانی سنجنده نیز میکاهند. بیشترین اثر اتمسفری مربوط به پراکنش است که وابستگی زیادی به طول موج دارد، بنابراین اثر اتمسفر در باندهای مختلف یک سنجنده با هم یکسان نیست. هرچه طول موج بیشتر شود اثر پراکنش اتمسفری نیز کمتر خواهد شد. زاویه دید سنجنده نیز عامل دیگری است که بر مقدار خطای اتمسفری مؤثر است. خطای اتمسفری در تصاویری که با زاویه دید بزرگ گرفته شدهاند، یا دارای عرض برداشت بزرگی هستند معمولاً به طور ناهمگون ظاهر میشود. در کنارههای تصویر، خطاهای اتمسفری بیشتر از وسط تصویر هست و این به علت مسیر طولانیتری است که امواج الکترومغناطیس برای پیکسلهای کناری باید در اتمسفر طی کنند (ریچارد، 1986).
تصحیحات اتمسفری در کارهای معمولی موقعیکه مقدار خطای اتمسفری چندان بالا نباشد که به عنوان مانعی برای استخراج اطلاعات محسوب شود، اغلب اعمال نمیشود. ولی در کارهای دقیق مخصوصاً در مواردی که به مقادیر واقعی انرژیهای ساطع شده از اشیاء نیاز است، تصحیحات اتمسفری باید روی تصویر اعمال شود. تصحیح اتمسفری در مواردی که شدت سیگنال ارسالی از طرف اشیاء از اثرات اتمسفری کمتر باشد نیز لازم میشود. آب جذب کننده انرژی الکـترومغناطیسی مخــصوصاً در طول موجهای بلند است و بنابراین مقدار انرژی ساطع شده از سطح آب پایین و معمولاً اثر اتمسفری در مناطق آبی قابل توجه است. در هنگام کشف تغییرات و مقایسه دو تصویر در دو زمان مختلف نیز بهتر است اثر اتمسفری از روی مقادیر پیکسلها برداشته شود تا بتوان مقایسه بهتری از تصاویر مورد استفاده به منظور کشف تغییرات داشت.
روش‌های تصحیح اتمسفری را می‌توان به دو دسته کلی تقسیم نمود که عبارتند از:
روش مدل کردن (Detailed correction) و تصحیح کلی (Bulk correction). در روش مدل نمودن پارامترهای اتمسفری مؤثر بر انرژی الکترومغناطیسی نظیر دما، میزان رطوبت، فشار اتمسفری و … را اندازهگیری کرده و اثر آن‌ها بر روی انرژی ارسالی از سطح اشیاء به سمت سنجنده را مدل میکنند. چنین روشی نیازمند دانستن پارامترهای زیادی است که گاه مقدار دقیق آن‌ها نیز مشخص نبوده و برآورد آن‌ها نیز مشکل است. علاوه بر اینکه در بسیاری از کاربردها به چنین تصحیح دقیق و مشخصی هم نیاز نیست. در تصحیح کلی معمولاً به یک روش سعی در تصحیح نسبی و کاهش اثر اتمسفری روی تصویر دارند. در این روش‌ها معمولاً به پارامترهای زیادی نیاز نیست و تصحیح اتمسفری به طور تقریبی بر تصویر اعمال مـــیشود. در روش کلی فرض بر این است که در هر باند از تصویر می‌توان پیکسلهایی یافت که مقادیر آن‌ها صفر و یا نزدیک به آن هست، (مثلاً مناطق آبی که در طول موجهای بلند انعکاسهای پایینی دارند). به این ترتیب اثر اتمسفری تابش انحرافی به صورت یک مقدار ثابت به پیکسلها در هر باند اضافه میگردد. بنابراین اگر هیستوگرام هر باند در نظر گرفته شود کمترین مقدار هیچگاه صفر نخواهد بود.
مقدار پراکنش اتمسفری با توجه به افزایش طول موج، کاهش مییابد و بنابراین مقدار شیفت هیستوگرام در باندهای با طول موج بلندتر، کمتر از باندهایی است که در طول موجهای کوتاهتر قرار گرفتهاند. تصحیح در این‌روش با تعیین مقدار شیفت هیستوگرام و کم کردن آن از مقدار پیکسلها در هر باند انجــــام میپذیرد (ریچارد، 1986). اثر اتمسفری معمولاً به صورت خطای جمع شونده ظاهر میگردد که در نتیجه باعث روشنی بیش از حد تصویر و کاهش وضـوح تصویر میشود که به آن خطای Haze میگویــند. روش‌های تصحیح اتمسفری متنوع میباشند از جمله این روش‌ها می‌توان به PIF[14]، RCS[15]، COST[16]، S[17]6 میتوان اشاره کرد.
1-4-9- پردازش رقومی تصاویر[18]
پردازشهای مختلف نظیر نسبتگیری، تجزیه مؤلفه اصلی، ادغام باندها برروی دادههای ماهوارهای در راستای اهداف این تحقیق صورت گرفته است به ترتیب به شرح ذیل بیان گردید:
1-4-9-1- محاسبات تصویری[19]
در بعضی مواقع استفاده از باندهای اصلی تصاویر برای رسیدن به هدف و استخراج اطلاعات موردنظر کافی نیست و باید پردازشهای مختلفی بر روی آن‌ها انجام پذیرد. از مجموعه پردازشهای ممکن، استفاده از محاسبات تصویری است. محاسبات تصویری به مجموعه عملیات و محاسباتی گفته میشود که روی چند باند (بیش از یکی) انجام شده و نتیجه آن یک (شبه) تصویر خواهد بود. قبل از انجام محاسبات تصویری، تمامی باندهای مورد استفاده از لحاظ رادیومتریکی، باید تصحیح شده باشد. با انجام عملیات حسابی، باندهای مصنوعی[20] ایجاد می‌شود که در اصطلاح شاخصهای گیاهی گفته میشود. عمل نسبت گیری از پرکاربردترین عملیات حسابی است که در دادههای ماهوارهای، جهت مطالعات منابع زمینی مورد استفاده قرار میگیرد (شتایی، 1382).
1-4-9-2- تجزیه مؤلفههای اصلی[21]
تجزیه یا تحلیل مؤلفه اصلی (PCA) به‌عنوان روشی برای فشرده‌سازی داده بکار گرفته میشود. دادههای باندهای چند طیفی، به دلیل بازتاب پدیدههای معین در باندهای طیفی و یا همپوشانی پاسخ طیفی باندها، دارای همبستگی بالایی میباشند. دلایل اصلی همبستگی در دادههای چند باندی، شامل تشابه بازتاب پدیدهها در باندهای طیفی با ویژگی معین و همپوشانی حساسیت طیفی باندهاست (شتایی، 1384). همبستگی زیاد بین دادههای دو باند طیفی را می‌توان تکرار اطلاعات یک باند در باند دیگر تلقی نمود (درویش‌صفت، 1377). نتیجه این اطلاعات تکراری بالا رفتن زمان پردازش و گاه پایین آمدن دقت پردازش هست (فاطمی و رضایی، 1385). تجزیه مؤلفه اصلی دادههای اضافی را در باندهای کمتری فشرده میکند (در حقیقت ابعاد دادهها را کاهش میدهد). باندهای داده PCA فاقد همبستگی بوده و مستقل از یکدیگر هست (ادهمی و خلاقی، 1386). تجزیه مؤلفههای اصلی به دو صورت استاندارد (تمامی باندهای یک سنجنده) و انتخابی (انتخاب باندهایی که دارای همـبستگی بالایی هستند) انجام میگیرد (درویش‌صفت، 1377). یکی از کاربردهای مهم تجزیه مؤلفه اصلی در برآورد مشخصههای کمی و بررسی تغییرات با استفاده از دادههای چند زمانه است (شتایی، 1384).
1-4-10- روش‌های رقومی استخراج اطلاعاتهدف اصلی سنجش از دور، استخراج اطلاعات مفید از دادههای دورسنجی اســـت. استخراج اطلاعات می‌تواند با انجام تفسیر بصری، تجزیه و تحلیل رقومی داده‌ها و نیز تلفیق هر دو روش صورت میگیرد. در تفسیر به روش بصری از عواملی مانند تن، رنگ، شکل، اندازه نسبی، بافت، نقش و غیره در کنار تجارب مفسر استفاده میگردد. در روش رقومی، تجزیه و تحلیل، غالباً در پیکسلها به‌طور منفرد و اطلاعات طیفی آن‌ها استوار است. غالباً روش‌های تفسیر بصری به دلیل وجود اختلاف سلیقه و نظر در استخراج و ارزیابی اطلاعات کمتر مورد استفاده قرار میگیرد (محمدی، 1386). روش‌های رقومی استخراج اطلاعات از تصاویر ماهوارهای متنوع‌اند و محققین سعی در ارائه روش‌های بهینه و کارا برای استخراج اطلاعات از تصاویر ماهوارهای داشتهاند. روش‌های عمده استخراج اطلاعات از تصاویر ماهوارهای (به‌صورت رقومی) را می‌توان به چهار دسته اصلی تقسیم نمود: استفاده از حد آستانهها یا برش گذاری، محاسبات تصویری، طبقهبندی و قطعهبندی (فاطمی و رضایی، 1385).
