بررسي سطح جنگل با استفاده از ماشين‌بردار‌پشتيبان و ارائه مدل پيش‌بيني سطح تغييرات

Investigation of forest area using support vector machine and provide a model for predicting the level of changes

با توجه به تخريب فزاينده در سطح اكوسيستم‌هاي طبيعي، تعيين ميزان و موقعيت وقوع تغييرات كاربري اراضي و پيش‌بيني روند آن در آينده مي‌تواند اطلاعات ارزنده‌اي را به‌برنامه‌ريزان و مديران ارايه دهد. در اين تحقيق به‌منظور پايش تغييرات در حال حاضر و پيش‌بيني آن در آينده در محدوده سياهكل ارزيابي و پيش‌بيني تغييرات با تصاوير لندست انجام شد. روش‌هاي گوناگوني براي پيش‌بيني تغييرات كاربري اراضي وجود دارد. فرايندهاي پيش‌بيني و مدل‌سازي تغييرات كاربري اراضي، از قبيل رشد و توسعه شهري، جنگل‌زدايي و غيره به‌عنوان ابزاري توانمند در مديريت منابع طبيعي و پايش تغييرات زيست‌محيطي به شمار مي‌آيند. اين تغييرات نشان‌دهنده چگونگي تعاملات بشر با محيط‌زيست خود بوده و مدل‌سازي آن در تصميم‌گيري‌ها و برنامه‌ريزي‌هاي و مدل‌سازي آن در تصميم‌گيري‌ها و برنامه‌ريزي‌هاي كلان، تاثيرگذار است. در اين تحقيق نيز با توجه به توانمندي‌هاي بالاي سنجش از‌دور و ابزارهاي مدل‌سازي و پيش‌بيني تغييرات با استفاده از سلول‌هاي خودكار-زنجيره ماركوف در جنگل‌ها در شمال ايران پرداخته شد. مواد و روش‌ها در تحقيق حاضر، از تصاوير لندست 5، سنجنده TMسال 2000 و لندست 7 سنجنده ETM+ سال 2010 و لندست 8 سنجنده OLI سال 2018 استفاده شد. در مرحله پيش‌پردازش خطاهاي موجود بر روي داده‌هاي خام از قبيل خطاهاي راديومتري، اتمسفري، و هندسي تصحيح مي‌گردد. توجـه بـه بررسي‌هاي صورت گرفته و انطباق راه‌هـاي ارتبـاطي اسـتخراج شـده از نقشــه توپـوگرافي سـازمان نقشـه‌بــرداري بــا تصــوير ماهواره‌اي، اين تصاوير فاقد خطاي هندسي قابل‌توجهي بود، امـا داراي خطاي راديومتريك بود كه ابتدا تصحيح راديومتريـك بـر روي تصوير مـاهواره‌اي بـا تبـديل DN بـه راديـانس و سـپس انعكــاس بــا اســتفاده از الگــوريتم فلاش در نــرم افــزار ENVI صورت گرفت رفع گرديد. براي تهيه نمونـه‌هـاي تعليمـي از برداشـت‌هـاي زمينـي، نقشـه‌هـاي توپـوگرافي بـا مقيـاس 1/25000 سـازمان نقشه‌برداري استفاده گرديـد. 84 نقطه بـراي كـاربري جنگـل، 76 نقطـه بـراي كـاربري جنگل تنك، 31 نقطه براي كاربري كشاورزي و 21 نقطه براي كاربري شهري برداشت شد. تكنيك‌هاي طبقه‌بندي براي گروه‌بندي پيكسل‌ها به‌كار مي‌روند تا بتوانند جزئيات پوشش‌زمين را نشان دهند. پوشش زمين در پنج كلاسه جنگل متراكم، جنگل نيمه متراكم، جنگل تنك، منطقه شهري و منطقه كشاورزي طبقه‌بندي گرديد. نرم‌افزار سنجش از دور ENVI چهار نوع كرنل (Kernel) براي ماشين‌بردار پشتيبان چندين روش طبقه‌بندي وجود دارد؛ خطي، چندجمله‌اي، شعاعي و پيچشي، كه با توجه به مطالعات بهتـرين كرنـل براي طبقه‌بندي كاربري اراضي روش كرنل شعاعي (RBF) استفاده گرديد. از طبقه‌بندي تركيب باندي مناسبي كه بتوانـد ايـن كـلاس‌هـا را براي تفسير بصري از هم جدا كند توسط پلات ميـانگين طيفـي انتخاب شد. اين عمل توسط شاخص تركيب باندي OIF صورت پذيرفت. پـس از استخراج كـاربري هـاي اراضـي به روش مـورد نظـر نتـايج به دست آمده دقت سنجي