آشكارسازي تغييرات پوشش گياهي با استفاده از داده‌هاي چندزمانه ماهواره‌اي سه دهه اخير، به روش هوش مصنوعي (مطالعه موردي: منطقه حفاظت‌شده باشگل)

vegetation change detection using multi-temporal remotly sensed data during recent three decades by artificial intelligence technique (Case study: protected area of Bashgol

اطلاعات كمي و كيفي پوشش گياهي و همچنين تغييرات آن در طول زمان به عنوان پايه اي براي تعيين كيفيت زيستگاه و اولويت مناطق به منظور حفاظت و همچنين تعيين ارزش خدمات زيست بوم ها، مسئله فني مديريتي بسيار مهمي در مديريت بهينه منابع طبيعي و توسعه پايدار، به شمار مي آيد. از سوي ديگر سنجش از دور به عنوان ابزاري كارآمد براي دستيابي به اطلاعات درست و به روز پوشش زمين و منابع طبيعي با سرعت و دقت بالا، موردتوجه محققان است. از ميان برنامه هاي سنجش از دوري، آشكارسازي تغييرات نقش تعيين كننده اي در بررسي تغييرات پوشش زمين و ازجمله پوشش گياهي دارد. در اين مطالعه از ميان روش هاي مختلف آشكارسازي تغييرات، از روش مقايسه پس از طبقه بندي به دليل امكان دستيابي به دقت بهينه با اعمال يك روش طبقه بندي كارآمد و دقيق، استفاده شده است. به منظور تعيين طبقات پوشش گياهي، با استفاده از داده هاي مايحصل از نمونه برداري ميداني، تصاوير ماهواره اي مربوط به منطقه حفاظت شده باشگل در زمان هاي مختلف و انواع شاخص هاي طيفي پوشش گياهي منتج از آن ها، اقدام به مدل سازي پوشش گياهي با استفاده از شبكه عصبي مصنوعي شد. مدل طبقه بندي درصد سطح تاج پوشش (با دقت كلي 94.3% و ميانگين مربعات خطا 5.7% براي داده هاي آزمايشي) و مدل طبقه بندي وزن خشك زي توده زنده سرپا (با دقت كلي 86.6% و ميانگين مربعات خطا 11.4% براي داده هاي آزمايشي)، ساخته شد. سپس نقشه هاي پوشش گياهي بر اساس اين مدل هاي با دقت عالي، تهيه گرديد. نتايج اين پژوهش توانمندي بسيار زياد روش هوش مصنوعي در طبقه بندي دقيق پوشش گياهي، با استفاده از تصاوير ماهواره اي با تنوع زماني را نشان مي دهد. با استفاده از نقشه هاي طبقه بندي پوشش گياهي حاصل، نقشه هاي آشكارسازي تغييرات، با روش مقايسه پس از طبقه بندي، تهيه گرديد. اين نقشه ها مبين تغيير پوشش گياهي از يك طبقه به طبقه ديگر (از طبقه ... به طبقه...)، در سه دوره زماني 2015-2000، 2000-1986 و 2015-1986 است. نتايج پژوهش، بهبود كيفي بخش وسيعي از مراتع منطقه حفاظت شده باشگل را بعد از حفاظت نشان مي دهند.

Quantitative and qualitative information of vegetation and its changes in duration of time as a basic foundation of determination of habitat quality, priority of protected area and also determination of price of ecosystem services in order to optimum management of natural resources and sustainable development is a very important technical point. In other hand, researchers are interested in remote sensing as an efficient tool to access timely and accurate information about land coverage especially vegetation coverage. In current study post classification comparison method among different methods of change detection was used because of possibility of achieving optimum accuracy by using an efficient and accurate classification method. In order to determine vegetation classes by field-based resources and Landsat images and also, slope-based and distance-based vegetation indices derived from these images, two artificial neural networks; percentage of vegetation cover (overall accuracy 94.3% and mean square error 5.7% for test data) and dry weight of standing biomass (overall accuracy 86.6% and mean square error 11.4% for test data) were built and vegetation maps according to these qualified models were prepared. Results of this research show high capacity of the artificial intelligence technique in vegetation classification if, the average number of field-based samples and variety of images in terms of time were possible. By the vegetation classification maps made, change detection maps with pixel by pixel comparison that show change classes from class … to class … in three duration of time; 2000-2015, 1986-2000 and 1986-2015 were prepared. Accuracy of these maps is totally depended on classification accuracy and demonstrated qualitative enhancement in a wide area of case study after conservation.