بررسي قابليت تصاوير سنجنده SPOT5–HRG در تهيه نقشه انبوهي جنگلهاي خزري(مطالعه موردي: جنگلهاي ديلمان گيلان)

Capability of SPOT5-HRG data for forest density mapping (Case study: Deilaman forests in Guilan province)

به‌منظور بررسي قابليت تصاوير سنجنده SPOT5–HRG در تهيه نقشه انبوهي جنگلهاي خزري، داده‌هاي اين سنجنده با اندازه تفكيك مكاني 5 و 10 متر مربوط به سال 1381 مورد تجزيه و تحليل قرار گرفت. اين مطالعه در منطقه‌اي به وسعت 10000 هكتار در جنوب غربي شهرستان املش در استان گيلان انجام شد. پردازش رقومي داده‌هاي ماهواره‌اي به روشهاي مناسبي چون نسبت‌گيري، ادغام و تبديل PCA انجام شد و تعداد زيادي باند مصنوعي همراه با باندهاي اصلي، در تجزيه و تحليل‌ها مورد استفاده قرار گرفت. براي ارزيابي صحت نتايج طبقه‌بندي، يك نقشه واقعيت زميني نمونه‌اي در سطحي حدود 2500 هكتار از منطقه مورد مطالعه با استفاده از 7 قطعه عكس هوايي 1:40000 مربوط به سال 1380 تهيه گرديد. بدين‌منظور بعد از تهيه اُرتوفتوموزاييك رقومي عكس هوايي، تعداد 2520 قطعه نمونه يك هكتاري در كل سطح منطقه پياده شد و درصد تاج‌پوشش در هر قطعه نمونه با استفاده از شبكه نقطه‌چين 45 نقطه‌اي، محاسبه گرديد. طبقه‌بندي داده‌هاي ماهواره‌اي با استفاده از الگوريتم‌هاي طبقه‌بندي نظارت شده حداقل فاصله از ميانگين و حداكثر تشابه در ابتدا با 6 طبقه انبوهي انجام شد. به‌دليل تفكيك‌پذيري كم بين برخي طبقه‌ها، اين طبقات در هم ادغام شدند. در نهايت طبقه‌بندي با 3 طبقه انبوهي (1 تا 10، 10 تا 50 و 50 تا 100 درصد) و يك طبقه غيرجنگل با روش حداكثر تشابه، بهترين نتيجه را در بر داشت. در اين طبقه‌بندي، صحت كلي و ضريب كاپا به‌ترتيب 74 درصد و 33/0 برآورد شد. بيشترين صحت توليدكننده و كاربر (به‌ترتيب 95 و 82 درصد) مربوط به طبقه 3 انبوهي (50 تا 100 درصد) و كمترين آنها (به‌ترتيب 11 و 32 درصد) مربوط به طبقه يك انبوهي (1 تا 10 درصد) بود. هرچند كه صحت كلي 74 درصد براي طبقه‌بندي 4 طبقه‌اي را مي‌توان نسبتاً خوب ارزيابي كرد، ولي با توجه به ضريب كاپاي كم (33/0)، در مجموع نتايج طبقه‌بندي را نمي‌توان چندان مطلوب ارزيابي نمود. بنابراين براي كسب نتايج بهتر، آزمون قابليت سنجنده‌هايي با توان تفكيك طيفي بهتر و روشهايي مانند طبقه‌بندي شيي- پايه پيشنهاد مي‌شود.

In order to investigate the capability of SPOT5-HRG data for forest density mapping in Caspian forests, the data of this sensor with 5 and 10 spatial resolutions dated 2002 were analyzed. The study area with 10000 ha is located in south western of Amlash city in Guilan province. In addition to original bands, some synthetic bands using ratio, fusion and transformation methods were created and used. In order to accuracy assessment of classification results, a ground truth map covering 26% of total area was prepared based on seven aerial photos (1:40000) dated 2001. The aerial photos were orthorectified and mosaiced. A total of 2520 circle sample plots with one ha area were selected on the digital orthophotomosaic. Canopy closure percent of each plot was interpreted using a 45 dot grid. Satellite data were classified by supervised classification methods including minimum distance to mean (MD) and maximum likelihood (ML). The highest overall accuracy and kappa coefficient equal to 74% and 0.33 were obtained by maximum likelihood classifier with four classes (1-10%, 10-50%, 50-100% and non-forest). Third density class (50-100%) represented highest producer and user accuracy, 95% and 82%, respectively. Lower producer and user accuracy were related to first density class 11% and 32%, respectively. It could be concluded that due to low kappa coefficient (0.33), even if reaching to pretty good overall accuracy (74%), the result of classification was not desirable. To obtain a better result, it is suggested to test other classification methods like object-based. Using higher spectral resolution data are also offered.