1-4-10-1- تحلیل بافتبافت را در واقع می‌توان به صورت تابعی از تغییرات مکانی شدت روشنایی پیکسلها تعریف کرد؛ و تغییراتی هستند که ویژگیهای نرمی، زبری، همواری و منظم بودن هر سطح را بیان می‌کنند (گونزالز و همکاران[22]، 2002)؛ و این اطلاعات به نوع تصویر آنالیز شده با توجه به قدرت تفکیک سنجنده، دامنه طیفی و ابعاد، شکل و توزیع مکانی شی مورد مطالعه بستگی دارد (کاجیسا و همکاران[23]، 2009). در این مطالعه برای مشخصه آنالیز بافت 13 نوع معیار مشخصه همگنی[24]، تباین[25]، ناهمگنی (عدم تجانس)[26]، میانگین، واریانس، آنتروپی[27]، همبستگی[28]، زاویه دوم لحظهای[29]، GLDV زاویه دوم لحظهای، GLDV آنتروپی، GLDV میانگین، GLDV کنتراست و تفاضل معکوس[30] که بیشتر مرتبط با آنالیز تصویر ماهوارهای هستند (کار و میراندا[31] 1998؛ سو و ساتسولیس[32]، 1999، سولبرگ[33]1999). هرکدام از این 13 معیار نشان‌دهنده‌ی یک تعریف می‌باشند به عنوان مثال میانگین و انحراف معیار به ترتیب نشان‌دهنده فراوانی و تغییرپذیری باندهای طیفی در یک شیء، همبستگی، میزان وابستگی خطی رنگ خاکستری در تصویر، آنتروپی (Entropy) میزان بی‌نظمی در تصویر است، در صورتی که تصویر همسان باشد مقدار آنتروپی کمتر است. ناهمگنی (Dissimilarity) مشابه کنتراست می‌باشد اما در عوض وزن دهی نمایی قطری، افزایش وزن در ناهمگنی به صورت خطی، زاویه دوم لحظهای (Angular second moment) میزان توزیع تراکم پارامترهای ماتریس هم اتفاقی، همگنی (Homogeneity) میزان یکسان یا یک‌جور بودن در تصویر، GLDV زاویه دوم لحظه‌ای زمانی که برخی از عناصر دارای ارزش بالا و برخی دیگر دارای ارزش پایین میباشد در سطح تصویر همگن‌سازی می‌کند، مشابه زاویه مشترک لحظهای عمل می‌کند. GLDV آنتروپی زمانی که همه عناصر در تصویر دارای ارزش یکسان باشند مخالف GLDV زاویه مشترک لحظه‌ای می‌باشد. GLDV میانگین معادل رابطه ریاضی اندازه‌گیری عدم تجانس بالا در تصویر و GLDV کنتراست نیز معادل رابطه ریاضی اندازهگیری کنتراست بالا میباشد.
1-4-11- پردازش دادهها[34]1-4-11-1- طبقهبندی دادههای ماهوارهایهمان‌طور که گفته شد یکی از مهمترین و پرکاربردترین تکنیکها در پردازش دادههای ماهوارهای به منظور مطالعه کاربری اراضی انجام طبقهبندی تصـــاویر ماهوارهای هست. طبقهبندی به تشخیص و تفکیک گروههایی از پیکسلها که دارای اعداد رقومی نزدیک به یکدیگر میباشند گفته میشود. اعداد رقومی با این فرض که هر دسته از پیکسلهای مشابه معرف یک پدیده (طبقه) میباشند، بر اساس تشابه و نزدیکی خصوصیات طیفیشان دستهبندی میگردند. طبقهبندی پیکسلها را می‌توان به دو صورت نظارت شده و بدون نظارت انجام داد.
1-4- 11-1- 1- طبقهبندی بدون نظارتدر این طبقهبندی شناخت اولیه در مورد مشخصات طبقهها ضروری نبوده و مفسر دخالت چندانی در امر طبقهبندی ندارد. این طبقهبندی در دو مرحله انجام میگیرد. در مرحله اول پیکسلهای تصویر به گونهای دستهبندی میشوند که مشخصات پیکسلهای هر گروه تا حد ممکن به هم شبیه و در ضمن از گروههای مجاور کاملاً متمایز گردند و در مرحله دوم گروهها بر اساس موقعیت و پراکنش آن‌ها در تصویر و همچنین انجام کارهای میدانی تفسیر و شناسایی میشوند. از این طبقهبندی در موارد زیر استفاده میشود:
الف) شناخت تعداد طبقههای قابل تفکیک
ب) تعیین نمونههای تعلیمی برای طبقهبندی نظارتشده
1-4-11-1-2- طبقهبندی نظارتشدهاین‌روش بر پیششناخت دقیق طبقههای موردنظر استوار است. بدین مفهوم که مجموعه کوچکی از پیکسلها به عنوان نمونههایی از طبقات موردنظر تعیین میشود. موقعیت این پیکسلها معمولاً از طریق کار زمینی و یا با استفاده از اطلاعات جنبی تعیین میشود. به‌صورت کلی در این طبقهبندی ضرورت تعریف و شناخت دقیق طبقهها و تعیین نمونههای تعلیمی که به‌طور کامل و جامع طبقههای موردنظر را تشریح و ارائه نماید مد نظر هست. در این‌روش طبقهبندی چهار مرحله انجام میگیرد:
الف) انتخاب و تعیین طبقهها
مرحله اول در انجام یک طبقهبندی نظارتشده تعیین نوع و تعداد طبقهها هست. مفسر باید در انتخاب طبقهها علاوه بر دیدگاه موضوعی و تخصصی زمینه مورد عمل ویژگیها و تواناییهای سنجش از دور را نیز مد نظر قرار دهد و در ضمن تعریف حتیالامکان جامع و کاملی از طبقاتی که نمایانگر مرز بین آن‌ها هست، به منظور تفکیک و نامگذاری طبقات در اختیار داشته باشد. باید به این نکته توجه داشت که افزایش تعداد طبقات، باعث کاهش صحت طبقهبندی میشود و مفسر به دلیل محدودیت دادههای ماهوارهای در ارتباط با تفکیک پدیدههای مختلف ناچار به ادغام طبقهها و کاهش آن‌ها میگردد. از روش‌های مختلف محاسبه تفکیکپذیری نمونههای تعلیمی برای سنجیدن این قابلیتها استفاده میشود که در جای خود توضیح داده خواهد شد.
ب) انتخاب نمونههای تعلیمی و اصلاح آن‌ها
نمونههای تعلمی نقش مهمی در صحت نتایج حاصل از طبقهبندی ایفا مینمایند. لذا اهمیت دقت در انتخاب نمونههای تعلیمی بسیار لازم و ضروری هست. نمونههای تعلیمی تا حد ممکن باید همگن بوده و مشخصات طیفی طبقات را به‌خوبی ارائه دهند و همچنین معرف طبقه موردنظر نیز باشند. تعداد و بزرگی قطعات نمونههای تعلیمی به وسعت، یکنواختی، همگنی و یکپارچگی طبقات بستگی دارد. طبقات وسیع، ناهمگنتر و پراکندهتر نیاز به قطعات نمونه بیشتری دارند. لازم به ذکر است که نمونههای تعلیمی متعدد و کوچک با پراکنش مناسب در هر طبقه مناسبتر از تعداد اندک نمونه تعلیمی بزرگ هست. نمونههای تعلیمی هر طبقه با بهرهگیری از تجربه و شناخت مفسر از منطقه به کمک اطلاعات جنبی نظیر نقشههای موضوعی مرتبط و عکسهای هوایی و یا کارهای میدانی تعیین میشود. روش‌های زیر برای بررسی و اصلاح نمونههای تعلیمی استفاده میشود:
1-4-12- نمایش توزیع اعداد رقومی نمونههای تعلیمیشکل توزیع عدد رقومی نمونههای تعلیمی با استفاده از روش گرافیکی جهت اصلاح آن‌ها مورد بررسی قرار میگیرد و هیستوگرام مربوط به نمونهها در هر باند به‌طور جداگانه مشاهده میشود. میانگین اعداد رقومی قطعات نمونه هر طبقه در هر باند باید بسیار به هم نزدیک باشد و قطعات نمونه همگن دارای توزیع نرمال به‌صورت تکقلهای و با انحراف معیار پایین و در صورت ناهمگنی به‌صورت چندقلهای خواهد بود.
