مقايسه دو روش حداكثر احتمال و شبكه عصبي مصنوعي در ارزيابي تغييرات سطح جنگل هاي حراء با استفاده از تصاوير ماهواره اي لندست در منطقه حفاظت شده گاندو استان سيستان بلوچستان

Compare the maximum likelihood and artificial neural networks evaluate the changes using Landsat satellite images in mangrove forests in the Gando protected area, Sistan-Baluchistan province

سابقه و هدف: آگاهي از تغييرات سطح جنگل ها همواره يكي مهمترين اقدامات و ملاحظات زيست محيطي در جهان محسوب مي شود . جنگل هاي حراء (مانگرو) از بكرترين و زيباترين چشم اندازهاي ساحلي ايران محسوب مي شود. قطع درختان حراء، تغيير كاربري سواحل جنگلي به تأسيسات، آلودگي نفتي و تغيير در هيدروديناميك دريا- ساحل از مهمترين عوامل تهديد كننده اين ذخاير گياهي محسوب مي شود. تصاوير ماهواره اي و تكنيك هاي پردازش تصاوير ابزار بسيار دقيقي براي پيمايش و ارزيابي تغييرات سطوح جنگلي محسوب مي شود. هدف اين تحقيق ارزيابي كارايي دو روش حداكثر احتمال و شبكه عصبي مصنوعي به منظور كشف و شناسايي تغييرات پوشش جنگلي منطقه حفاظت شده گاندو در استان سيستان و بلوچستان مي باشد. مواد و روشها: منطقه حفاظت شده گاندو در منتهي اليه جنوب شرقي ايران و در بخش ايراني خليج گواتر قرار گرفته است و به واسطه وجود پوشش جنگلهاي حراء و زيستگاه تمساح پوزه كوتاه ايراني از ارزش زيست بومي فوق العاده اي برخوردار است. در اين تحقيق از اطلاعات و نقشه هاي توپوگرافي ، تصاوير سنجنده هاي ETM+ , tm, mss ماهواره لندست، سال ها ي 1972 - 1995 و 2015 مربوط به منطقه تحقيق و الگوريتم هاي (طبقه بندي كننده)، حداكثر احتمال و شبكه عصبي مصنوعي استفاده شد . براي ارزيابي صحت هركدام از طبقه بندي ها با استفاده از دستگاه GPS به صورت تصادفي اقدام به جمع آوري نقاط حقايق زميني شده و با پياده سازي نقاط كنترل برد اشت شده، پارامترهاي آماري ارزيابي صحت خطا شامل ضريب كاپا و صحت كلي محاسبه شد. يافته ها: نتايج تحقيق نشان ميدهد نقشه حاصل از اجراي الگوريتم شبكه عصبي مصنوعي داراي صحت كلي 98/32 درصد و ضريب كاپا 0/9781 و نقشه حاصل از اجراي الگوريتم حداكثر احتمال ؤ 92/45 درصد و ضريب كاپا 0/901 مي باشند. در نتيجه نتايج حاصل از به كارگيري الگوريتم شبكه عصبي مصنوعي نسبت به نتايج الگوريتم حداكثر احتمال در تهيه نقشه پوشش زمين دقيق تر مي باشد. نتيجه گيري: طبق نتايج تحقيق اگر چه استفاده از الگوريتم شبكه عصبي، صحت بالاتري در مقايسه با روش طبقه بندي حداكثر احتمال ارايه مي دهد لكن روش طبقه بندي حداكثر احتمال نيز با توجه به صحت طبقه بندي 92/45 درصد، روش مطلوبي در ارزيابي تغييرات محسوب ميشود. در نهايت طبق محاسبات انجام شده مشخص شد سطح مجموع جنگل هاي متراكم و پراكنده حراء در منطقه در سال 1972 به ميزان 0/24 كيلومترمربع بوده كه اين مقدار در سال 1995 به 1/4 كيلومتر مربع و درسال 2015 به 4/2 كيلومتر مربع رسيده است. در حالت كلي روند افزايش سطح جنگل ها در مقياس جهاني از تحولات اقليمي نشات ميگيرد ولي در ناحيه مذكور عواملي متعددي چون بالا آمدن سطح اساس درياي عمان و پيشروي آب در خليج گواتر و به تبع آن افزايش سطح زمين هاي گلي شرايط مساعدي را براي رويش و گسترش جنگلهاي مانگرو ايجاد نموده است . لذ ا هرگونه برنامه ريزي در مورد مديريت منطقه ساحلي و مديريت حيات وحش و جامعه گياهي منطقه حفاظت شد ه گاندو بايد براساس ملاحظات طبيعي و زيست محيطي باشد به نحوي كه با حفظ ميراث طبيعي بتوان از حداكثر امكانات طبيعي جهت بالابردن سطح معيشت ساكنين اين منطقه دور افتاده از كشور استفاده نمود.

Background and objectives: Awareness of forest area changes has always been one of the world's most important environmental actions. Mangrove forests are the rarest and most beautiful coastal landscapes is Iran. Logging of mangrove, coastal forest use change on infrastructure, oil pollution and changes in hydrodynamics of the sea-coast is the most important factor threatening these plant resources. Satellite imagery and image processing techniques are the highly accurate tools for navigation and Evaluate changes in forest areas. The purpose of this study is to evaluate the efficiency of maximum likelihood and artificial neural networks to detect changes in forest of cover in Gando protected area, Sistan and Baluchistan province. Materials and methods: Gando is a protected area in the far south-eastern Iran, in the Persian part of goiter Gulf is very important. Because there a tremendous ecological value so mangrove forest cover and habitat for crocodiles Iranian short nozzle. This research is used of information and topographic maps, images sensors, tm, mss, ETM + Landsat, the years 1972-1995 and 2015, and algorithms (classifiers), maximum likelihood and artificial neural network. To evaluate the accuracy of classifications used GPS devices and set ground control points and randomly and the accuracy of error is calculated with statistical parameters such as kappa coefficient and total accuracy. Results: The results show a map of the neural network algorithm is an overall accuracy of 98.32 % and kappa coefficient maximum likelihood algorithm is applied 0.9781and maps of the overall accuracy of 92.45% and kappa coefficient 0.901. The result is more accurate results than using artificial neural network algorithm compared to maximum likelihood algorithm results in land cover mapping. Conclusion: According to the results, although the use of neural network algorithm, higher accuracy compared with maximum likelihood classification method offers classified Nevertheless, the method of maximum likelihood classification accuracy of 45/92 % is a good method to evaluate changes. According to calculations, dense forests of mangroves scattered in the region in 1972 at a rate of 4.2 square kilometers has found that the amount of change in 1995 and in 2015 to 1.4 square kilometers to 2.4 square kilometers. In general, the gains in forest area affected by global-scale climate changes. But the area has an impact on many factors such as rising sea levels and the progress of the water to the shore of the Sea of Oman and consequently increases the muddy surface which has created favorable conditions for the growth and expansion of mangrove forests. Therefore, any planning of coastal zone management and the management of wildlife and vegetation of the Gando protected natural area is should be based on and environmental and natural considerations. So that to preserve the natural heritage of the region to exploit the maximum possibilities of the region to improve the livelihood of the inhabitants of this remote region of the country.