عنوان پایان‌نامه
تهیه نقشه تیپ جنگل با استفاده از داده های ماهواره لندست۸ در بخش های بهاربن و گرازبن جنگل خیرود
- رشته تحصیلی
- مهندسی منابع طبیعی - جنگلداری
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 7309;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 80065;کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 7309;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 80065
- تاریخ دفاع
- ۳۱ شهریور ۱۳۹۵
- دانشجو
- سیدعلی نقیبی راد
- استاد راهنما
- علی اصغر درویش صفت
- چکیده
- نقشه تیپ جنگل یکی از نیازهای اصلی و اساسی مدیریت در جنگل است. تهیه نقشه تیپ جنگل بر اساس داده های سنجش از دور بسیار مورد توجه است. به همین منظور قابلیت داده های ماهواره لندست 8 در بخش هایی از جنگل خیرود در این پژوهش مورد بررسی قرار گرفته است. انطباق دقیق لایه وکتوری جاده های منطقه و استخراج شده از نقشه توپوگرافی بر روی تصویر نشان دهنده کیفیت خوب هندسی تصاویر بود. با بزرگ نمایی تصاویر رنگی در قسمت های مختلف از تصاویر و بازبینی بصری آن و بدون ابر بودن تصاویر، کیفیت مطلوب تصاویر از لحاظ رادیومتریک تایید شد. به منظور کسب نتایج مطلوب در فرآیند طبقه بندی، پیش پردازش و بارزسازی هایی همچون تجزیه مولفه های اصلی، نسبت گیری و تهیه شاخص های گیاهی همچون NDVI و همچنین تبدیل تسلدکپ صورت پذیرفت. به منظور تعیین تعداد و نوع طبقات تیپ و تعیین تفکیک پذیری آن ها از شاخص های تفکیک پذیری همچون جفری ماتوزیتا استفاده شد. برای واقعیت زمینی در بخش بهاربن از نقشه تیپ موجود که در پژوهش های گذشته تهیه شده بود استفاده گردید. در بخش گرازبن نیز واقعیت زمینی به وسیله برداشت پلیگون های هر تیپ در عرصه تهیه شد. طبقه بندی تصاویر با استفاده از خوارزمی پارامتریک بیشترین شباهت و خوارزمی های ناپارامتریک جنگل تصادفی، شبکه عصبی و ماشین بردار پشتیبان انجام گردید. نتایج نشان داد بالاترین مقدار صحت در تیپ خالص راش و با صحت تولید کننده 97/77 % و صحت کاربر 17/83 % و همچنین در تیپ آمیخته راش با صحت تولید کننده 92 % و صحت کاربر 07/91 % بوده است. نتایج نشان داد بالاترین مقدار صحت کلی14/64 % و با ضریب کاپا 466/0 به وسیله خوارزمی جنگل تصادفی در هفت طبقه بدست آمده است. در صورتی که خوارزمی های شبکه عصبی و ماشین بردار پشتیبان در بهترین حالت تنظیم شده باشند نتایج آن ها با یکدیگر تفاوت چندانی ندارد و به همین دلیل با توجه به سرعت عمل بیش تر و همچنین عدم نیاز به نمونه های تعلیمی زیاد در خوارزمی ماشین بردار پشتیبان این خوارزمی مناسب تر از شبکه عصبی است و انتخاب مناسبی برای طبقه بندی تیپ جنگل است.
- Abstract
- Forest type Map is one of the basic needs in the forest management. Mapping forest type based on remote sensing data is highly regarded.Therefore, in this research the ability of Landsat -8 data was studied in parts of the Kheyrud forest. The accurate compliance of vector layer of forest roads that was extracted from the topographic map shows the good quality geometric images. With visual inspection of color composite images, high quality of images was confirmed. In order to obtain optimum results in the classification process, preprocessing and enhancement process such as PCA, ratios, NDVI and Tasseled cap were applied. To determine the number, type of classes and their separability indicators such as Jeffrey Matozyta were used. The forest type map of Baharbon district prepared by other research was used as ground truth map. Ground truth for Gorazbon was prepared through field work. Image classifications were performed using the Maximum Likelihood, random forest, neural network and support vector machine. The results showed that pure beech and mixed beech types have the highest accuracy. The produce accuracy and user accuracy were 77/97% and 83/17% for pure beech type and 92% and 91/07% for mixed beech type respectively. Also, results showed that the highest overall accuracy (64/14%) has obtained by random forest algorithm with Kappa coefficient about 0/466. Generally, if the neural network algorithms and support vector machine have been set at the best situation, their results should not be much different. However, support vector machine is more appropriate than neural network for classifying of forest type due to its higher operating speed and no need for a lot of training areas.
