مقايسه سه روش سنجش از دوري، واحدهاي فيزيوگرافي و ژئومورفولوژيكي جهت تهيه نقشه پوشش گياهي

Comparison of three methods of vegetation/land cover mapping, including remote sensing, Physiographic and Geomorphologic

در اين تحقيق سه روش سنجش از دوري، فيزيوگرافيكي و ژئومورفولوژيكي براي تهيه نقشه پوشش گياهي مورد بررسي قرار گرفت. در روش سنجش از دور، علاوه بر تصاويرسنجنده IRS-LISSIII از نقشه مدل رقومي ارتفاعي زمين و شاخص گياهي تفاضلي نرمال شده به عنوان داده هاي كمكي استفاده و براي طبقه بندي آنها از روش نظارت شده حداكثر احتمال استفاده شد. بررسي دقت نقشه هاي توليدي، نشان داد زماني كه تنها از داده هاي سنجش از دور استفاده شود، ميزان دقت و ضريب كاپاي حاصل به ترتيب 82% و 79/43 % و دقت و ضريب كاپاي به همراه داده هاي كمكي به ترتيب 93% و 90/63 % مي باشد. در روش فيزيوگرافي، پس از تعيين مهم ترين عوامل فيزيوگرافيكي شامل شيب، جهت شيب، ارتفاع از سطح دريا، ميانگين سالانه بارش، درجه حرارت و ميزان تابش خورشيدي به عنوان عوامل تعيين كننده پوشش گياهي و رابطه اين عوامل با پوشش گياهي مورد آزمون قرار گرفت. بدين منظور، با استفاده از مدل رگرسيون لجستيك چند جمله اي نقشه پوشش گياهي با دقت 47/08 % پيش بيني شد. در روش ژئومورفولوژ‍ي نيز نقشه هاي سنگ شناسي، شكل پستي و بلندي و رخساره هاي ژئومورفولوژي تعيين و جهت پيش بيني نقشه پوشش گياهي از روش شبكه عصبي مصنوعي استفاده گرديد. اين روش دقتي برابر با 39/1 % را نشان داد. تفاوت فاحشي كه در دقت تصاوير حاصل از دو روش فيزيوگرافيكي و ژئومرفولوژيكي با روش سنجش از دور مشاهده مي گردد، بيانگر اين است كه روش سنجش از دوري دقت قابل توجه بيشتري براي پيش بيني پوشش گياهي در مقايسه با دو روش ديگر حتي در صورت استفاده نكردن از لايه هاي كمكي دارد.

In this study، three methods were evaluated for vegetation mapping. For remote sensing method، in addition to IRS data of LISSIII، Ddigital Elevation Model (DEM) and Normalized Difference Vegetation Index (NDVI) were used for classification of 14 classes of land covers mostly vegetation types using a maximum likelihood algorithm. After comparing of produced vegetation maps، overall accuracy and Kappa index were 82% and 79.43% respectively when only the IRS were used. Whereas، the overall accuracy and Kappa index were increased to 93% and 90.63% respectively، when ancillary data of DEM and NDVI were added. Slope، slope direction، elevation above sea level، annual precipitation، temperature، and sun radiation were selected as the main physiographic after a broad literature review. Then the relationship between of these six factors with vegetation types was evaluated. so a multivariate logistic regression was used to draw vegetation map of the study area based on the sixth independent variables. The result showed a predicted vegetation map of 47.08% accuracy.Finally، in the morphological method، relationship between three maps of lithology، undulating form of geomorphology and faces with vegetation/land cover were determined using a neural network synthetic approach and predict vegetation map was drawn as the output. The accuracy of resulted map was 39.1%. Comparison of accuracy of vegetation mapping by three methods of RS، physiographic and geomorphological methods revealed that RS method of vegetation/land cover mapping is significantly promising due to a meaningfully higher accuracy even without using ancillary data such as DEM and NDVI in this method.