شدند. نقشه‌هاي تهيه‌شده كاربري اراضي، با نقاط GPS زميني، نقشه وضع موجود منطقه مقايسه و با استفاده از ماتريس خطاي تشكيل‌شده ضريب كاپا و دقت كلي آن به دست آمد، كه از 200 نقطـه بـه صـورت تصادفي بر روي تصاوير ايجاد شد و كاربري اين نقـاط توسـط بازديــدهاي صــحرايي و نقشــه‌هــاي توپوگرافي سازمان نقشه‌برداري مشخص شد. نقشه‌هاي طبقه‌بندي كاربري‌هاي تهيه‌شده، جهت مدل‌سازي و پايش تغييرات كاربري اراضي وارد نرم‌افزار Idrisi شد تا تغييرات كاربري‌ها در سال‌هاي موردمطالعه مدل‌سازي گردد. درجهت انجام مدل‌سازي تغييرات كـاربري اراضـي از مــدل LCM در محــيط نــرم‌افــزار Idrisi استفاده شد. مدل Markov-CA تلفيقي از سلول‌هاي خودكار، زنجيره ماركوف و تخصيص چندمنظوره اراضي است. مدل ماركوف همچنين موقعيت هر كاربري را با توليد مجموعه‌اي از تصاوير احتمال وضعيت از ماتريس احتمال انتقال نشان مي‌دهد. در مرحله آخر از مدل‌سازي با استفاده از ماتريس مساحت انتقال در مدل CA ماركوف مي‌توان نقشه شبيه‌سازي شده از كاربري اراضي در آينده را به دست آورد. در پژوهش حاضر، از نقشه كاربري اراضي سال 2010 و 2018 استفاده شد تا نقشه سال 2028 پيش‌بيني شود. به منظور بررسي دقت پيش‌بيني توسط CA ماركوف با استفاده از نقشه كاربري سال 2000 و 2010، نقشه سال 2018 را پيش‌بيني كرده و با نقشه‌اي كه از طريق طبقه‌بندي نظارت شده براي اين سال به دست آمده است مقايسه شد. نتايج و بحث ارزيابي صحت طبقه‌بندي با استفاده از شاخص ضريب كاپا و دقت كلي به دست آمد. ضريب كاپا و دقت كلي براي تصوير سال 2000، به ترتيب 0.88 و 0.89 و براي تصوير 2010، 0.91 و 0.92 و براي تصوير سال 2018، 0.93 و 0.95 به‌دست آمد. تصاوير طبقه‌بندي شده وارد نرم افزار ايدريسي شده و به پايش تغييرات با LCM پرداخته شد. پايش تغييرات در مدل LCM نشان داد در طي سال‌هاي 2000 تا 2018، بيشترين تغييرات مربوط به تبديل كاربري جنگل نيمه‌متراكم با مساحت 4104.27 هكتار بوده است. تغييرات كاربري شهري نيز در دورۀ مطالعه زياد و به مقدار 148.14 هكتار افزايش داشته است. جدول احتمال تغييرات كاربري‌ها در مدل ماركوف توليد و با نقشه توليدي در اين مرحله، براي سال‌هاي مطالعاتي پيش‌بيني با ماركوف براي سال‌هاي 2018 و 2028 نشان داد در سال 2028 مساحت كلاس شهري به 21293.1 هكتار افزايش يافته و مساحت كاربري با ارزش جنگل متراكم به 2189.97 هكتار كاهش مي‌يابد. نتيجه‌گيري جهت جلوگيري از گسترش بي‌رويه شهرها، مناطق مسكوني و تخريب عرصه‌هاي جنگلي و پوشش‌گياهي بايد اقدامات مديريتي انجام شود و تصميمات مديريتي اتخاذ گردد. مقدار سطح جنگل‌هاي متراكم و نيمه‌متراكم در مناطق با شيب زياد تا سال 2028 كاهش بيشتري مي‌يابد. تغييرات كاربري شهري نيز در دورۀ مطالعه به مقدار 148.14 هكتار افزايش داشته است. نتايج بررسي مساحت كلاس‌هاي پيش‌بيني نشان داد در سال 2028 مساحت كلاس شهري به 21293.1 هكتار افزايش يافته و مساحت كاربري با ارزش جنگل متراكم به 2189.97 كاهش مي‌يابد. قابليت مدل ماشين‌بردار در تعيين پوشش/كاربري زمين، پوشش گياهي و پوشش جنگلي در مناطق مختلف به اثبات رسيده است. ابزار سنجش از‌دور مي‌تواند به‌عنوان يك بازوي مهم در توليد اطلاعات درمديريت منابع‌طبيعي باشد.

