طبقه‌بندي تاج‌پوشش جنگل بر روي عكس‌هاي هوايي با استفاده از تجزيه و تحليل بافتي(مطالعه موردي: جنگل تاف لرستان)

Forest Canopy Classification on Aerial Photographs Using Textural Analysis (Case study: Taf Forest in Lorestan Province)

مديريت درست و هوشمند منابع جنگلي مستلزم به‌كارگيري داده‌هاي دقيق و روزآمد است. عكس‌هاي هوايي يكي از منابع مناسب براي اين امر به شمار مي‌آيند. در پژوهش حاضر، براي تهيه نقشه‌ تراكم تاج‌پوشش جنگل از الگوهاي بافت عكس‌هاي هوايي و مدل‌هاي شبكه عصبي مصنوعي، متوازي‌السطوح، حداقل فاصله و حداكثر احتمال استفاده گرديد. منطقه مورد مطالعه در غرب كشور و ناحيه زاگرس مركزي واقع شده است. مقدار ميانگين مربعات خطا براي عكس‌هاي هوايي ارتوفتوشده با قدرت تفكيك مكاني 56/0 متر برابر با 2/0 پيكسل به‌دست آمد. ارتوفتوها با رعايت تعادل راديومتريكي به ارتوفتوموزاييك براي ايجاد ديد كلي از منطقه تبديل گرديدند. باندهاي مختلف حاصل از تجزيه و تحليل بافتي با ماتريس هم‌وقوعي به ابعاد 3 3 تهيه گرديدند. در الگوي بافت، پنجره 10 10 پيكسلي به دليل همگني در سطح نمونه‌ها براي آموزش بهينه خوارزميك‌ها مناسب تشخيص داده شد. در اين بررسي امكان تفكيك 4 كلاس از تراكم تاج‌پوشش جنگل‌هاي مورد مطالعه با صحت بالاتر بر روي تصاوير بافت به نسبت تصوير خام مقدور گرديد. نتايج حاصل از ارزيابي نقشه‌هاي خروجي نشان داد كه شبكه عصبي مصنوعي با صحت كلي و ضريب كاپا به ترتيب 85 درصد و 8/0 در طبقه‌بندي تصاوير حاصل از تجزيه و تحليل بافتي در مقايسه با ديگر روش‌هاي مورد استفاده در اين تحقيق بهتر عمل مي‌كنند.

Abstract The effective management of forest resources requires up-to-date and precise data. Aerial photos are one of the suitable tools for this purpose. In this study, we aimed to use texture patterns of aerial photos to provide forest canopy density mapping by Artificial Neural Network (ANN), parallelepiped (PP), Minimum Distance (MD) and Maximum Likelihood (ML) classifiers. The Study area is located in central Zagros in the west of Iran. All aerial photos were referenced to orthorectified, 0.56 meter-resolution with a Root Mean Square Error (RMSE) value of 0.2 pixels. Orthophotomosaic of photos were carried out using radiometric balance between orthophotos in order for a general view of the studied area. Co-occurrence matrix with a window size of 3×3 was used for the purpose of producing different textural bands. In textural pattern, window size of 10×10 pixels was selected for training algorithms due to the homogeneity of training samples in this window size. In this research, the discrimination of four classes of forest canopy density was enabled on textural bands with a higher accuracy than the original band. The achieved results of output maps showed the best result for ANN model with a Kappa coefficient and overall accuracy of o.8 and 85% respectively in analyzed textural bands classification in comparison to the other methods used. Keywords: Forest Canopy, Texture Pattern, Artificial Neural Network, Classification Methods.