1-4-13- آزمون تفکیکپذیری نمونههای تعلیمیآزمون تفکیکپذیری دادههای ماهوارهای معمولاً بر روی نمونههای تعلیمی یا نقاط موردنظر[35] انجام میگیرد و مشخص میکند که این دادهها تا چه حد امکان تفکیک یا تشخیص از یکدیگر را دارند. تفکیکپذیری طبقهها به معنی میزان فاصلهدار توزیع احتمال عدد رقومی دو طبقه و میزان همپوشانی آن‌هاست. تفکیکپذیری زیاد بین دو طبقه بدین معناست که دو طبقه دارای بیشترین فاصله آماری بوده و بالاترین احتمال برای طبقهبندی صحیح را دارا میباشند.
تفکیکهای آماری رایــج مانند فاصله Jeffries-Matusita و Transformed Divergence از روش‌های اندازهگیری قابلیت تفکیکپذیری آماری بین کلاسههای طیفی در باندهای مختلف میباشند (ماوسل[36] و همکاران، 1990). در این مطالعه معیار فاصله Jeffries-Matusita بدین منظور بکار برده شده است.
:رابطه 1-1
که در آن:
JM(i,j)=فاصله Jeffries-Matusita بین دو کلاس i و j
a(i,j)=0.125T[M(i)_M(j)]*Inv[A(i,j)]*[M(i)_M(j)]+ 0.5ln{det(A(i,j)))/(det(S(i)*det(S(j))}1/2 : رابطه 1-2
M= بردار میانگین و S = ماتریس کوواریانس هست.
نتیجه حاصل از این فرمول بین 0 و 2 متغــیر است که هرچه این معیار به صفر نزدیکتر باشد میزان تفکیکپذیری کمتر و هرچه به 2 نزدیکتر باشد تفکیکپذیری دو طبقه از یکدیگر بیشتر هست. این نتایج می‌تواند در تعیین طبقاتی که از یکدیگر تفکیکپذیری کافی ندارند (معمولاً کمتر از 1) و بنابراین باید در یکدیگر ادغام شوند بکار آیند.
1-4-14- روش‌های طبقهبندی نظارتشدهطبقهبندی نظارتشده تحت یکسری الگوریتم یا طبقهبندی کنندههای مختلف بر اساس نمونههای تعلیمی و با انجام محاسبات آماری متفاوت بر روی آن‌ها صورت میگیرد که در زیر به چند مورد آن اشاره میشود:
1-4-14-1- طبقهبندی و رگرسیون درختی[37] (CART)برای پیشبینی پیامدها[38] مورد مطالعه از مدلها و روش‌های مختلف می‌توان استفاده نمود. به این مدلها به‌طور عمومی نام مدلهای پیشبینی اطلاق میشود. براساس اینکه نوع متغیر پاسخ کمی یا مــتغیر طبقهبندی شده باشد، باید از روش‌های مرتبط با آن استفاده نمود. وقتی پیامد مورد استفاده کمی باشد عمدتاً از روش‌های رگرسیونی یا مدلهای عمومی رگرسیونی استفاده میگردد. در این خانواده روش رگرسیونی یا مدلهای عمومی رگرسیونی[39] استفاده میگردد. در این خانواده روش رگرسیونی چند متغیره و روش تحلیل تمایزی[40] قرار میگیرند. این روش‌ها نیازمند پیش‌فرض رابطه خطی بین متغیر/ متغیرهای پیشبینی کننده[41] با پیامدها هست. در حالتی که متغیر پاسخ متغیر طبقهبندی شده باشد، می‌توان به‌طور معمول از روش‌های رگرسیون لجستیک (دوجملهای یا چندجملهای) یا لگاریتم خطی[42] استفاده نمود. در این روش‌ها نیز به پیش‌فرض رابطه خطی بین متغیرها نیاز هست. به‌عنوان مثال در رگرسیون لجستیک باید رابطه خطی بین متغیرهای مستقل و لجیت متغیر پاسخ وجود داشته باشد.
روش‌های درخت تصمیم‌گیری[43] که در برخی متون با نام قسمتبندی مکرر[44] مشخص گردیده اولین بار در پیشبینی و شناسایی بازاریابی محصولات مورد استفاده قرار گرفت. طبقهبندی و رگرسیون درختی (CART) یکی از روش‌های طبقهبندی است که اولین بار توسط برایمن و همکاران[45] (1984) ابداع و توسعه یافت. این‌روش می‌تواند در پیش‌بینی پیامدهای کمی (درخت رگرسیونی) یا طبقهبندی شده (درخت طبقه‌بندی) مورد استفاده قرار گیرد. روش طبقهبندی و رگرسیون درختی از طریق مجموعهای از شرطهای منطقی[46] (بجای رابطه خطی)، پیامد مورد مطالعه را پیش‌بینی یا طبقهبندی مینماید.
ساختار مدل طبقهبندی درختی و اصطلاحات رایج
یک مدل طبقهبندی و رگرسیون درختی متشکل از چند شاخه[47] و چند گره[48] است. در شکل 1 گرهها و شاخهها مشاهده میگردد. اولین گره که مشتمل بر کلیه نمونهها یا مشـــاهدات است گره والد[49] نامیده میشود. مابقی گرهها گره فرزند[50] نامیده میشوند. سپس بر اساس وضعیت یکی از متغیرهای پیش‌بینی کننده، دو شاخه شکل میگیرد و این وضعیت ادامه مییابد تا به گره انتهایی که معمولاً شامل گروههای هموژن از طبقات مختلف پیامد است، ختم گردد (کشتکار، 1385).
105727517145000
شکل 1-1- ساختار کلی مدل طبقه‌بندی رگرسیون درختی
ساختن مدل طبقهبندی درختی[51]:
برای ساخت مدل طبقهبندی درختی مناسب برای مجموعهای از متغیرهای پیشبینی کننده، باید به این موارد توجه نمود:
1 – دقت پیش‌بینی مدل: معمولاً سه اندازه برای تعیین دقت پیشبینی یا طبقهبندی مدل طبقهبندی درختی و رگرسیونی وجود دارد (برایمن و همکاران،1984).
الف: برآورد جایگزینی مجدد[52]: در برخی منابع به این اندازه هزینـه طبقهبندی نـادرست[53] نیز میگوینـــد (StatSoft Inc, 2005) که عبارت است از سهم نمونههایی که بهدرستی طبقهبندی نشدهاند. به‌عنوان مثال چنانچه پیامد مورد مطالعه در مدل یک متغیر دو وضعیتی باشد، وضعیت پیامد منتظره و مشاهده شده را در یک جدول دو در دو خلاصه نموده و اگر توافق بین دو وضعیت مشاهده شده و منتظره a و c و عدم توافق b و d باشد. این اندازه از رابطه زیر قابل محاسبه است:
رابطه 1- 3:
چنانچه x بردار اندازه‌گیریها، d(x) قاعده طبقهبندی و N تعداد مشاهدات باشد، برآورد جایگزینی مجدد یا R(d) از رابطه زیر به دست میآید:
رابطه 1- 4:
این نوع شیوه برآورد در پیشبینی پیامد مورد مطالعه اعتبار کمی دارد. با افزایش شاخهبندی[54] مدل که منجر به افزایش تعداد گرههای پایانی میگردد دقت پیشبینی افزایش یافته و هزینه طبقهبندی نادرست یا برآورد جایگزینی مجدد کاهش مییابد. در شدیدترین شکل ممکن هر گره پایانی شامل فقط یک نمونه یا مشاهده بوده که در این وضعیت هزینه طبقهبندی نادرست به صفر تقلیل مییابد (برایمن و همکاران،1984).
ب: برآورد نمونه آزمون[55]: در این شیوه از تعیین دقت پیشبینی، کل نمونهها به‌طور مستقل به دو بخش نمونه آموزشی[56] (L1) و نمونه آزمون (L2) تقسیم میگردد. مدل براساس نمونه آموزشی ساخته شده و دقت آن با استفاده از نمونه آزمون تعیین و ارزیابی میگردد. توصیه بر این است که نسبت بین نمونه آموزشی به نمونه آزمون 2 به 1 باشد. به عبارت دیگر بهتر است دو سوم کل نمونه را به نمونه آموزشی و یک سوم را به نمونه آزمون اختصاص داد. چنانچه N2 حجم نمونه آزمون باشد، برآورد نمونه آزمون از رابطه زیر محاسبه میشود:
رابطه 1- 5:
این نوع شیوه اشکال روش قبلی را ندارد. به عبارت دیگر با افزایش گرههای پایانی تا یک آستانه مشخص مقدار این اندازه کاهش یافته و سپس بیش از آن مقدار، این برآورد افزایش مییابد. بنابراین مناسبترین مدل برای پیشبینی، تعداد گرهها در وضعیتی است که مقدار برآورد آزمون حداقل باشد. البته استفاده از این اندازه به‌عنوان معیار دقت در نمونههای بزرگ قابل انجام است و این‌روش برای نمونههای کوچک مناسب نمیباشد.
