تهيه نقشه تيپ هاي گياهي با استفاده از سنجنده هاي LISS-III و ASTER (مطالعه موردي: منطقه ديلم)

Producing rangeland vegetation types using LISS-III and ASTER Satellite Sensors (Case Study: Deylam area)

اين تحقيق در مراتع قشلاقي منطقه ديلم استان بوشهر در محدوده اي به وسعت 15915 هكتار در سال هاي 1388 و 1389 بمنظور تهيه نقشه تيپ هاي گياهي با استفاده از تصاوير سنجنده هاي LISS-III و ASTER انجام گرديد. عمل تصحيح هندسي تصاوير با استفاده از نقاط كنترل زميني و نقاط ثبت شده توسط GPS (RMSE < 1 پيكسل) انجام گرديد، همچنين تطابق تصوير به تصوير (RMSE < 2/0 پيكسل) جهت افزايش دقت انجام شد. تصحيحات اتمسفري تصاوير با استفاده از تفريق عارضه تاريك انجام گرديد. براي بارزسازي و افزايش قدرت تفسير فيوژن انجام شد. در مجموع از داده-هاي 50 محل نمونه برداري (هر محل ميانگين نه پلات) براي طبقه-بندي تصاوير جهت تهيه نقشه تيپ-هاي گياهي و از داده هاي 25 محل براي آزمون صحت نقشه ها استفاده شد. براي طبقه بندي از روش هاي حداكثر احتمال و شبكه عصبي استفاده گرديد. نتايج نشان داد كه تصاوير هر دو سنجنده مي توانند با دقت مناسبي تيپ هاي گياهي مرتع را از همديگر تفكيك نمايند و تفاوت زيادي بين نقشه هاي حاصله وجود ندارد. بيشترين صحت كلي براي طبقه بندي تصاوير سنجنده هاي LISS-III و ASTER به ترتيب 91 و 3/84 درصد براي روش حداكثر احتمال و 3/71 و 6/65 درصد براي روش شبكه عصبي مي باشد. هيچ يك از سنجنده ها نمي توانند مرز تيپ هاي گياهي را به طور دقيق مشخص كنند بنابراين با تفسير بصري تصاوير، نقشه تيپ هاي گياهي به دست آمده تكميل شد.

The aim of the study was to produce rangeland vegetation types using LISS-III and ASTER satellite sensors in Deylam area, Bushehr province, Iran. Studying an area has dry Climate and located in the coastal region with 15915 hectare. Geometric corrections of images were applied using ground control points and georeferenced images with RMSE less than one pixel, then images co-registered with together (RMSE < 0.2 pixel). The atmospheric corrections of images were applied using subtraction of dark objectʹs method. Image spatial resolution enhanced using fusion with a panchromatic band of IRS P6. Image processing includes classification of images using supervised classification (Maximum Likelihood and Neural Network methods) with 50 training area (each sample is an average of nine plots) to producing rangeland vegetation types, and determining of the accuracy of producing maps with 25 ground truth samples. The results show that both sensors can produce suitable vegetation types map in two years, and didn’t differentiate between producing vegetation typeʹs maps with sensors. Overall accuracy for LISS III and ASTER are 91% and 84.3% for ML and 71.3% and 65.6% for NN classification methods sequentially. The satellite images cannot determine exactly the vegetation type boundary; therefore, the produced maps completed with visual interpretation of images.