Due to the increasing degradation at the level of the natural ecosystem, the amount and location of land use changes and predicting its future growth trend, I can provide the information I need to planners and managers. In this study, in order to change the current changes and predict the future in the Siahkal range, forecasting and changing the nose were done with Landsat images. There are various methods for predicting land use change. Processes for predicting and modelling land use change, such as urban growth and development, deforestation, etc., are considered powerful tools in managing natural resources and changing the state of the environment. This change reflects how humans interact with their environment, and its modelling has had an impact on settlement and macro-planning. In this research, due to the high capabilities of remote sensing and modelling tools and predicting changes in change using automatic-Markov cells in forests in northern Iran. Materials and Methods In this research, Landsat 5 images, 2000 TM sensor, Landsat 7 ETM+ sensor 2010 and Landsat 8 OLI sensor 2018 are used. In the preprocessing stage, errors in raw data such as radiometric, atmospheric, geometric, etc. errors are corrected. Was significant but had a radiometric error. 84 points are used for forest use, 76 points for thin forest water, 31 points for consumption and 2 required sensitivities to indicate a specific level of land cover. Land cover is defined into five classes: dense forest, semi-dense forest, sparse forest, urban area and agricultural area. The ENVI Remote sensing Software defines four types of kernels for the support vector machine in the SVM classification section: Polynomial, Sigmoid torsion, and FBCTION (RBF). According to the best kernel studies for land use classification, the radial kernel (RBF) has been proposed. In the present study, this kernel was used for classification. The classification of the appropriate band composition that you want to separate these classes for visual interpretation was selected by the spectral mean plot. This is done by the complex OIF index. After the extraction of land uses by the method, the results were evaluated accurately. Maps are prepared by land use, then with the GPS position of the earth, the map of the situation in the visible area and using the formed error matrix of kappa weakness and its overall accuracy obtained for this work, 200 points are randomly created on the images. The use of these points was determined by field visits and topographic maps of the surveying organization. Land use classification models are prepared, for modelling and land use changes are entered into office software to design land use changes in the required years. Degree of land use change modelling The LCM model was used in the Idrisi software environment. The Markov-CA model is a combination of automated cells, Markov chains, and multi-purpose land allocation. The Markov model also shows each user by generating a set of status probability images from the transfer probability matrix. In the last step of the structural model, using the transfer area matrix in the CA Markov model, a simulated simulation of future land use can be obtained. In this research, the land use map of 2010 and 2018 was used to predict the 2028 map. an‎d in order to accurately review the forecast by CA Markov using the user map for 2000 and 2010, the map for 2018 has been predicted and increased by the map obtained from the classified level for this year. Results and Discussion The classification accuracy test was obtained using the Kappa coefficient index and overall accuracy. Kappa coefficient and overall accuracy were 0.88 and 0.89 for the image of 2000, 0.91 and 0.92 for the image of 2010, and 0.93 and 0.95 for the image of 2018, respectively. The images are categorized as entered into the software and processed by changing the LCM. Changes in the LCM model showed that during the years 2000 to 2018, more changes were related to the conversion of semi-dense forest land with an area of 42104.27 hectares. Urban land use change has also increased in the years of many studies and amounted to 148.14 hectares. The table of the probability of land use changes in the Markov production model and with the production map at this stage, for the years of Markov forecast studies for 2018 and 2028 showed that in 2028 the urban class area increased to 21293.1 hectares and the valuable land use area of dense forest to 2189.97 hectares will be reduced. Conclusion In order to prevent the uncontrolled expansion of cities, residential areas and the destruction of forest areas and vegetation, management measures should be taken and management decisions should be made. The level of dense and semi-dense forests in areas with high slopes will decrease further by 2028. Urban land use changes have also increased in the study years and amounted to 148.14 hectares. The results of surveying the area of forecasting classes showed that in 2028, the area of urban classrooms will increase to 21293.1 hectares and the valuable land use area of dense forests will decrease to 2189.97. The ability of the vector machine model in determining land cover/land use, vegetation and forest cover in different regions of Iran has been proven by other researchers. Remote sensing tools can be an important arm in information production in natural resource management.