شناسايي خشكيدگي توده‌هاي بلوط با استفاده از فن‌آوري سنجش از دور (مطالعه موردي: بخشي از جنگل‌هاي استان لرستان)

Detection of Oak Stands Dieback Using Remote Sensing (Case study: Some Parts of Lorestan Province Forests)

بحران زوال يا خشكيدگي درختان بلوط در جنگل‌هاي زاگرس يكي از مشكلاتي است كه در سال‌هاي اخير با آن روبه‌رو بوده‌ايم. اولين گام در مديريت اين بحران، تهيه نقشه مناطق مبتلا و طبقه‌بندي شدت ابتلاي جنگل‌ها به پديده خشكيدگي است. هدف اين پژوهش بررسي قابليت داده‌هاي سنجنده oli ماهواره لندست8 در تهيه نقشه خشكيدگي توده‌هاي بلوط ايراني در استان لرستان است. علاوه بر باندهاي اصلي و باندهاي ادغام شده با باند پانكروماتيك 15 متري سنجنده oli، شاخص‌هاي گياهي مناسب و مولفه‌هاي حاصل از تحليل مولفه‌هاي اصلي نيز با استفاده از باندهاي اصلي و ادغام شده، ايجاد شدند. به منظور ايجاد نقشه واقعيت زميني، تعداد 150 قطعه نمونه مربعي در منطقه پياده شد. طبقه‌بندي دادهها به روش نظارت‌شده و با استفاده از الگوريتم‌هاي حداقل فاصله از ميانگين، حداكثر احتمال و شبكه عصبي مصنوعي در ابتدا با پنج كلاسه خشكيدگي انجام شد. به دليل تفكيك‌پذيري كم بين برخي از كلاسه‌ها، اين كلاسه‌ها با هم ادغام شدند و طبقه‌بندي در گام دوم با سه كلاسه خشكيدگي و نهايتا با دو كلاسه (سالم، خشكيده) انجام شد. بالاترين صحت و ضريب كاپا با پنج كلاسه خشكيدگي به ترتيب معادل 53 درصد و 0.43، با سه كلاسه خشكيدگي معادل 75 درصد و 0.64 و با دو كلاسه خشكيدگي معادل 91 درصد و 0.71 با استفاده از باندهاي ادغام شده و روش شبكه عصبي مصنوعي به دست آمد. نتايج به دست آمده بيانگر كارايي بالاي داده‌هاي سنجنده oli در تفكيك مناطق سالم و خشكيده و قابليت كم تا متوسط آن در تفكيك شدت‌هاي مختلف زوال بلوط است.

The crisis of decline or drying of oak trees in the Zagros forests is one of the problems we have faced in recent years. The first step in managing this crisis is to map the affected areas and classify the severity of deforestation. The present study aimed to evaluate the Landsat OLI capability to map oak stands dieback in the Koohdasht city of Lorestan province. In addition to the main bands and fused bands with the 15-meter panchromatic band of the OLI sensor, suitable vegetation indices and the first components from PCA were also applied in the claasification. 150 square sample plots with dimensions of 30 × 30 meters were recorded to produce ground truth map. Data classification was done using minimum distance to mean, maximum likelihood and artificial neural networks classifiers in 5 classes of dieback and accuracy assessment was done using ground truth map. Because of the low separability of some classes, these classes were merged. Finally, classification with three and two classes (healthy, dieback) was performed. The highest overall accuracy of 53%, 75% and 91% and Kappa coefficient of 0.43, 0.64 and 0.71 was obtained using fused bands and artificial neural networks classifier for five, three and two dieback classes, respectively. The results demonstrated high performance of Landsat 8-OLI for mapping of healthy and oak dieback areas, but low to moderate functionality for identification of the intensity of oak decline in the study area.