عنوان پایان‌نامه
تولیدنقشه ی پوشش گیاهی و طبقه بندی وضعیت مراتع طالقان با استفاده از سنجش از دور
- رشته تحصیلی
- مهندسی منابع طبیعی - مرتعداری
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 64529;کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 6007
- تاریخ دفاع
- ۲۵ شهریور ۱۳۹۳
- دانشجو
- الهام شافعیان
- استاد راهنما
- حسین ارزانی
- چکیده
- این تحقیق سعی بر بررسی وضعیت پوشش گیاهی حوضه طالقان میانی با تکیه بر نقش سنجش از دور در مطالعات محیطی و پوشش گیاهی دارد. برای رسیدن به این هدف ابتدا با استفاده از روش نمونه برداری تصادفی طبقه بندی شده، از هفده تیپ موجود در منطقه مورد مطالعه، اقدام به برداشت اطلاعات زمینی گردید و با استفاده از روش حداقل سطح (Minimal area) سطح پلات ها تعیین گشت و در هر تیپ 4 واحد نمونه برداری به طور تصادفی انتخاب گردید و محل دقیق این نقاط تصادفی با GPS ثبت شد و در هر واحد نمونه برداری 10 پلات (1مترمربعی) مستقر گردید (که مرکز این واحد نمونه برداری همان نقطه تصادفی ثبت شده است) به این صورت که پلات ها روی محیط دایره ای فرضی به شعاع حدود 30 متر (بر اساس اندازه پیکسل ماهواره که 30 × 30 می باشد) قرار گرفتند و محل دقیق هر پلات نیز با GPS ثبت گردید و بطور کلی 738 نقطه کنترل زمینی ثبت گشت. طبق روش چهار فاکتوری تعدیل شده در تمامی پلات ها عامل خاک، عامل پوشش گیاهی، عامل ترکیب گیاهی، عامل بنیه و شادابی گیاهان گشت و به این طریق وضعیت و میزان پوشش هر تیپ تعیین شد. پس از فرآهم نمودن تصویر لندست 8 سنجنده OLI مورد استفاده، پیش پردازش شد و در این فرآیند تنها تصحیح اتمسفری به روش Drake Subtrac و تبدیلات رادیومتریکی استفاده شد و تصحیح هندسی به دلیل مشخص بودن تصویر در موقعیت زمینی ضرورتی نداشت. سپس با استفاده از روش طبقه بندی نظارت شده شبکه عصبی سیستم بردار پشتیبان اقدام به طبقه بندی نظارت شده با کمک نقاط GPS برداشت شده گردید. سپس شاخص NDVI بر روی تصاویر اجرا گردید. با استفاده از مدل طبقه بندی نظارت شده شبکه عصبی سیستم بردار پشتیبان تصویر ماهواره ای مورد استفاده به 4 کلاس پوشش گیاهی ضعیف، خیلی ضعیف، متوسط و خوب طبقه بندی شد. در NDVI اعمال شده نیز خروجی بین 57/.- تا 67/. بوده که طبقه بندی گردید. در مرحله طبقه بندی جهت ارزیابی صحت طبقه بندی از معیارهای دقت کلی و ضریب کاپا استفاده شد. تصویر مورد استفاده از طریق روش SVM با دقت کلی 91 و ضریب کاپای 93/. درصد و از طریق شاخص NDVI با دقت کلی 73 و ضریب کاپای 67/. درصد مورد طبقه بندی قرار گرفت. بنابراین روش طبقه بندی نظارت شده SVM بهترین روش برای طبقه بندی و بررسی پوشش گیاهی منطقه می باشد، همین عامل گویای کارایی و نقش سنجش از دور در شناسایی و بررسی وضعیت مراتع، می باشد و شاخص NDVI بدلیل داشتن ضعف هایی اعم از نادیده گرفتن تاثیر خاک، برای شناخت کلی از منطقه مناسب بوده و برای شناخت دقیق و بررسی اصولی مناسب نیست. واژه های کلیدی: نمونه برداری تصادفی طبقه بندی شده، تصویر لندست 8، وضعیت مرتع، نقشه پوشش گیاهی، شبکه عصبی SVM و شاخص NDVI، GPS
- Abstract
- Thisstudyaim is to produce cover map and estimate the rangecondition inthe CentralTaleghan basinbased onremote sensinginEnvironmentalandvegetation Studies. Toachieve this goal we use thestratified randomsampling method in seventeentypesin thestudy area, and collect the grounddata. By usingMinimal area method, thearea ofthe plotswas determined, inevery type 4 sample unitswererandomly selected, and Randomlocationswere recordedwith GPS, ineach ofunitsamples10 plots(1 m2) weredeployed (which thecenterpointoftherandomsamples were the point which was recorded by GPS).In a way thattheplots were on theimaginary circles with a radius ofabout 30meters(based on thesatellitepixel sizeis30 × 30).And theexact locationof eachplotwas recordedwith theGPS, the overall record of ground controlpointswas738. According to thefour-factor method (a method for estimating the range condition) inall of the plots ,the soil factor,thevegetation,theplantcomposition, vigorandvitalityofthe plantswas determined.So, the range conditionandthecoverage of eachtypewas determined. After downloading and providingLandsat8 image, the OLIsensor was pre-processed.Inthisprocess,onlyatmospheric correction by using Drake Subtrac methodand radiometricconversion were used.Geometric correctionwas not necessary todetermine.Then a supervised classificationmethod (support vector matching) was used to classifythe image by usingGPSpoints whichweretaken.Then the NDVI indexwasperformedon images. thesupervised classification model classified the satellite imagesintofourclassesof vegetation, such as : weak vegetation,very weak, moderate, good.In applied NDVI the output was between 0.57 to 0.67, which was classified. Inorder toassess theaccuracy oftheclassifications the overall accuracyand kappa coefficientcriteria were used.The overall accuracyand kappa coefficient of SVM method was 91 and 0.93 percent and for NDVI method they were 73 and 0.67 percent.Thus,SVM method is one of the bestmethods for classifyingandevaluatingthevegetation qualities.This case indicates the usefulness and role of remote sensing in identifying and assessing rangeland condition and traits.And NDVI indexdue toalackofeitherignoring theinfluence ofthe soil,foran overview of theareawas suitable, butforaccurate recognitionandreviewthe principlesis not suitable.