ج: برآورد اعتباربخشی با زیرمجموعه‌های نمونه[57]: در این‌روش کل نمونه به‌صورت تصادفی به V زیرمجموعه مساوی طبقهبندی شده (LV …… L1) و نمونههای (L- LV) به‌عنوان نمونه آموزشی در ساخت مدل مورد استفاده قرار گرفته و زیرمجموعه باقیمانده به‌عنوان نمونه آزمون مورد استفاده قرار میگیرد. برآورد نمونه آزمون در این‌روش از رابطه زیر به دست میآید.
رابطه 1- 6:
و بر این اساس برآورد اعتباربخشی با زیرمجموعه‌های نمونه از رابطه زیر محاسبه میگردد.
رابطه 1- 7:
به عبارت دیگر V بار قسمت بهعنوان نمونه آموزشی و یک قسمت بهعنوان آزمون بهطور تصادفی تشکیل گردیده و متعاقباً با جایگزین شدن یکی از آن‌ها به‌عنوان نمونه آموزشــی و دیگری به‌عنوان آزمون انتخاب میشود و این کار تکرار میگردد و بر این اساس برآورد آزمون صورت خواهد گرفت. سپس میانگین برآوردهای آزمون در این‌روش به‌عنوان برآورد اعتباربخشی با زیرمجموعه‌های نمونه مورد استفاده قرار خواهد گرفت. این‌روش برای نمونههای کوچک مناسب هست. در مورد تعداد زیرمجموعهها یا V در منابع مختلف اعداد متفاوت ذکر شده است. تعداد زیرمجموعهها می‌تواند به تعداد 10 (برایمن و همکاران، 1984) و در منبع دیگر به تعداد 3 (2005، StatSoft Inc) باشد.
در مواردی که پیامد، متغیر طبقهبندی باشد (مدل طبقهبندی درختی)، لازم است احتمال پیشین[58] وقوع هر سطح از پیامد مشخص گردد. معمولاً سه گزینه احتمال پیشین برآورد شده[59]، برابر[60] و قابل تعریف[61] وجود دارد. چنانچه نمونهها به‌صورت تصادفی از جامعه مورد بررسی انتخاب شده باشد و سوگرایی انتخاب نیز در حداقل میزان ممکن باشد، می‌توان از گزینه اول برای احتمال پیشین استفاده کرد.
2- شاخهبندی طبقهبندی درختی: انتخاب شاخههای ساختار طبقهبندی درختی باید بهگونهای باشد که یکنواختی[62] نمونهها در تمامی گرههای پایانی به میزان حداکثر میزان ممکن برسد. این یکنواختی با استفاده از معیار عدم خلوص[63] اندازهگیری میشود. مهمترین و پرکاربردترین اندازه عدم خلوص، شاخص جینی[64] است. چنانچه پیامد طبقهبندی شده دارای دو وضعیت یا ارزش j و i باشد، (P(j/t نشاندهنده سهمی از موارد در گروه t است که متعلق به طبقه j است. بنابراین اندازه عدم خلوص جینی یا (t)i از رابطه زیر به دست میآید:
رابطه 1- 8:
چنانچه در طبقه پایانی کلیه موارد متعلق به یک طبقه خاص باشند، اندازه شاخص جینی برابر با صفر است که به معنی خلوص کامل در گره است. در طبقهبندی درختی، گروه t می‌تواند گزینههای متعدد و متفاوتی برای شاخهبندی (s) داشته باشد. دو گروه tL و tR از گروه t حاصل شده که به ترتیب دارای سهم pL و pR از کل نمونه گره اولیه میباشند. بهترین و مناسبترین شاخهبندی وقتی است که بیشترین کاهش در عدم خلوص حاصل شود که این کاهش عدم خلوص از رابطه زیر به دست میآید:
رابطه 1- 9: i(s,t) = i(t) – pLi(tL)-pRi(tR)∆
بنابراین چنانچه بهترین گزینه موجود در شاخهبندی را s* بنامیم، براساس شاخص عدم خلوص جینی، شاخهبندی که بیشترین کاهش در عدم خلوص را موجب گردد انتخاب خواهد گردید به عبارت دیگر:
رابطه 1- 10: i (s*, t) = max ∆i (s, t)∆
3 – تعیین زمانی که شاخهبندی باید متوقف گردد: با توجه به مواردی که گفته شد، ایدهآل این است که شاخهبندی تا زمانی که گرهها خالص و هموژن شوند باید ادامه یابد، لیکن این وضعیت بخصوص در مواردیکه با تعداد زیادی متغیر پیشبینی کننده روبهرو باشیم، موجب پیچیده شدن مدل خواهد گردید. بنابراین باید از قواعد توقف شاخهبندی[65] به‌منظور رســیدن به مدل منــاسب استفاده گردد. در روش طبقهبندی درختی و رگرسیونی دو گزینه مختلف برای این منظور وجود دارد:
الف: روش حداقل تعداد[66]: در این‌روش در عمل اجازه میدهیم ساختار درختی تا زمانی ادامه یابد که همه گره‌های پایانی خالص[67] شده یا اینکه در گره پایانی شامل حداقل تعداد معینی نمونه باشد.
ب: روش خالصسازی موارد:[68] در این‌روش نیز یا باید هر گره پایانی خالص شود یا اینکه هر گره پایانی بیش از سهم معینی از یک گروه یا طبقه نباشد.
1-4-15- پسپردازش دادهها[69]
بعد از انجام پردازش و طبقهبندی دادههای ماهوارهای، یکسری عملیات ویژه بر روی نتایج صورت میگیرد که انجام این عملیات به منظور ارزیابی صحت و ساماندهی نتایج حاصله هست.
1-4-15-1- تعیین صحت طبقهبندیبررسی میزان صحت نتایج به دست آمده به منظور استفاده از نتایج در موارد مختلف اجرایی و مقایسه با دیگر نتایج به دست آمده از ضروریات انجام یک مطالعه هست. از طرف دیگر با توجه به این موضوع که نتایج مفسرین مختلف از یک منطقه با موضوع و داده یکسان متفاوت هست لزوم بررسی صحت نتایج به دست آمده بسیار مهم خواهد بود.
بهترین روش تعیین صحت نقشههای حاصل از طبقهبندی دادههای ماهوارهای، مقایسه آن به‌صورت پیکسل به پیکسل با واقعیت زمینی منطقه هست. بنابراین تهیه نقشه واقعیت زمینی دقیق و کامل از تمامی منطقه بخصوص در کارهای تحقیقاتی بسیار مهم هست ولی از آنجا که تهیه نقشه کامل از منطقه مستلزم صرف وقت و هزینه زیادی هست و همچنین نتایج بررسیهای محققین نشان‌دهنده آن است که با استفاده از واقعیت زمینی نمونهای با شدت 2% به روش تصادفی-سیستماتیک و بزرگی قطعات نمونه متناسب با تنوع و یکپارچگی پدیدهها در منطقه، صحت نقشهها با دقت 4%± تا 6%± قابل برآورد هست، می‌توان اقدام به تهیه نقشه واقعیت زمینی نمونهای نمود.
نتیجه حاصل از این مقایسه در جدولی به نام جدول خطا (ماتریس خطا)[70] نشان داده میشود که تعداد ستونها و ردیفهای این جدول با هم برابر و معادل تعداد طبقات مورد طبقهبندی هست. ردیفهای جدول بیانگر نتایج طبقهبندی و ستونهای آن برابر دادههای واقعیت زمینی هست. در واقع ماتریس خطا میزان تطابق هر کلاس طبقهبندی شده را با واقعیت زمینی نشان میدهد و در آن می‌توان میزان قرار گرفتن اشتباهی یک طبقه را در طبقات دیگر مشاهده کرد. با استفاده از این جدول معیارهایی جهت بیان صحت طبقهبندی به‌صورت کمی به دست میآید که می‌توان به موارد زیر اشاره کرد:
1-4-15-1-1- صحت کلیصحت کلی برابر با نسبت تعداد پیکسلهای درست طبقهبندی شده یک طبقه به کل پیکسلهای درست طبقهبندی شده در تمامی طبقات هست. صحت کلی زمانی قابل اعتماد است که صحت هر یک از طبقات نیز حتیالامکان بالا باشد.
