مقايسه كارايي چهار روش طبقه بندي تصاوير ماهواره اي براي تهيه نقشه گستره جنگلي زاگرس دراستان لرستان

Comparison efficiency of four satellite images classifiers in Zagros forest mapping in lorestan province

روند رو به رشد جنگل‌زدايي به دلايل مختلف، داشتن اطلاعات بروز و كمي از جنگل‌ها را به منظور مديريت بهتر و كارآمدتر نسبت به گذشته ضروري ساخته است. تصاوير ماهواره‌اي با توجه به فرمت رقومي مناسب، گستردگي منطقه تحت پوشش، دوره بازگشت زماني كوتاه و همچنين قدرت تفكيك مكاني بالا به ما اين امكان را داده‌اند كه از طريق پردازش و تفسير و طبقه‌بندي آن‌ها بتوانيم اطلاعات دقيق و به‌روزي را از پوشش و كاربري اراضي به خصوص جنگل‌ها بدست آوريم. تا به امروز روش‌هاي مختلفي براي طبقه‌بندي تصاوير ماهواره‌اي بوجود آمده است كه هر كدام داراي كاستي‌ها و برتري‌هايي نسبت به يكديگر هستند. شناخت مزايا و معايب اين روش‌ها مي‌تواند به ما در انتخاب روش مناسب كمك شاياني كند. بدين منظور در اين پژوهش كارايي چهار روش طبقه‌بندي شامل حداكثر احتمال، حداقل فاصله، متوازي‌السطوح و شبكه عصبي در تهيه نقشه گستره جنگلي زاگرس در استان لرستان با استفاده از تصاوير سنجنده OLI لندست 8 و با در نظر گرفتن صحت كلي، مورد بررسي قرار گرفت. نتايج حاكي از برتري روش شبكه عصبي با صحت كلي 88% بود. صحت كلي براي ساير روش‌ها برابر با 85%، 83% و 77% به ترتيب براي طبقه‌بندي كننده‌هاي حداكثر احتمال، حداقل فاصله و متوازي السطوح بود.

The growing trend of deforestation has necessitated to have update and quantitative information for effective management. Up to now various methods for classification of satellite images and producing land use and land cover maps have been developed. Understanding the advantages and disadvantages of each of these methods assist in choosing the best method in different studies. We investigated overall accuracy of four classification methods including maximum likelihood, minimum distance, parallelpiped, and neural network classifier for identifying forested areas. The results indicated that neural network classifier with an overall accuracy of 88% was superior among other methods. Overall accuracy for other methods equaled 85% for maximum likelihood, 83% for minimum distance and 77% for parallelpiped classifier.