IRS-P مقايسه قابليت داده هاي لندست 7 و 6 در تهيه نقشه تراكم تاج پوشش جنگل هايزاگرس (مطالعه موردي جنگل هاي شهرستان جوانرود)

Comparing Investigation on Landsat-ETM+ and IRS-P6-LISS IV Data for Canopy Cover Mapping of Zagros Forests (Case Study, Javanroud Forests)

چكيده 1 LISS-IV ماهواره لندست 7 و ETM+ پژوهش حاضر با هدف بررسي قابليت داده هاي سنجنده در تهيه نقشه تراكم تاج پوشش جنگل در جنگل هاي شهرستان جوانرود استان IRS-P ماهواره 6 ETM+ كرمانشاه صورت گرفت. پس از بررسي كيفيت هندسي و راديومتري داده ها، تصاوير سنجنده انجام شد. با به دست COST مورد تصحيح هندسي قرار گرفت. تصحيح اتمسفري به روش مدل آوردن رابطه خط خاك و تعيين ضرايب آن، شاخص هاي گياهي مناسب براي كاهش اثر بازتاب خاك ايجاد شدند. واقعيت زميني نمونه اي از طريق روش تصادفي سيستماتيك و با شبكه اي به ابعاد 60 مترمربعي تهيه گرديد. در هر قطعه نمونه ميزان تاج × 300 متر و با سطح قطعات نمونه 60 ×300 پوشش درختان برداشت و درصد تاج پوشش كل درختان در هر قطعه نمونه و در هر هكتار محاسبه و تعيين شد. با انتخاب 25 درصد از قطعات نمونه از هر طبقه تراكم جنگل به عنوان نمونه تعليمي، نشانه هاي طيفي طبقات استخراج و تركيبات باندي مناسب با توجه به معيار واگرايي انتخاب شدند. با سطح محاسباتي تاج پوشش و سنجنده LISS-IV به منظور برابرسازي ابعاد پيكسل هاي سنجنده ETM+ در هم ادغام و ميانگين ارزش هاي آن ها به عنوان LISS-IV 6 پيكسل هاي سنجنده × ، ابعاد ارزش نهايي پيكسل ادغام شده در نظر گرفته شد. طبقه بندي داده ها به روش نظارت شده و با 4 طبقه تراكمي خيلي تنك، تنك، نيمه انبوه و انبوه صورت گرفت. نقشه واقعيت زميني با 75 درصد قطعات نمونه باقي مانده از طبقاتي تراكم تاج پوشش تهيه و نتايج طبقه بندي با نقشه يادشده مورد ارزيابي قرار گرفتند. نتايج ارزيابي صحت نشان داد كه بالاترين صحت كلي و ضريب كاپا در طبقه بندي 4 طبقه اي 0 با تركيب 6 باندي منتخب و طبقه بندي كننده حداكثر احتمال با / 64 درصد و 43 / به ترتيب معادل 54 بوده است. با ادغام طبقات تراكمي خيلي تنك با تنك و نيمه انبوه با LISS-IV استفاده از داده هاي 0 با / انبوه و انجام مجدد طبقه بندي، بالاترين صحت كلي و ضريب كاپا به ترتيب معادل 79 درصد و 58 LISS-IV تركيب 6 باندي منتخب و طبقه بندي كننده حداقل فاصله از ميانگين با استفاده از داده هاي به دست آمد. براساس نتايج به دست آمده، در جنگل هاي مورد بررسي به عنوان بخشي از جنگل هاي زاگرس، به دليل پايين بودن مقدار تاج پوشش جنگلي، بازتاب خاك و پوشش گياهي كف جنگل، تفكيك طبقات تراكم تاج پوشش درختان به سختي صورت مي گيرد و اين امر مانع از دست يابي به نتايج بهتر مي گردد.

In order to evaluate capability of the Landsat-ETM and IRS-P6-LISS IV images for canopy cover mapping a case study was done on the forests of Javanroud in Kermanshah province. After evaluation of the geometric and radiometric quality of the data, the ETM+ images, the ETM+ images were geometrically corrected with GCPs and the images were registered with RMSE error 0.46 and 0.48 pixels, for X and Y, respectively. The COST method was used to atmospheric correction. To reduce the effect of soil reflectance, suitable vegetation indices were prepared using soil line parameters. A ground truth map was generated through random systematic sampling method with sample size of 60×60m2. In each plot, the canopy of trees was measured in two directions and percentage of canopy cover was computed in hectare. The plots were classified to four classes (very thin, thin, semidense and dense) based on canopy cover. 25% of sample plots from each class was selected as training area and the best spectral bands were selected using divergence separability index between classes. Regarding to area of canopy cover computing and in order to pixel size equalization of LISS-IV and ETM+ images, 6×6 pixel size of LISS-IV images were merged and their average value was used as a final value of merged pixel. Supervised classification was accomplished on the best and main bands. The accuracy assessment of generated map was evaluated using 75% of sample plots. The results showed that using the best selected LISS-IV bands could better classify 4 classes than other images by maximum likelihood algorithm with 64.54% overall accuracy and 0.43 kappa coefficient. In order to develop the results, the very thin class with thin class and semi-dense with dense classes were merged and a new classification was repeated. The minimum distance to mean classifier algorithm using the best selected LISS-IV bands showed the highest overall accuracy and kappa coefficient equal to 79% and 0.58, respectively. It is concluded that in such sparse forests, low canopy area of forest species as well as the soil reflectance as background leads to undesirable results.