1-4-15-1-2- ضریب کاپااین ضریب بهمنظور حذف توافق اتفاقی[71] (مقدار آن از مقادیر فرعی سطر و ستونهای ماتریس خطا به دست میآید) از معیار صحت کلی هست. بدین معنی که در هنگام طبقهبندی ممکن است برخی از نمونههای تعلیمی به‌طور اتفاقی با یک طبقه تطابق یابند و نه بر اساس واقعیت موجود در سطح زمین. این عامل باعث بالا رفتن کاذب مقدار صحت کلی میشود و در واقع، مقدار صحت کلی به اندازه ضریب کاپا با واقعیت توافق دارد.
رابطه 1-11:

که در آن‌ها:
k= ضریب کاپا
Po= صحت کلی
PC= توافق اتفاقی
N= تعداد پیکسلها
xit= جمع ردیف
xti= جمع ستون
میزان ضریب کاپا بین صفر و یک متغیر است که ضریب کاپای معادل 1 به معنی توافق صد در صد بین نتایج طبقهبندی و واقعیت زمینی هست. بهترین نتایج طبقهبندی با مقایسه مقادیر صحت کلی و ضریب کاپا معرفی میشود.

فصل دوم
پیشینه تحقیق
2- سابقه تحقیق2-1- کاربری اراضیالف) مطالعات انجام شده در کشورشتایی و عبدی (1386)، به منظور بررسی قابلیت داده‌های سنجنده ETM+ ماهواره لندست 7 در تفکیک و تهیه نقشه اراضی جنگلی در زاگرس، داده‌های این سنجنده مربوط به 30 آوریل 2001 میلادی از حوزه سرخاب خرم‌آباد استان لرستان مورد تجزیه تحلیل قرار گرفت پس از انجام پردازش‌های مختلف نظیر ایجاد تصاویر رنگی، نسبت گیری، تجزیه مؤلفه‌های اصلی با هدف بارزسازی تصویر بهترین مجموعه باندی برای طبقه‌بندی با استفاده از شاخص آماری واگرایی تعیین طبقه‌بندی نظارت‌شده با الگوریتم‌های حداکثر احتمال، متوازی‌السطوح، حداقل فاصله انجام شد. نقشه واقعیت زمینی نمونه‌ای به روش سیستماتیک- خوشه‌ای تهیه و نتایج نشان داد که تفکیک و طبقه‌بندی اراضی جنگلی با سایر طبقات کاربری منطقه با صحت بالا صورت گرفت. صحت تولیدکننده 87 درصد مؤید این مطلب است. صحت کلی 91 درصد و ضریب کاپای 56/87 طبقه‌بندی کننده حداکثر احتمال نشان‌دهنده نتایج بهتر این طبقه‌بندی نسبت به دیگر طبقه‌بندی کننده است. نتایج نشان داد که تصاویر ماهواره‌ای لندست 7 قابلیت تهیه نقشه کاربری اراضی عمده در مناطق کوهستانی را دارا می‌باشد.
کلارستاقی و همکاران (1387)، به تعیین تغییر کاربری اراضی بین سال‏های 1967 تا 2002 در منطقه فریم صحرا پرداختند و با استفاده از تصاویر ماهواره‏ای Land Sat 7 ETM+ (2002)، عکس‏های هوایی و نقشه‌های توپوگرافی دیجیتال (1997 و 1994) و بررسی تأثیر بعضی از فاکتورهای فیزیکی و اقتصادی- اجتماعی روی دینامیک کاربری اراضی نشان دادند که با افزایش فاصله از جاده‏ها، مناطق مسکونی و روستاها میزان جنگل‏زدایی و تبدیل جنگل به اراضی زراعی کاهش یافت، اما تبدیل اراضی زراعی به زمین‏های رها شده افزایش یافته، همچنین بیشترین مقدار جنگل‏زدایی در شیب‏های کمتر مشاهده شده اما تبدیل اراضی دیم به اراضی رها شده در شیب‏های بالاتر مشاهده شد.
میرکتولی و همکاران (1390)، با استفاده از تصاویر LISS III، سال 2007 ماهواره IRS-1D و TM سال 1991 ماهواره لندست منطقه به آشکارسازی تغییرات پوششی و کاربری اراضی شهر گرگان پرداختند و به این نتیجه رسیدند که مناطق جنوبی شهر گرگان، از نظر میزان تغییر کاربری در ردهی اول بوده و در ردههای بعدی، بیشترین تغییرات مربوط به زمینهای هموار و دشت شهر گرگان در شمال و شمال شرق است و به کارگیری امور حفاظتی برای کنترل تبدیل اراضی مرغوب کشاورزی و چشم اندازهای زیبای جنگلی به شهر در این مناطق، اهمیت بیشتری دارد.
غلامعلی‏فرد و همکاران (1390)، به مدل‏سازی تغییرات کاربری اراضی مناطق ساحلی استان مازندران با استفاده از LCM پرداختند و تغییرات کاربری اراضی را با استفاده از تصاویر ماهواره Landsat متعلق به سالهای 1367،1379، 1385 و 1390 آشکارسازی نمودند؛ و مدلسازی نیروی انتقال با استفاده از پرسپترون چند لایه شبکه عصبی مصنوعی انجام دادند؛ و به این نتیجه رسیدند که 33487 هکتار از وسعت جنگل کاسته و به ترتیب 21367 و 13155 هکتار به وسعت اراضی کشاورزی و مناطق مسکونی اضافه شده است.
ب) مطالعات انجام شده در خارج کشورولدکامپ و لامبین[72] (2001)، با استفاده از مدلسازی جریان تغییر کاربری اراضی و مدلسازی پیشروی در پیشبینی مکانی تغییر کاربری اراضی و ترکیب فیدبکهای بیوفیزیکی در مدلهای تغییر کاربری اراضی، تغییر کاربری اراضی را پیشبینی نمودند؛ و نشان دادند که الگوهای کاربری اراضی نسبت به تغییرات در متغیرهای انتخاب‌شده حساساند و همچنین جوامع گیاهی به هم پیوسته و سیستمهای اکولوژیکی نسبت به تغییرات مقاوماند.
شلابی و تاتشی[73] (2006)، با استفاده از دادههای ماهواره لندست و به‌کارگیری تکنیک‏های GIS به بررسی تغییرات پوشش گیاهی و تغییرات کاربری اراضی منطقه ساحل شمال کشور مصر پرداختند. در این مطالعه لایه‏های مربوط به پوشش گیاهی و کاربری اراضی در سال‏های 1987 و 2001 تهیه گردید و با مقایسه‏های به عمل آمده بر روی این لایه‏ها در محیط GIS میزان تغییرات سطح پوشش و انواع کاربری‏ها که به 6 طبقه مختلف تقسیم گردیدند، نشان دادند که جابجایی‏هایی در مرزهای پوشش گیاهی به داخل آب و بالعکس به وجود آمده است.
کوزاک[74] (2007)، با استفاده از نقشههای قدیمی و تاریخی و دادههای ماهوارههای معاصر تغییر پوشش جنگل را در منطقه اوراوا در لهستان طی 180 سال گذشته مورد تجزیه و تحلیل قرار داد. نتایج این بررسیها نشان داد که طی 180 سال گذشته نسبت سطح جنگل در منطقه مورد مطالعه از 25 درصد به 40 درصد افزایش داشته است.
بازگیئر و همکاران (2008)، برای حوزه آبخیز در پونجاب در هند ارزیابی تغییرات کاربری اراضی را با استفاده از GIS و عکس‌های هوایی سیاه و سفید برای مارس 2002، سپتامبر 2002 و می 2003 و تفسیر چشمی برای تهیه نقشه کاربری اراضی/پوشش زمین برای سال‌های 1984 و 2003 و دلایل بررسی آن‌ها تأثیر تغییر کاربری اراضی/پوشش در تغییرپذیری اقلیم را انجام دادند، نتایج نشان داد که مناطق تحت کشت، جنگل‌های نیمه متراکم، جنگل‌های تخریب یافته، زمین‌های تخریب یافته در تپه‌ها و دشت‌های کوهپایه‌ای، اراضی لم‌یزرع در طول آبراهه‌های فصلی، کاهش یافته است. در حالی که مناطق مسکونی، جنگل‌های متراکم، تأسیسات، آبگیرها و کارگاه‌های تولید آجر در طی دوره 20 ساله افزایش یافته است. تغییرات کاربری اراضی/پوشش روی میانگین حداکثر دما تأثیر داشته باعث روند افزایش آن در طی دوره 1984 تا 2003 شده است، در حالی که حداقل دما، بارش و پتانسیل تبخیر و تعرق در طی این دوره روند کاهشی داشته است. علیرغم افزایش پوشش گیاهی در منطقه مورد مطالعه، این روندها بر روی پارامترهای مختلف هواشناسی یافته‌های برخی از گزارش‌ها را تائید نمی‌کند. علاوه بر تغییرات کاربری اراضی/پوشش زمین، فاکتورهای دیگری نظیر افزایش C02 و گازهای گلخانه‌ای، آلودگی هوا و توزیع طیفی تابش خورشیدی، بر روی تغییرات اقلیمی در منطقه تأثیر دارد.
