مقايسه نقشه تيپ هاي جنگلي با استفاده از شبكه عصبي مصنوعي و داده هاي سنجنده ETM+ (مطالعه موردي: جنگل‌هاي قلاجه)

Comparison Forest Types Mapping using two methods Artificial Neural Network and ETM+ Data (Case Study: Qalajeh Forests, Kermanshah Province)

تهيه نقشه تيپ هاي جنگلي با استفاده از داده هاي ماهواره اي روز به روز در حال پيشرفت و تكامل مي باشد. استفاده از تكنيك هاي نوين مي تواند باعث بهبود نتايج استفاده از چنين داده هايي گردد. براي اين منظور، داده‌هاي رقومي سنجنده ETM+ مربوط به 7 مرداد ماه 1381 از بخشي از جنگل‌هاي زاگرس واقع در قلاجه استان كرمانشاه، با استفاده از روش شبكه عصبي در مقايسه با روش متداول نظارت شده حداكثر احتمال مورد تجزيه و تحليل قرار گرفتند. با استفاده از 80 % از قطعات نمونه، طبقه بندي به روش نظارت شده حداكثر احتمال و روش شبكه عصبي مصنوعي انجام و سپس نقشه حاصل از هركدام با 20 % از كل داده ها مورد ارزيابي قرار گرفت. نتايج نشان داد نقشه حاصل از اعمال روش شبكه عصبي مصنوعي در مقايسه با روش حداكثر احتمال نتايج بهتري ارايه مي كند، به طوري كه ميزان صحت كلي و ضريب كاپا به ترتيب 14 % و 05/0 بيشتر است. عليرغم برتري نسبتا بهتر روش شبكه عصبي نسبت به روش حداكثر احتمال، استفاده از اين روش نيز براي تفكيك تيپ بندي چهار طبقه در مناطق مشابه براي كاربردهاي اجرايي قابل توصيه نمي باشد.

Forest type mapping using satellite data is daily progressing and developing. Using of new techniques can improve the results of such data. For this purpose, Landsat ETM+ digital data on 7 August 2002 from Qalajeh as part of Zagros forests located in Kermanshah province were analyzed using maximum likelihood supervised classification method and neural network method. Classification was done using 80% of the sample plots, for both the maximum likelihood and artificial neural network methods and then results each of maps results were evaluated using 20% of the rest sample plots. Results showed that forest type map obtained from artificial neural network method was better compared with maximum likelihood method, so that the overall accuracy and kappa coefficient were about %14 and 0.05 higher, respectively. However, in despite of this superiority of neural network method, with regarding to obtained results for forest types classification in four classes, these results doesnʹt satisfied application of this maps for executive managers.