برآورد تغييرات سطح پوشش جنگل هاي رودسر با استفاده از روش هاي طبقه بندي شبكه عصبي مصنوعي و حداكثر احتمال

Estimating changes in forest cover in the Rudsar county by using neural network and maximum likelihood methods

امروزه كسب آگاهي و دانش در رابطه با پوشش گياهي نقش مهمي را در مديريت خاك ها ايفا مي كند. بااين وجود برآورد پوشش گياهي به روش معمولي كه شامل برآورد كلي از پوشش گياهي است هم زمان بر است و هم اطلاعات چندان دقيقي را به دست نمي دهد. از اين رو سنجش از دور فنآوري بسيار مفيدي است كه به دليل كاهش زمان و هزينه، بر ساير روش ها ارجحيت داده مي شود. در اين تحقيق سعي بر آن شد با استفاده از تكنيك هاي سنجش از دور و تصاوير سنجنده ETM+سال 2000 و لندست 8 مربوط به سال 2013 نقشه پوشش جنگل هاي رودسر تهيه شود. طبقه بندي رقومي تصوير منطقه جهت تهيه نقشه كاربري اراضي با استفاده از طبقه بندي كننده حداكثر احتمال و شبكه عصبي با شركت دادن مجموعه باندهاي مختلف انجام شد. نتايج نشان داد كه در بهترين حالت، صحت كلي طبقه بندي تصوير در روش شبكه عصبي ETM+ سال 2000 و لندست 8 سال 2013 به ترتيب معادل 95/0 و 95/0 و ضريب كاپاي 91/0 و 91/0 برآورد شد. دقت كلي در روش حداكثر احتمال در تصوير سال 2000 و 2013 معادل 95/0 و 85/0 و آماره كاپا معادل 86/0 و 84/0 محاسبه گرديد. نتايج تحقيق همچنين نشان داد ميزان كاهش پوشش جنگلي در روش طبقه بندي شبكه عصبي 507/1054 هكتار و ميزان كاهش پوشش جنگلي در روش طبقه بندي حداكثر احتمال 319/635 هكتار بوده است. با توجه به دقت طبقه بندي و آماره كاپا مشاهده مي شود دقت و ضريب كاپاي روش طبقه بندي شبكه عصبي بالاتر از دقت و ضريب كاپا در روش حداكثر احتمال است.

The acquisition of knowledge about the vegetation plays an important role in soil management. However, vegetation estimating in the usual way, including an overall assessment of the vegetation is time consuming and does not also provide accurate enough information. Therefore, remote sensing technology is a desirable way for reducing time and cost compared to other usual methods. In this study, forest cover maps were prepared using remote sensing techniques and LandSat ETM+ imagery of year 2000 and LandSat 8 of year 2013. The classification of the study area digital images was performed to prepare land use map classification using maximum likelihood and neural network with participation of different bands. The results showed that the best overall accuracy of image classification using neural networks ETM+ in 2000 and LandSat 8 in 2013 was 0.95 and 0.95 respectively. It was also indicated that the kappa coefficient was estimated 0.91 and 0.91 respectively. The overall accuracy of maximum likelihood method of the collected images of 2000 and 2013 was 0.95 and 0.85, but it was 0.86 and 0.84 for Kappa statistics method. The results also showed a 1054.507 and 635.319 hectares decreasing of forest cover using neural network classification and maximum likelihood classification methods respectively. According to classification accuracy and Kappa statistics, it was observed that the accuracy and kappa coefficient of neural network classification was higher than accuracy and the Kappa coefficient of maximum likelihood method.