الهادی و زومراویی[75] (2009) مطالعهای را بهمنظور استخراج کاربری اراضی از تصاویر ماهوارهای Quick bird با استفاده از روش درخت تصمیمگیری انجام دادند. صحت کلی در این مطالعه با استفاده از روش حداکثر احتمال و طبقهبندی درختی برای باندهای اصلی و آنالیز به ترتیب برابر با 5/93، 3/97، 6/92 و 5/98 درصد محاسبه گردید.
لوردسا و همکاران[76] (2011)، با استفاده از مدلهای رگرسیون لجستیک به شبیهسازی دینامیک پوشش اراضی در حوزه رودخانه دولسی آرژانتین در سال 1997 تا 2005 پرداختند و به این نتیجه رسیدند که به علت کاهش پوشش علفزار و تخریب اکوسیستمها در اثر تشدید کشاورزی و چرای بیش از حد، شبیهسازی مجدد سناریوهای جایگزین میتواند به برنامهریزی کاربری اراضی به منظور تولید و حفاظت اکوسیستمها کمک کند.
آگاروال و همکاران (2013) مطالعهای را به منظور تعیین کاربری اراضی با استفاده از روشهای مختلف درخت تصمیمگیری و تصاویر TM ماهواره لندست 5 انجام دادند. ایشان در این مطالعه از روش طبقهبندی درختی، ماشین بردار پشتیبان MBACT استفاده نمودند. صحت کلی و ضریب کاپا حاصل از روش طبقهبندی درختی، ماشین بردار پشتیبان MBACT به ترتیب 16/83 و 8/0، 4/88 و 86/0؛ 21/84 و 81/0 محاسبه گردید.
2-2- تراکم تاج پوششالف) مطالعات انجام شده در داخل کشورشاهبابایی (1383) مطالعهای را به منظور تهیه نقشه‌های تیپ و تراکم جنگل در گرگان سنجنده ETM+ ماهواره لندست 7 انجام دادند. در این مطالعه صحت کلی و ضریب کاپا در تیپ بندی به ترتیب 63 درصد برای طبقات تراکمی به ترتیب نیز 58 درصد و 41/ 0 گزارش شد.
احمدیثانی (1384)، پژوهشی را بهمنظور بررسی قابلیت تصویر ماهوارهای ASTER برای تهیه تراکم جنگلهای زاگرس در منطقه مریوان واقع در استان کردستان انجام داد. برای تجزیه و تحلیل تصاویرهای ماهوارهای از خوارزمیهای طبقهبندی نظارت‌شده کمینه فاصله از میانگین، بیشینه احتمال و همچنین روش طبقهبندی فازی استفاده کرد. بهمنظور برآورد صحت نقشههای تراکم به دست آمده از طبقهبندی تصاویر ماهوارهای، واقعیت زمینی برای کل منطقه مورد بررسی با استفاده از عکسهای هوایی تهیه شد. بالاترین صحت کلی و ضریب کاپا را به ترتیب به میزان 5/65 و 5/48 درصد در طبقهبندی چهار کلاسهای، 5/68 و 5/51 درصد در طبقهبندی سه کلاسهای با طبقهبندی بیشینه احتمال و با مجموعه شش باندی به دست آمد و نتیجه‌گیری کلی نشان داد که صحت کلی 5/68 درصد و ضریب کاپا کلی 5/51 است.
پرما و شتایی (1389) مطالعه‌ای را به منظور تهیه نقشه‌های تنوع و تراکم تاج پوشش جنگل‌های زاگرس با استفاده از تصاویر سنجنده ETM+ در جنگل‌های قلاجه استان کرمانشاه انجام داد. نتایج حاصل از رگرسیون نشان داد که ترکیب خطی مورد بررسی به عنوان متغیرهای مستقل در مقایسه با دیگر باندها و ترکیبات به کار گرفته شده بهتر می‌تواند تنوع گونه‌ای درختان و درختچه‌ها را برآورد کند.(R2adj = 327/0). نتایج ایشان نشان‌دهنده قابلیت نسبتاً کم دادههای ETM+ در تهیه نقشه تراکم تاج پوشش و برآورد تنوع گونه‌ای درختی و درختچه‌ای در منطقه مورد بررسی است.
پاکخصال و بنیاد (1390) مطالعهای را به منظور تعیین تراکم جنگل با استفاده از مدل FCD در حوزه شفارود گیلان انجام دادند. ایشان در این مطالعه از داده‌های سنجنده ETM+ استفاده نمودند. ایشان در این مطالعه از روش حداکثر احتمال برای طبقهبندی استفاده نمودند. نتایج این مطالعه نشان داد دادههای این سنجنده با صحت کلی 71 درصد و ضریب کاپای 61/0 قادر به تفکیک تراکمهای مختلف تاج پوشش میباشد.
حسینی و همکاران (1392) مطالعهای را به منظور تعیین قابلیت سنجنده LISS IV برای تهیه نقشه تراکم منطقه خواجهکلات انجام دادند. ایشان در این مطالعه از روشهای طبقهبندی حداکثر احتمال و حداقل فاصله استفاده نمودند. نتایج این مطالعه نشان داد دادههای این سنجنده با صحت کلی 70 درصد و ضریب کاپای 44/0 قادر به تفکیک تیپهای جنگل میباشند.
عزیزی و همکاران (2014) مطالعهای را به منظور تعیین تراکم جنگل با استفاده دادههای سنجنده LISS IV انجام داد. ایشان در این مطالعه از روش FCD استفاده نمودند. نتایج این مطالعه نشان داد سنجنده فوق قادر است با صحت کلی 4/84 درصد و ضریب کاپای 78/0 جنگلها را از نظر تراکم تفکیک نماید.
ب) مطالعات انجام شده در خارج از کشوروانگ و همکاران[77] (1998) برای طبقهبندی تراکم جنگل از دادههای سنجنده TM و باند PAN ماهواره IRS-1C در جنوب فنلاند استفاده نمودند. صحت کلی و ضریب کاپا در این مطالعه برای طبقهبندی چهار کلاسهای به ترتیب 2/70 و 46/0 محاسبه گردید.
امسی ماهان و همکاران[78] (2003) برای تعیین تراکم تاج پوشش در جنوب شرق ایالت آیداهو امریکا با استفاده از دادههای ماهوارهای، دو روش فازی و حداکثر احتمال مقایسه نمودند. در این مطالعه صحت کلی به ترتیب برای روشهای فازی و حداکثر احتمال 5/50 و 5/47 محاسبه شد.
ژو و همکاران[79] (2003) در تحقیقی قابلیت دادههای ماهوارهای را در برآورد تاج پوشش بلوط در ایالت کالیفرنیا بررسی نمودند. نتایج این مطالعه نشان داد باندهای آبی، قرمز و مادون قرمز دارای قابلیت بالایی در تعیین تراکم تاج پوشش دارند.
بربروگلا و ساتیر[80] (2008) به منظور طبقهبندی تیپهای جنگلی در ترکیه از روشهای طبقهبندی سخت و نرم استفاده نمودند. صحت کلی برای روش طبقهبندی نرم و سخت به ترتیب 80 و 50 محاسبه گردید.
تورنسن و همکاران (2014) مطالعهای را به منظور طبقهبندی ساختار جنگل با استفاده از روشهای طبقهبندی رندوم فارست، نزدیکترین همسایه و آنالیز تمایز خطی انجام دادند. صحت کلی به دست آمده در این مطالعه برای روش رندوم فارست و نزدیکترین همسایه 37 درصد و روش آنالیز تمایز خطی 41 درصد محاسبه گردید.
2-3- جمعبندیدر اکثر مطالعات انجام شده برای تعیین کاربری و تراکم جنگل از دادههای سنجندههایی با قدرت تفکیک متوسط استفاده شده است. علاوه بر این از روشهای طبقهبندی پارامتری (سخت) استفاده شده است. در این مطالعه قابلیت دادههای Pleiades و روش طبقهبندی و رگرسیونی درختی برای طبقهبندی دادهها استفاده میشود.

فصل سوم
مواد و روشها
3- مواد و روشها3-1- منطقه مورد مطالعه3115310258127500298452490469003939540249047000-7150101214755002470785141541500منطقه مورد مطالعه منطقه جنگلی کاکا رضا از توابع شهرستان سلسله میباشد (شکل 3-1). این منطقه در 17 کیلومتری شهر الشتر و 30 کیلومتری شهر خرمآباد واقع شده است. مساحت منطقه مورد مطالعه 5 هزار هکتار میباشد.
