بررسي قابليت داده‌هاي طيفي سنجنده OLI ماهواره لندست8 در برآورد مشخصه تراكم جنگل‌هاي زاگرس مياني (مطالعه موردي: منطقه حفاظت‌شده مانشت استان ايلام)

Investigating Capability of OLI Data of Landsat 8 for Estimation of Canopy Density in Zagros Forests Case study: Protected Area of Manesht Forests

به‌منظور ارزيابي قابليت تصاوير سنجنده OLI ماهواره ‌‌لندست8 در تهيه ‌‌نقشه ‌‌تراكم تاج‌پوشش جنگل‌هاي زاگرس، ابتدا پنجره‌اي از تصاوير سنجنده ‌‌مذكور از جنگل‌هاي منطقه ‌‌حفاظت‌شده ‌‌مانشت با مساحت 2300 هكتار در استان ايلام انتخاب شد. براي تهيه ‌‌نمونه‌هاي تعليمي و برآورد صحت طبقه‌بندي‌ها، نقشه ‌‌واقعيت زميني به‌‌‌شكل نمونه‌اي از طريق نمونه‌برداري به‌‌‌روش منظم-تصادفي با 100 قطعه‌نمونه ‌‌مربعي‌شكل (36/0 هكتاري) روي شبكه‌اي با ابعاد 500×400 متر تهيه شد. در هر قطعه‌نمونه، سطح تاج‌پوشش تمامي درختان اندازه‌گيري شد و درصد تاج پوشش در هر قطعه‌نمونه به‌دست آمد. پس از انتخاب نمونه‌هاي تعليمي و مجموعه ‌‌باندهاي مناسب با استفاده از معيار واگرايي تبديل‌شده، طبقه‌بندي داده‌ها به‌‌‌روش نظارت‌شده و با استفاده از خوارزمي‌هاي حداقل فاصله از ميانگين و حداكثر احتمال انجام شد. نتايج حاصل از طبقه‌بندي با استفاده از معيار‌‌هاي تعيين صحت نشان دادند كه خوارزمي حداقل فاصله از ميانگين با صحت كلي و ضريب كاپاي 80 درصد و 68/0 در مقايسه با خوارزمي حداكثر احتمال با صحت كلي و ضريب كاپاي 60 درصد و 35/0 در طبقه‌بندي تراكم تاج‌‌پوشش بهتر عمل مي‌كند. بازبودن تاج‌‌پوشش و همچنين اختلاط بازتاب خاك و پوشش گياهي در اين منطقه مانع دستيابي به نتايج مطلوب‌‌تر گرديد. به‌طور كلي نتايج پژوهش حاضر، ‌‌قابليت نسبتاً مناسب داده‌هاي سنجنده OLI را در طبقه‌بندي تراكم تاج‌پوشش جنگل‌هاي زاگرس نشان مي‌دهند.

In this study for evaluation capability, OLI data of Landsat8 to estimate canopy density 2300 ha. in protected Manesht area in Zagros forests of Iran was selected. For ground truth data, 100 square plots (0.36 ha) were measured and systematic random sampling method was used. The dimensions of network inventory were 500m×400m. In each plot, crown cover was measured and then canopy percent in each plot was calculated. For classification and mapping, maximum likelihood and minimum distance to mean classifiers were used. The Transformed Divergence index was used to determine best combination of image bands. Result of this study showed that minimum distance to mean classifier had overall accuracy and kappa coefficient of 80% and 0.68 respectively on OLI image data. In addition, the maximum likelihood classifier had overall accuracy and kappa coefficient of 60% and 0.35 respectively. The result of this study showed that minimum distance to mean classifier was most suitable classifier for canopy classification of Zagros forests on the OLI image data.