عنوان پایان‌نامه
مقایسه روشهای پیکسل پایه و جز پیکسل در براورد عامل پوششگیاهی با استفاده از مدل....
- رشته تحصیلی
- سنجش از دور وسیستم اطلاعات جغرافیایی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده جغرافیا شماره ثبت: 1655;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 55617;کتابخانه دانشکده جغرافیا شماره ثبت: 1654
- تاریخ دفاع
- ۰۱ مهر ۱۳۹۱
- دانشجو
- افشین شعبانی
- استاد راهنما
- سیدکاظم علوی پناه
- چکیده
- فرسایش خاک اثرات نامطلوبی بر تولیدات کشاورزی، زیر ساخت ها و کیفیت آب در سرتاسر جهان می گذارد. با توجه به اینکه اکثر عملیات های حفاظت خاک به میزان فرسایش در مقیاس حوزه آبخیز نیازمند هستند برآورد میزان فرسایش خاک از اهمیت ویژه ای برخوردار است. مدل های فرسایش همچون USLE, RUSLEو اخیرا 2 RUSLE ابزار مفیدی برای برآورد کمی فرسایش خاک هستند. با این وجود برآورد عامل¬های موثر در فرسایش خاک در مناطق پهناور جغرافیایی به دلیل هزینه، کار آزمایشگاهی و صرف زمان بسیار مشکل می باشد. در این میان، عامل پوشش گیاهی یکی از پارامترهایی است که برآورد آن در مناطق پهناور بسیار مشکل می باشد. تا کنون روش های متفاوتی با استفاده از تکنیک های سنجش از دور در برآورد این عامل معرفی شده است. که در این تحقیق برای محاسبه پوشش گیاهی از سه روش مختلف شامل، شاخص های گیاهی، طبقه بندی ماشین بردار پشتیبان (SVM) و طبقه بندیLSUبا استفاده و بدون استفاده از داده زمینی استفاده گردیده است. صحت سنجی روش های به کاربرده شده با 16 نقطه اندازه گیری شده بیانگر آن است که روش طبقه بندی SVM با استفاده از داده زمینی، کمترین میزان مربع میانگین خطا (000875/0) را به خود اختصاص داده است و همبستگی بالایی (83/0) با عامل پوشش گیاهی اندازه گیری شده دارد. در ادامه از این روش برای بازسازیعامل پوشش گیاهی در سطح منطقه و محاسبه میزان فرسایش خاک استفاده گردید. همچنین میزان فرسایش خاک برآوردی با استفاده از مدل 2 RUSLEهمبستگی بالایی (73/0) با عامل پوشش گیاهی را نشان می دهد.
- Abstract
- Soil erosion creates negative impacts on agricultural production, infrastructure, and water quality across the world. Estimation of soil erosion is a critical matter, because soil conservation planning often requires estimates of soil erosion at a catchment scale. Predictive models such as USLE, RUSLE and recently RUSLE 2 are useful tools to generate the quantitative estimates. However, large-scale soil erosion model factor parameterization and quantification is difficult due to the costs, labor and time involved. Among the soil erosion parameters, the vegetative cover or C factor has been one of the most difficult parameter to estimate over broad geographic areas. Thus, many methods have developed by remote sensing techniques to estimate C factor. In this research, three methods have chosen to evaluate remote sensing techniques including vegetation index, support vector machine (SVM) classification and linear mixture analysis (LSU) with and without field data. In the next stage, Cross validation was performed by sixteen measured samples, which indicated that C factor value obtained from associated SVM classification with field data has minimum RMS (0.000875), and it is strongly correlated (0.83) by field data. Eventually, this method used for C factor mapping. Also, erosion value was estimated by RUSLE 2 Showed this model has strong correlation with vegetation factor (0.73).