822325254000
96456518415000
شکل 3-1- موقعیت منطقه مورد مطالعه در کشور ایران، استان لرستان و موقعیت قطعات نمونه
3-2- داده‌های مورد استفادهدر این تحقیق از تصاویر ماهواره Pleiades مربوط به تاریخ 30/4/2013 برابر با 10/2/92 استفاده شد. تصاویر این ماهواره دارای چهار باند طیفی با قدرت تفکیک مکانی 2 متر و یک باند پانکروماتیک با قدرت تفکیک مکانی 5/0 متر می‌باشد. قدرت تفکیک رادیومتریک این تصاویر 16 بیت می‌باشد.
3-3- نرم‌افزارهای مورد استفادهدر این تحقیق از نرم‌افزارهای PCI Geomatica 9.1، Erdas Imagine 9.2 و Idrisi Andes جهت پردازش، تجزیه و تحلیل رقومی تصاویر و استخراج نشانههای طیفی استفاده گردید. نرم‌افزار ArcGis 9.3 نیز جهت قرائت نقشههای توپوگرافی 3D و 2D و تهیه نقشههای شیب، جهت، ارتفاع و نقشه واقعیت زمینی بکار گرفته شد.
3-4- روش مطالعه3-4-1- پیش‌پردازش داده‌های ماهواره‌ای پیش‌پردازش داده‌های ماهواره‌ای در واقع مجموعه‌ای از روش‌های آماده‌سازی تصویر و انجام تصحیحات بر روی تصویر است تا تصویر مورد نظر آماده استخراج اطلاعات گردد (سپهری، 1383). جهت استفاده از تصاویر ماهوارهای اطلاع از وضعیت و کیفیت تصاویر الزامی میباشد. مشاهده تک باندها و ترکیبات رنگی مختلف پس از بهبود کنتراست و با بزرگ‌نمایی متعدد بر روی صفحه رایانه هیچ یک از خطاهای رادیومتریک نظیر راه راه شدگی و وجود پیکسلهای تکراری را نشان نداد. همچنین با مقایسه هیستوگرام تک باندها آمار مربوط به آن‌ها هیچ‌گونه ناهنجاری در آن‌ها مشاهده نشد. با توجه به پستی و بلندیهای موجود در منطقه مورد مطالعه و به منظور مطابقت دقیق تصاویر با واقعیت زمینی باید تصحیح هندسی همراه با رفع اثر جابجایی ناشی از پستی و بلندی صورت گیرد که با استفاده از روش Orthorectification صورت گرفت. با توجه به اینکه تصویر Pleiades قبلاً توسط ایستگاه‌های دریافت‌کننده در سطح 1B مورد تصحیحات هندسی و رادیومتریک قرار گرفته بود، جهت کنترل و ارزیابی صحت انجام عمل اورتو از لایههای برداری جادهها استفاده شد. با توجه به انطباق جادههای موجود در تصویر با لایه وکتوری جادهها، از صحت هندسی تصاویر اطمینان حاصل شد.
3-4-2- پردازش تصاویر ماهواره‌ایبه مجموعه عملیاتی که در راستای نمایش هرچه واضح‌تر تصاویر و یا استخراج هرچه کامل‌تر اطلاعات از تصاویر صورت می‌گیرد، بهبود و بارز سازی و پردازش تصویر گفته می‌شود (درویش‌صفت، 1377). در این تحقیق از پردازشهایی مانند نسبتگیری، آنالیزبافت، تجزیه مولفه اصلی و ساخت شاخص‌های گیاهی استفاده شده است.
3-4-2-1- نسبت‌گیریارزیابی گیاهان و تغییرات الگوی پراکنش آن‌ها در زمان و مکان، در پایش منابع طبیعی از جنبه‌های مختلف حائز اهمیت است. شاخص‌های گیاهی مورد بررسی برای داده‌های کلیه سنجندههای سنجش از دور که توانایی ثبت امواج الکترومغناطیسی در ناحیه قرمز و مادون قرمز را دارند صرف ‌نظر از نوع سنجنده، قابل استفاده می‌باشند. شاخص‌های طراحی شده در زمینه‌های متعددی همچون برآورد زی‌توده، تغییرات پوشش گیاهی، برآورد خشک‌سالی و برآورد خطر فرسایش خاک مورد استفاده قرار گرفته‌اند (سپهری، 1383). در این تحقیق، از ترکیبات نسبت‌گیری پیشنهاد شده در تحقیقات خرمی (1383)، هال و همکاران (2006)، محمدی (1386)، وال‌تر و همکاران (2009)، جبرسلیز و همکاران (2009)، کلبی (1390)، یزدانی (1390)، نوریان (1390) و فتح اللهی (1392) استفاده شد (جدول 3-1).
جدول 3-1-ترکیبات نسبت گیری تصاویر Pleiades
منبع فرمول ترکیبات نسبت گیری
Rouse et al, 1973 NIR-RED)/(NIR+NIR)) Normalized Difference Vegetation Index (NDVI)
Roujean & Breon, 1995 Relative Difference Vegetation Index(RDVI)
Tucker, 1979 NIR-RED Difference Vegetation Index(DVI)
Tucker, 1979 NIR-GREEN Green Difference Vegetation Index(GDVI)
Bell et al, 2004 (NIR-GREEN)/(NIR+GREEN) Green Normalized Difference Vegetation Index(GNDVI)
Baret& Guyot, 1991 RVI-1)/(RVI+1)) Normalized Ratio Vegetation Index(NRVI)
Tucker, 1979 NIR/RED+GREEN Ratio Vegetation Index
3-4-2-2- تجزیه مؤلفه اصلیتجزیه مؤلفه اصلی یکی از فنون مهم بارزسازی و متراکم سازی اطلاعات طیفی تصاویر جهت استخراج اطلاعات مفید از آن‌ها میباشد (کلبی، 1390). مؤلفه اول حاصل از این تبدیل دارای بیشترین درصد واریانس و همبستگی با مجموعه باندهاست. تجزیه مؤلفههای اصلی به روش استاندارد انجام شد و نتایج به عنوان باند مصنوعی به مجموعه باندهای موجود در تجزیه و تحلیل رقومی اضافه گردید.
3-4-2-3- آنالیز بافتمشخصه‌های بافت برای باندهای قرمز، مادون قرمز و پانکروماتیک ماهواره Pleiades با استفاده از روش ماتریس‌های وقوع[81] و هم‌وقوعی[82] خاکستری محاسبه شد. شاخص‌های گشتاور مرتبه دوم[83]، تباین[84]، همبستگی، عدم تجانس[85] (ناهمگنی)، انتروپی[86] و همگنی[87] برای برمبنای باندهای قرمز، مادون قرمز و پانکروماتیک ماتریس هم‌وقوعی استخراج گردید. در این مطالعه از پنجره هایی با اندازه 3×3، 5×5، 7×7، 9×9، 11×11، 13×13، 15×15،‌17×17، 19×19 و 21×21 استفاده شد.
3-4-2-4- تهیه نقشه واقعیت زمینی نمونهایپس از پایان عملیات صحرایی مختصات مراکز قطعات نمونه برداشت شده از GPS استخراج و نقشه مراکز قطعات نمونه تهیه شد. بهمنظور استخراج ارزشهای طیفی تصاویر متناظر با قطعات نمونه، نقشه پلیگونی قطعات نمونه تهیه و به فرمت رستری تبدیل شد.
3-4-2-5- تعریف طبقات نقشه کاربری اراضیدر جدول 3-2 کاربریهای عمده موجود در منطقه و تعاریف آن‌ها آورده شده است.
جدول 3-2- توضیح کاربریهای عمده در منطقه
کلاسه تعریف
جنگل شامل تمامی جاهایی که پوشیده از درخت، درختچه و حداقل سطح آن نیم هکتار میباشد
اراضی بایر شامل کلیه اراضی فاقد پوشش
اراضی کشاورزی شامل کلیه مناطق که در آن اراضی کشت دیم و آبی صورت میگیرد
جاده
باغ شامل کلیه جادههای آسفالته
شامل کلیه اراضی که دارای محصولات باغی و میوه میباشد
3-4-2-6-تهیه نقشه واقعیت زمینیبرای تعیین نمونه تعلیمی از روش نمونهگیری تصادفی استفاده شد. دلیل استفاده از این روش این است که روش نمونهگیری تصادفی یکی از کم اریبترین طرحهای نمونهگیری میباشد (رفیعی و همکاران، 1390). جهت تعیین حداقل تعداد نمونه واقعیت زمینی از رابطه 3-1 که بر پایه تابع توزیع احتمال دوجملهای استوار است استفاده شد.
رابطه 3-1
که:
N: تعداد نمونه لازم
Z: مقدار 96/1 برای احتمال 95 درصد
P: صحت قابل انتظار (که در این مطالعه 95 درصد در نظر گرفته شد)
E: خطای مجاز (که در این مطالعه 5/2 درصد در نظر گرفته شد)
q: که مقدار آن از رابطه q= 100- p محاسبه میشود.
در این مطالعه با توجه به فرمول فوق به منظور کسب خطای 95 درصد به 730 قطعه نمونه نیاز میباشد. همچنین جهت ارزیابی نقشه طبقهبندی شده باید به تعداد کافی نمونه از هر یک از طبقات برداشت شود. بر اساس گزارش‌های موجود حداقل تعداد نمونه برای ارزیابی نقشه طبقهبندی شده بسته به مساحت 50 نمونه میباشد (رفیعی و همکاران، 1390). بنابراین میتوان از رابطه 3-2 برای حدود اطمینان 95 درصد، ارزیابی صحت طبقهبندی از رابطه زیر برآورد نمود.
رابطه 3-2
که:
p: صحت قابل انتظار (که در این مطالعه 90 درصد در نظر گرفته شد)
q: که مقدار آن از رابطه q= 100- p محاسبه میشود.
n: تعداد نمونه برداشت شده
P: صحت برآورد شده حاصل از ماتریس خطا
جهت تهیه نمونههای تعلیمی از نقشههای توپوگرافی 2D، مربوط به سال 1385، برداشت با استفاده از GPS، تصاویر Google earth و استفاده از تصاویر کاذب تولید شده استفاده شد.
3-4-2-7- برداشت اطلاعات زمینی برای طبقهبندی تراکم تاجپوششدر این مطالعه جهت تعیین تراکم تاج پوشش جنگل عملیات آماربرداری در مناطقی که دارای کاربری جنگل هستند، انجام شد. برداشت قطعات نمونه با استفاده از یک شبکه آماربرداری 500 * 350 متر انجام شد. تعداد 96 قطعه نمونه با ابعاد 40 *40 متر برداشت گردید (شکل 3- 1(ج)). پس از ثبت دقیق (به روش میانگیری زمانی) موقعیت مرکز قطعه نمونه با استفاده از GPS، اطلاعات مربوط به نوع گونه و قطر بزرگ و کوچک تاج درختان با قطر تاج بیشتر از 5/0 متر اندازهگیری شد.
3-4-2-8- بررسی تفکیک‌پذیری طبقاتپس از انتخاب نمونههای تعلیمی مناسب، میزان تفکیک‌پذیری و تباین بین کلاسها با استفاده از شاخص واگرایی و واگرایی تبدیل‌شده مورد بررسی قرار گرفت.
3-4-2-9- روش طبقهبندیجهت طبقهبندی از روش طبقهبندی و رگرسیون درختی استفاده شد. در این مطالعه جهت تعیین میزان شاخهبندی از معیار خلوص جینی استفاده شد. همچنین به منظور هرس درختان از معیار برآورد با نمونه آزمون استفاده شد. برای توقف شاخهبندی نیز از روش خالصسازی موارد استفاده شد (کلبی، 1390).
3-4-2-10- ارزیابی صحت طبقهبندیبرای ارزیابی صحت در این مطالعه از روش اعتباربخشی با نمونه آزمون استفاده شد. در اعتباربخشی با نمونههای آزمون کل دادهها به طور مستقل به دو بخش مجزا یکی به عنوان نمونه آموزشی و دیگری به عنوان نمونه آزمون تعریف گردیده و طبقهبندی نمونه آموزشی با نمونه آزمون مقایسه می‌گردد. در این مطالعه تعداد یک سوم از هر طبقه (50 قطعه نمونه) بهطور تصادفی برای ارزیابی صحت طبقهبندی استفاده شد و در نهایت از معیارهای صحت کلی و ضریب کاپا بهعنوان معیارهای ارزیابی صحت استفاده گردید (کلبی، 1390).
فصل چهارم
نتایج
4- نتایج4-1- بررسی کیفیت دادههای ماهوارهاینتایج بررسیهای انجام شده نشان داد که هیچکدام از خطاهای رادیومتریک در تصویر وجود ندارد به همین دلیل نیازی به تصحیحات رادیومتریک وجود ندارد.
4-2- تصحیح هندسیجهت بررسی میزان دقت تصحیحات هندسی صورت گرفته از لایههای وکتوری جادهها و همچنین مسیرهای برداشت شده با استفاده از GPS استفاده شد. با روی هم‌گذاری این لایه بر روی تصاویر تطابق یافته و کنترل نقاط برداشت شده از صحت این تصحیحات اطمینان حاصل شد (شکل 4-1).
102362028511500
شکل 4-1-قرار دادن لایههای برداری جادهها بر روی تصویر رنگی کاذب سنجنده ETM+
4-3- تجزیه مولفه اصلینتایج مربوط به تجزیه مولفه اصلی نشان داد مولفه اول دارای بیش از 88 درصد اطلاعات میباشد. نتایج مربوط به تجزیه مولفه اصلی در جدول 4-1 آورده شده است.
جدول 4-1- نتایج مربوط به تجزیه مولفه اصلی
مولفه اول دوم سوم چهارم
درصد اطلاعات (٪) 01/88 52/11 4/0 07/0
4-4- انتخاب نمونه تعلیمیجهت انجام طبقهبندی با استفاده از تصاویر سه دوره، ابتدا نمونههای تعلیمی با پراکنش مناسب در هر چهار طبقه به طور جداگانه بر روی هر سه تصویر انتخاب گردید. به طوری که این نمونهها بیانگر تمام خصوصیات و شرایط موجود در هر 4 طبقه مورد نظر باشند.
4-4- 1- بررسی تفکیک‌پذیری نمونههای تعلیمیپس از انتخاب نمونههای تعلیمی مناسب، اندازه تفکیک‌پذیری و تباین بین کلاسها مورد بررسی قرار گرفت. معمولاً تباین بیشتر بین دو کلاس بیانگر آن است که آن دو کلاس دارای بیشترین فاصله آماری بوده و دارای بالاترین احتمال برای طبقهبندی صحیح میباشندنتایج حاصل از بررسی میزان تفکیکپذیری بین طبقات با استفادهاز معیار واگرایی تبدیل شده و جفری ماتوسیتا در جدول 4-2 آورده شده است.
جدول 4- 2- بررسی میزان تفکیکپذیری بین طبقات
کاربری واگرایی تبدیل شده جفری- ماتوسیتا
جنگل – کشاورزی 2000 2
جنگل – باغ 1995 2
جنگل – بایر 2000 2
جنگل – جاده 2000 2
کشاورزی – باغ 2000 2
کشاورزی – بایر
کشاورزی – جاده
باغ – بایر
باغ- جاده
بایر – جاده 2000
2000
2000
2000
1990 2
2
2
2
99/1
نتایج حاصل از ارزیابی کمی تفکیکپذیری بین طبقات نشان داد که طبقات موجود از نظر طیفی بر روی تصاویر مورد نظر به خوبی قابل تفکیک هستند.
4-5- تعیین کاربری‌ها4-5-1- بهترین باندهای انتخاب شده جهت طبقه‌بندیدر این مطالعه به منظور انتخاب بهترین باندها از روش Feature Selection و جنگل تصادفی استفاده شد. در جدول 4-3 نتایج مربوط به بهترین باندهای انتخاب شده آورده شده است.
جدول 4-3- نتایج مربوط به انتخاب بهترین متغیرها جهت طبقه‌بندی کاربری اراضی
ردیف باند میزان اهمیت
1 Mean NIR 3* 3 1
2 NIRContrast 3*3 77/0
3 NIRDissimilarity 3*3 99/0
4 NIREntropy 3*3 95/0
5 NIR 93/0
6 NIRHomogeneity 3*3 69/0
7 NIDissimilarity 5*5 72/0
8 PCA 73/0
9 NDVI 79/0
10 MSAVI 2 59/0
4-5-2- نتایج طبقه‌بندی با استفاده از الگوریتم درخت طبقه‌بندی و رگرسیونیشکل 4-2 درخت حاصل از طبقه‌بندی درختی را نشان میدهد. این درخت دارای 8 گره غیرنهایی و 9 گره نهایی میباشد. در این درخت گره والد شاخص NDVI می‌باشد.
شکل 4- 2- درخت حاصل از طبقه‌بندی درختی جهت تعیین کاربری اراضی
نتایج مربوط به طبقه‌بندی نشان داد داده‌های ماهواره Pleiades و روش درخت طبقه‌بندی با صحت 90 درصد و ضریب کاپا 84/0 قادر به تفکیک طبقات کاربری اراضی در منطقه مورد مطالعه می‌باشد. نتایج مربوط به ماتریس خطا در جدول 4-4 آورده شده است.
جدول 4-4- جدول ماتریس خطا مربوط به کاربری اراضی
کاربری باغ جاده بایر کشاورزی جنگل صحت کاربر

Related posts: