• Home
  • Investigation and prediction on Forests Covers Changes Using Fuzzy Object-Based Satellite Image Classification and CA-Markov (case study: City of Romeshkan)

Share To

Article Url


Manuscript ID : 13981105214982 Visit : 4292 Page: 0 - 0

Article Type: Original Research

Investigation and prediction on Forests Covers Changes Using Fuzzy Object-Based Satellite Image Classification and CA-Markov (case study: City of Romeshkan)

Subject Areas :

رحمان زندی 1 , Hajar Shehabi 2 , Ebrahim Akbari 3

1 - عضو هیات علمی دانشگاه حکیم سبزواری
2 -
3 - Ferdosi University

Received: 2020-01-25 Published : 2020-08-04

Keywords: Forest cover, Romeshkan, Landsat, Object-Based image classification CA-Markov,

Abstract :

Forest is a valuable heritage and one of important factors in the ecosystem of an area. In addition to using and exploiting them, measures must be taken to preserve them. Zagros’ forests, especially Lorestan province’s forest due to negligence have been destroyed throughout past decades. The aim of this research is to examine, detect and predict Romeshkan’s forests cover changes. changes that were taken place between 1987-2017 were extracted by satellite Images (Landsat) and using Object-Based image analysis (OBIA) method, then, were classified in 5 classes (Farmlands, Forest, Range, water and Residential). Finally, classification results show that there is a sharp decrease of forested areas (81.17 km2) and an increase of Range and Farmlands over past 30 years in the study area, also most of the forested areas were occupied by farmlands during 30 years. In the first period (1987-2002) forest cover of the study area had not faced a major change, but most of the rangelands turned to farmlands. While in the second period (2002-2017) forest cover dramatically dipped and its area decreased from 122.58 in 2002 km2 to 43.42 km2 in 2017, which the rate of forest covers decrement was around 79.16 km2. Moreover, in order to predict forest cover changes in the future (2030) CA-Markov model was applied to data that indicates 10.70% of current forest covers will be reduced in 2030, and the main Landuse/Landover change will be occurred between forest to farmlands and forest to range lands by 6.901 and 9.172 km2, respectively.

References:

1- اسلامي ، ف، قرباني ، ع، سبحاني ، ب و پناهنده ، م. مقایسه شبکه عصبی مصنوعی، دستگاه بردار پشتیبان و روشهای مبتنی بر شیء در تهیه نقشه های استفاده از زمین / پوشش با استفاده از تصاویر منظره 8. مجله RS و GIS برای منابع طبیعی.(2015). 6 (3) ، 1-14
2- حیدریان ، پ. ، رنگزن ، ک. ، ملکی ، س. و تقی زاده ، ا. تشخیص تغییر کاربری اراضی با استفاده از مقایسه طبقه بندی تصاویر ماهواره ای لندست (مطالعه موردی: سرزمین تهران). مجله RS و GIS برای منابع طبیعی . (1393). 4 (4) ، 1-10.
3- رستم زاده ، ح. ، دارابی ، س. و شهابی ، ح. تغییر طبقه بندی جنگلهای بلوط با استفاده از طبقه بندی شیء مبتنی بر تصاویر چندمنظوره لندست (مطالعه موردی: جنگلهای شمال استان ایلام). مجله RS و GIS برای منابع طبیعی. (1395). 8 (2) ، 92-110.
4- ضیائیان ، ف. ص. ، شکیبا ، ع. ، ماتاکان ، ع. و صادقی ، ع. سنجش از دور (rs) ، سیستم اطلاعات جغرافیایی (gis) و مدل اتوماسیون سلولی (ca) به عنوان ابزاری برای شبیه سازی تغییر کاربری اراضی شهری- مطالعه موردی شهرکرد. علوم محیط زیست. (1387) .7 (3) ، 133-148.
5- فیضی زاده ، ب و هلالی ، ح. مقایسه روشهای مبتنی بر پیکسل ، شی گرا و پارامترهای مؤثر در طبقه بندی پوشش سطح زمین / استفاده از اراضی استان آذربایجان غربی. فصلنامه تحقیقات جغرافیای فیزیکی. (1389).42 (71) ، 73-84.
6- کاظمی ، م. ، مهدوی ، ی. ، نوهه¬گر ، ا. و رضایی ، ص. تغییر در کاربری و پوشش اراضی با استفاده از تکنیک های سنجش از دور و GIS (مطالعه موردی: آبخیز بستانک شیراز). کاربرد سنجش از دور و GIS در علوم منابع طبیعی. (1390). سال دوم ، 1،101.
7- میرزایی زاده ، و ، نیك نژاد ، م. و اولادی كادیكلائی ، ج. ارزیابی الگوریتم های طبقه بندی نظارت غیر پارامتری در نقشه پوشش زمین با استفاده از تصاویر Landsat-8. مجله RS و GIS برای منابع طبیعی. (1393). 6 (3) ، 29-44.
8- نیازی ، ی. مقایسه دو روش طبقه بندی حداکثر احتمال و شبکه عصبی مصنوعی برای تهیه نقشه های کاربری اراضی مطالعه موردی: منطقه سد ایلام. جغرافیا و توسعه مجله ایرانی. (1388). 8 (20) ، 119-132.
9- 111Lillesand, T., Kiefer, R,W. and Chipman, J. (2001). Remote sensing and image interpretation,6th Edition, Wiley Publication, Washington.
10- Blaschke, T. (2010). Object-based image analysis for remote sensing. ISPRS Journal of photogrammetry and remote sensing. 65(1), 2-16. 30
11- Blaschke, T., Lang, S., Lorup, E., Strobl, J. and Zeil, P. (2000). Object-oriented image processing in an integrated GIS/remote sensing environment and perspectives for environmental applications. In A. Cremers, & K. Greve (Eds.), Environmental information for planning, politics and the public, 2, 555–570.
12- Chavez, P. S. (1988). An improved dark-object subtraction technique for atmospheric scattering correction of multispectral data. Remote sensing of environment, 24(3), 459-479.
13- Chen, M., Su, W., Li, L., Zhang, C., Yue, A. and Li, H. (2009). Comparison of pixel-based and object-oriented knowledge-based classification methods using SPOT5 imagery. WSEAS Transactions on Information Science and Applications, 6(3), 477-489.
14- Costanza, R. and Ruth, M. (1998). Using dynamic modeling to scope environmental problems and build consensus. Environmental Management, 22(2):183 195.
15- Eastman J.R. 2006. IDRISI Andes. Tutorial. Clark-Labs, Clark University, Worcester, 284.
16- Fan, F., Wang, Y. and Wang, Z. (2008). Temporal and spatial change, detecting (1998–2003) and predicting of land use and land cover in Core corridor of Pearl. 127-147.
17- Feizizadeh, B. and Blaschke, T. (2012). Thermal remote sensing for land surface temperature monitoring: Maraqeh County, Iran. In Geoscience and Remote Sensing Symposium (IGARSS), 2012 IEEE International, 2217-222.
18- Gao,Y., Mas, J.F. and Navarrete, A. (2009). The improvement of an object-oriented classification using multi-temporal MODIS EVI satellite data, International Journal of Digital Earth, Volume 2, Issue 3 September 2009, 219 - 236.
19- Gilmore, M. S., Wilson, E. H., Barrett, N., Civco, D. L., Prisloe, S. and Hurd, J. D .(2008). Integrating multi-temporal spectral and structural information to map wetland vegetation in a lower Connecticut River tidal marsh. Remote Sensing of Environment, 112, 4048-4060.
20- Miranda-Aragón, L., Treviño-Garza, E. J., Jiménez-Pérez, J., Aguirre-Calderón, O. A., González Tagle, M. A., Pompa-García, M. and Aguirre-Salado, C. A. (2012). Modeling susceptibility to deforestation of remaining ecosystems in North Central Mexico with logistic regression. Journal of Forestry Research, 23(3), 345-354.
21- Ranjbar, H. and Honarmand, M. (2004). Integration and analysis of airborne geophysical and ETM+ data for exploration of porphyry type deposits in the Central Iranian Volcanic Belt using fuzzy classification. International Journal of Remote Sensing, 25(21), 4729-4741.
22- Sang L, Zhang C, Yang J, Zhu D. And Yun W. (2011). Simulation of land use spatial pattern of towns and villages based on CA–Markov model. Mathematical and Computer Modelling, 54(3), 938 943.
23- Verburg PH, Soepboer W, Veldkamp A, Limpiada R, Espaldon V. and Mastura SS. (2002). Modeling the spatial dynamics of regional land use: the CLUE-S model. Environmental Management, 30(3), 391-405.
24- Wijanarto AB. (2006). Application of Markov Change Detection Technique for Detecting Landsat ETM Derived Land Cover Change Over Banten Bay. Journal of Ilmiah Geomatika, 12(1), 11-21.
25- Yan, G (2003). Pixel based and object oriented image analysis for coal fire research. Enschede, Holanda, 1-93.



Full-Text:


بررسی و پیش بینی تغییرات پوشش جنگل ها با استفاده از طبقه بندی شیءگرا فازی تصاویر ماهواره ای و زنجیره مارکوف

مطالعه موردی : شهرستان رومشکان

 

 

چکیده:

    جنگل‌ها میراث گران بهایی و یکی از عوامل مهم در اکوسیستم یک منطقه هستند که علاوه بر استفاده و بهره برداری از آن‌ها، در حفاظت و صیانت از آن ها نیز باید اقدامات اساسی صورت گیرد. جنگل‌های زاگرس، به‌ویژه استان لرستان طی سالیان، در اثر بی‌توجهی روبه‌ زوال نهاده و چهره متفاوتی به خود گرفته‌اند. هدف این تحقیق بررسی، آشکارسازی و مدل سازی آینده تغییرات پوشش جنگل‌های شهرستان رومشکان می‌باشد. ابتدا تغییر کاربری‌های صورت گرفته بین سال‌های 1987 و2017 با استفاده از تصاویر لندست و فن طبقه‌بندی فازی شیءپایه استخراج شد، و به کلاس های(کشاورزی، جنگل، مرتع، عوارض آبی، مسکونی) طبقه بندی شدن. نتایج حاصل در طول سی سال کاهش شدید(17/81 کیلومترمربع) مناطق جنگلی و افزایش اراضی کشاورزی و مرتع در مناطق جنگلی را نشان می دهد. در بازه 1987-2002 جنگل ها دچار تغییرات خاصی نشده و عمده تغییرات شامل گسترش طبقه کشاورزی در مراتع بوده است. در بازه دوم از سال 2002 به بعد پوشش جنگل ها دچار کاهش شدید شده و مساحت آن از 58/122 به 42/43 کیلومترمربع در سال 2017 رسید که 16/79 کیلومترمربع کاهش را نشان می دهد. در ادامه برای پیشی بینی روند تغییرات از زنجیره مارکوف استفاد شد که با توجه به نتایج پیش بینی زنجیره مارکوف در سال 2030، در نواحی جنگلی تغییراتی معادل 10.70 درصد اتفاق خواهد افتاد؛ به عبارت دیگر از میزان نواحی جنگلی کاسته خواهد شد و عمده تغییرات مربوط تغییر کاربری از جنگل به کلاس های کشاورزی و مرتع به ترتیب با 901/6 و 172/9 کیلومتر مربع خواهد بود.

 

کلید واژه ها: پوشش جنگلی، رومشکان، لندست، طبقه بندی شیءپایه تصاویر،  CA مارکوف

 

 

Investigation and prediction on Forests Covers Changes Using Fuzzy Object-Based Satellite Image Classification and CA-Markov (case study: City of Romeshkan)

 

Abstract

 

   Forest is a valuable heritage and one of important factors in the ecosystem of an area. In addition to using and exploiting them, measures must be taken to preserve them. Zagros’ forests, especially Lorestan province’s forest due to negligence have been destroyed throughout past decades. The aim of this research is to examine, detect and predict Romeshkan’s forests cover changes. changes that were taken place between 1987-2017 were extracted by satellite Images (Landsat) and using Object-Based image analysis (OBIA) method, then, were classified in 5 classes (Farmlands, Forest, Range, water and Residential). Finally, classification results show that there is a sharp decrease of forested areas (81.17 km2) and an increase of Range and Farmlands over past 30 years in the study area, also most of the forested areas were occupied by farmlands during 30 years. In the first period (1987-2002) forest cover of the study area had not faced a major change, but most of the rangelands turned to farmlands. While in the second period (2002-2017) forest cover dramatically dipped and its area decreased from 122.58 in 2002 km2 to 43.42 km2 in 2017, which the rate of forest covers decrement was around 79.16 km2. Moreover, in order to predict forest cover changes in the future (2030) CA-Markov model was applied to data that indicates 10.70% of current forest covers will be reduced in 2030, and the main Landuse/Landover change will be occurred between forest to farmlands and forest to range lands by 6.901 and 9.172 km2, respectively.

 

Keywords: Forest cover, Romeshkan, Landsat, Object-Based image classification CA-Markov

 

 

 

 

 

 

مقدمه

آگاهی از نوع و درصد کاربري و پوشش‌های مختلـف، نیازي بنیادي جهت شناخت و مدیریت یک منطقه اسـت (Aslami, 2014). یکی از منـابع اطلاعـات مـؤثر، مفیـد و قابـل کـاربرد در شناسایی پوشش‌های زمین و تغییرات آن، داده‌های سنجش‌ازدور اسـت (Ziaeian et al., 2009; Niazi et al., 2010). در ایـن میـان تصـاویر دورهاي مـاهواره لندست یکی از مهم‌ترین منـابع دادهاي بـراي مطالعـه انـواع مختلف تغییر کاربري و پوشش اراضی، از قبیل جنگل‌زدایی، افزایش و گسترش کشاورزي، رشد شهري (Heydarian et al., 2014; Mirzaei Zadeh et al., 2015) است. استخراج اطلاعـات از تصـاویر ماهواره‌ای به‌وسیله طبقه‌بندی از پرکـاربردتـرین روش‌های موجود است (Sang et al., 2011) و ازآنجاکه داده‌های سنجش‌ازدور به‌سادگی در محیط GIS وارد می‌شود، به‌سادگی می‌توان از آن به‌طور خیلی گسترده در مدل‌سازی GIS استفاده کرد (Heydarian et al., 2014). مدل‌سازی یکی از روش‌های تجزیه‌وتحلیل پویـایی نظـام کاربري اراضی است، که بـا اسـتفاده از آن، چـارچوب علمـی آنالیز دستگاه‌های تغییر کاربري اراضـی از حالـت توصـیفی بـه سمت کمی تغییر پیدا می‌کند (Costanza et al., 1998). مدل‌هایی که براي پیش‌بینی تغییرات کاربري اراضی مورداستفاده قرار می‌گیرند، به ابزارهـاي مفید، تکرارپذیر و مکمل توانایی‌های ذهنی موجود ما در تجزیه‌وتحلیل تغییر کاربری اراضی و تصمیمی گیری آگاهانه‌تر هستند (Chen et al., 2009; Verburg et al., 2002).

      در‌دهه هاي اخیر ‌استفاده ‌از‌ فن دورسنجی‌ به‌منظور ‌پایش تغییرات ‌موردتوجه ‌قرارگرفته ‌‌و ‌تحقيقات‌ متعددي‌ در ‌این ‌زمينه ‌در ‌ایران ‌و ‌جهان ‌اجراشده‌ است‌. Kazemi و همکاران (2011) در‌ مطالعه‌ای‌ به‌منظور ‌برآورد ‌تغييرات ‌پوشش‌ و ‌کاربري‌ ‌اراضي ‌با‌ استفاده‌ از تکنیک RS و GIS در حوزه آبخیز تنک بستانک شیراز از داده‌ها و تصاویر ماهواره‌ای Landsat و IRS در بازه زمانی 1988 تا 2005 استفاده کردند و نتایج نشان داد که اراضی بایر و دیمزارها افزایش و در مقابل جنگل با زیراشکوب مرتع متوسط کاهش‌یافته است.  Wijanarto (2006)در سال 2006 در پژوهشی با استفاده از تصاویر سال‌های 2000 و 2001 و نیز مدل پیش‌بینی مارکوف به بررسی تغییر ساختار سرزمین منطقه‌ای در اندونزی پرداخته شد، نتایج حاصل از این تحقیق نشان داد که تعداد بسیاری زیادی از لکه‌های جنگل در حال کاهش و تبدیل به دوطبقه شالیزار و مناطق مسکونی هستند. در پژوهشی Miranda و همکاران (2012) اقدام به مدل‌سازی مناطق مستعد تغییر پوشش جنگلی با استفاده از رگرسیون لجستیک در جنگل‌های بارانی شمال مکزیک نمودند، نتایج حاصله نشان داد که منطقه موردمطالعه به‌شدت مستعد تغییر پوشش جنگلی و کاربری زمین است و افزایش روزافزون جمعیت عوامل اصلی تغییر پوشش جنگلی بیان کرده‌اند. در خصوص پردازش شیءپایه Feizizadeh و همکاران(2016)، در تحقیقی به شناسایی پهنه های مستعد طوفان های نمکی دریاچه ارومیه با استفاده از پردازش شیءپایه فازی تصوایر ماهواره ای پرداختند. نتایج این تحقیق نشان دادا که مساحت آبی دریاچۀ ارومیه از 6/3120 کیلومتر مربع در سال 2010 به کمترین حد میزان مساحت خود, یعنی 46/887 کیلومتر مربع در سال 2014 کاهش ‌یافت و بعد از آن با روند افزایشی چشمگیر، به 8/2475 کیلومتر مربع رسید که یکی از دلایل این افزایش، بارش باران در اواخر زمستان 1394 و بهار 1395 بوده است. در طی این دورۀ هفت‌ساله همزمان با کاهش مساحت آب دریاچه، مساحت سایر پهنه نیز دچار افزایش شد که در این میان پهنه‌های کم‌خطر (19/1312 کیلومتر مربع) سال 2015، خطرناک (24/856 کیلومتر مربع) سال 2014، پرخطر (98/1148 کیلومتر مربع) سال 2014 و بالقوه (85/445 کیلومتر مربع) در سال 2015 دارای بیشترین مقدار خود در دورۀ زمانی هفت‌ساله بوده است. Rostam zadeh و همکاران (2017) ، نیز در پژوهشی به آشکارسازی تغییرات جنگل های بلوط شمال استان ایلام با استفاده از طبقه بندی شیءپایه تصاویر چندزمانه لندست پرداختند. نتایج حاصل نشان داد که در تمام دهستان های شمال استان پدیده جنگل زدایی رخ داده و میزان تغییرات کاهشی نسبت به سال 1366 به میزان 42 درصد بوده است. در خصوص پیشی بینی تغییرات کاربری/پوشش اراضی در آبنده Sohl و Claggety (2013) ، Amin naboureh و همکاران (2017) با استفاده از روش طبقه بندی شیءگرا و مدل CA-Markov به مدل سازی پرداختند که نتایج نهایی پردازش نشان از قابلیت بالای روش طبقه بندی شیءگرا و مدل مارکوف در پیش بینی تغییرات در آینده است. تحقیق حاضر هدف بررسی تغییرات پوشش جنگل های شهرستان رومشکان و پیش بینی آن با استفاده از روش فازی شیءپایه طبقه یندی و مدل مارکوف است و نیز پرسش به این سوال که کدام عمل بیشترین سهم را در تخریب چنگل ها داشته است؟

مواد و روش ها

   منطقه موردمطالعه شامل جنگل‌های شهرستان رومشکان که در غرب استان لرستان می باشد. محدوده مطالعاتی موردنظر طبق آخرین تقسیم‌بندی سیاسی بین سه شهرستان کوهدشت، پلدختر، دره شهر قرارگرفته است و مساحت آن نیز 564 کیلومتر مربع می باشد. این ازنظر جغرافیای نیز، بین 33 درجه و 8 دقیقه تا 33 درجه و 22 دقیقه عرضی شمالی و 47 درجه 10 دقیقه تا 47 درجه و 37 دقیقه طول شرقی از نصف‌النهار گرینویچ قرارگرفته است. ارتفاع متوسط منطقه موردمطالعه 1716 متر از سطح دریاهای آزاد است محدوده جنگل‌های استان لرستان از ارتفاع 700 متر از سطح دریا در منطقه کرکی از توابع شهرستان پلدختر واقع در مرز لرستان و خوزستان شروع‌شده و تا ارتفاع 3500 متری از سطح دریا در رشته‌کوه‌های زاگرس می باشد. شهرستان رومیشکان به ‌عنوان ‌یکی از شهرستان های زاگرس میانی، با داشتن رویشگاه مناسبی از درختان جنگلی با غالبیت بلوط ایرانی (Quercus persica) و پسته وحشی و داشتن گونه‌های منحصربه‌فرد لرگ، زالزالک، گلابی وحشی، آلبالوی وحشی، انواع بادام کیکم، زبان‌گنجشک، نارون و مو وحشی و نظایر آن مطرح بود و به‌طورکلی با وابستگی معیشت غالب مردم آن به جنگل‌ها و مراتع اهمیت خاصی پیدا می‌کند. 

 

 

img0 

 

 

 

 

 

 

 

 

 

 

شکل 1- منطقه مورد مطالعه

 

 

 

در این تحقیق از تصاویر ماهواره‌ای لندست، سال‌های 1987، 2002و 2017 استفاده‌شده است که به شرح جدول (1) است.

 

 

جدول1-  مشخصات تصاویر ماهواره‌ای اخذشده

تفکیک مکانی(متر) spatial resolution

تاریخ

date

ردیف row

گذر

pass

سنجنده sensor

ماهواره Setallite

30

1987.05.31

37

167

TM

لندست 5 Landsat 5

30

2002.04.30

37

167

ETM+

لندست 7 Landsaat 7

30

2017.05.01

37

167

OLI

لندست 8 Landsat 8

 

 

آماده‌سازی تصاویر و اعمال تصحیحات اتمسفری

اتمسفر همواره به‌عنوان ‌یکی عامل اثر گذار در سنجش‌ازدور بوده و به خاطر عملکرد آن ارزش عددی هر پیکسل در تصاویر حاصل از سنجش‌ازدور ثبت واقعی تابندگی پدیده‌های سطح زمین نیست. زیرا براثر جذب، علامت‌ ها تضعیف‌شده و یا اینکه براثر پراکنش مسیر آن تغییر می‌کند. این فن کاهش ارزش عددی پیکسل های تیره، بر این اصول استوار است که کمترین ارزش عددی  یک پیکسل، در هر باند بایستی صفر باشد، و ارزش رادیومتری هر پیکسل نتیجه ای است که از خطای اتمسفری حاصل شده است (Chavez, 1988; Blaschke and Feizizadeh, 2012) بنابران اگر ارزش عددی تعریف شده برای پیکسل ها بر اثر خطای اتمسفری را از تمامی پیکسل ها کسر گردد، در واقع نسبت به تصحیحات اتمسفری اقدام شده است، در این تحقیق از این روش برای تصحیحات اتمسفری استفاده شد.

پردازش تصویر شیءپایه

   پردازش شیءپایه تصاویر ماهواره‌ای به‌عنوان رویکردی نوین در سنجش‌ازدور شناخته می‌شود استفاده تلفیقی از اطلاعات طیفی و مکانی را در پردازش تصاویر ماهواره‌ای مدنظر قرار می‌دهد(Blaschke et al. 2000). در فرایند پردازش شیءپایه اطلاعات فیزیکی، محیطی، شکل و الگو مورداستفاده قرار می‌گیرد تا خطاهای ناشی از شباهت طیفی در پردازش پیکسل پایه به حداقل رسیده و نیز موجبات افزایش دقت فراهم شود (Lillesand, 2001). بسیاری از روش‌های طبقه‌بندی عموماً اطلاعات طیفی موجود در باندهای تصویر را استفاده می‌کنند. در این روش‌ها انتظار آن است که پیکسل با درجه روشنایی بیشتر یا کمتر در فضای چند طیفی در خوشه‌هایی متناسب با انواع پوشش زمینی گروه‌بندی شود (Eastman, 2006). بر اساس تحقیقات انجام‌شده این روش‌ها توانایی محدودی در جدا کردن طبقه هایی که اطلاعات طیفی مشابهی داشته و در هم ادغام می‌شوند، دارد (Chen et al., 2009; Goa et al., 2009). در مقایسه با پردازش پیکسل پایه، روش شیءپایه تصاویر را به‌صورت شیءهایی معنی‌دار که مطابق با ماهیت زمینی آن‌ها است در نظر می‌گیرد (Blaschke et al., 2000; Kazemi et al., 2011). در پردازش تصاویر پیکسل پایه مبنای پردازش بر اساس ارزش عددی پیکسل در باندهای مختلف است، درحالی‌که پردازش شیءپایه تنها متکی بر ارزش پیکسل‌ها نیست و مواردی چون بافت، تن، شکل و سایر عواملی که بتواند در جداسازی و عوارض کمک کند را در طبقه‌بندی دخالت می‌دهد چراکه در این روش تصویر بر اساس پارامترهای طیفی، فیزیکی و هندسی پدیده‌های زمینی ثبت‌شده بر روی تصویر قطعه بندی شده و واحد پردازش تصاویر از پیکسل به پدیده‌های تصویری یا قطعه تغییر می‌یابد و درنتیجه آن با پردازش جامع‌تر این اطلاعات، اشیاء و پدیده‌های دنیای واقعی را با دقت بالایی استخراج نمود (Feizizadeh and Helali., 2010). توانایی بالای روش‌های پردازش شیءپایه امکان استخراج دقیق‌تر پدیده را فراهم آورده و مبنای مناسبی را برای پایش تغییرات خصوصاً مدیریت مخاطرات محیطی نظیر آشکارسازی تغییرات تالاب‌ها و آب‌گرفتگی و سیلاب‌ها فراهم می‌آورد (Gilmore et al., 2008).

قطعه بندی تصاویر

   قطعه بندی اولین و مهم‌ترین مرحله، در تبدیل تصویر به واحدهای تصویری مجزا هست (Huang et al., 2008). سگمنت به معنی گروهی از پیکسل‌های همسایه در داخل یک ناحیه است که شباهت (نظیر ارزش عددی و بافت) مهم‌ترین معیار مشترک آن‌ها است (Blaschke et al., 2000). شیء(سگمنت) های تصویری حاصل از فرایند قطعه بندی، مبنای طبقه‌بندی شیءپایه هستند و آن‌ها دارای حجم زیادی از مشخصات و خصیصه‌های پدیده‌های زمینی و متناظرشان در سطح تصویر می‌باشند و هرچه قدر این فرایند با دقت بیشتری انجام گیرد، مستقیماً در کیفیت طبقه‌بندی شیءپایه تأثیر خواهد داشت (Yan, 2003). در طول فرایند قطعه بندی، تمام تصویر قطعه بندی شده و شئ های تصویری بر اساس معیار همگنی در رنگ و شکل تولید می‌شوند (Ranjbar and Honarmand, 2004). در جدول 2 پارامترهای قطعه بندی و آستانه‌های استفاده‌شده برای هر تصویر به تفکیک ارائه‌شده است. با بررسی منحنی انعکاس طیفی و همچنین ارزیابی هیستوگرام همبستگی نوارها، ترکیب باندی 3، 4، 5 برای طبقه‌بندی و تعیین نمونه‌های آموزشی انتخاب شد. وزن برای باندهای مختلف با تحلیل رفتار عوارض در باند مختلف مطابق جدول (2) انتخاب شد. با توجه به اینکه هدف اصلی تحقیق بررسی تغییرات صورت گرفته در طبقه جنگل است، بنابراین بر اساس این موارد وزن 2 برای باند قرمز ، مادون‌قرمز نزدیک و شاخص NDVI تعیین‌شده که علت این انتخاب عملکرد این باندها در پوشش‌های گیاهی و جنگلی است.

رابطه (1)                                                                                                           NDVI =

 

 

جدول2-  معیار و پارامترهای فرایند قطعه بندی تصاویر

Image 2016 (OLI)

Image 2001 (ETM+)

Image 1986 (TM)

معیار         criteria

34

11

12

مقیاس          scale

0.4

0.3

0.6

ضریب تراکم compactness factor 

0.5

0.5

0.4

ضریب شکل  shape factor

b2=2, b3=2 b4=2, b5=2 b6=1, b7=1, NDVI=2

b1=2, b2=1 b3=2, b4=2 b5=1, b7=0, NDVI=2

b1=2, b2=2 b3=2, b4=2 b5=1, b7=1, NDVI=2

وزن  های باندی bands weights

 

 

در جدول (2) ضریب تراکم نشان دهنده فشردگی فشردگی و متراکم بودن عارضه، ظریب شکل بیان کننده معیار شباهت به عوارض هندسی و در خصوص وزن های باندی، به هرباندی که عوارض بیشترین تغییر ارزش عددی را در آن محدوده باندی را داشته باشند وزن بیشتر تعلق می گیرد. لازم به ذکر استاد که ظریب فوق با تجربی بوده و با تکرار قطعه بندی بهترین ضریب و وزن به دست می آید (Feizizadeh and Helali., 2010).

شئ های نمونه آموزشی

   طبقه‌بندی شئ گرا نیز همانند طبقه‌بندی‌های نظارت‌شده درروش پیکسل پایه نیازمند نمونه‌های تمرینی یا آموزشی است. برخلاف طبقه‌بندی پیکسل پایه، طبقه‌بندی با الگوریتم نزدیک‌ترین همسایه درروش شئ گرا نیازمند نمونه‌های آموزشی کمتری است چون هنگامی‌که یک شیء تصویری به‌عنوان نمونه آموزشی انتخاب می‌شود، آن شیء خود پیکسل‌های متعددی را پوشش می‌دهد .در تحقیق حاضر نمونه‌های آموزشی با بازدید میدانی و نیز از تصاویر Google Earth جمع‌آوری‌شده و شئ های متناظر بر روی تصاویر مربوطه به‌عنوان نمونه آموزشی به نرم‌افزار معرفی شد. که بر اساس این نمونه تمامی شئ های موجود را به طبقه های مربوطه اختصاص داده شد.

 طبقه ‌بندی کننده فازی

   در این راستا برای طبقه‌بندی فازی، از روش فازی مثلثی برای محاسبه درجه هر کلاس استفاده شد. طبقه‌بندی فازی تکنیکی است که ارزش عددی عوارض را به ارزش فازی بین صفر و یک با درجه عضویت مشخص برای هر طبقه تبدیل می‌کند. تبدیل ارزش عددی عوارض به ارزش فازی اجازه همگن سازی و ترکیب عوارض در دامنه‌های متفاوت را فراهم می‌آورد. طبقه‌بندی فازی در نرم افزار eCognition 9.0.1 با توجه به معیارهایی است که مفسر برای هر طبقه مشخص می‌کند، این معیارها می‌تواند شامل ارزش عددی قطعه ها یا ویژگی‌های چشمی  نظیر  ( بافت، تن، رنگ) باشد و اختصاص درجه عضویت به هریک از عوارض با توجه با تابع فازی است. در تحقیق حاضر علاوه بر مقادیر باندهای مختلف از شاخص دیگر به نام  NDVI جهت افزایش دقت و کیفیت طبقه‌بندی و نیز از الگوریتم‌های فازی AND  و OR  استفاده‌شده است.

 

رابطه (2) معادله فازی سازی مثلثی 

 

C:\Users\Honey\Desktop\Untitled.png 

 

 

شکل2-  نمایش تابع فازی مثلثی

 

           

در تحقیق حاضر از تابع فازی مثلثی برای همه کلاس ها استفاده شده است که در محیط فازی نرم افزار eCognition نیز این تابع معرفی شد. لاذم به ذکر است که حد آستانه های جدول 3 بصورت تجربی و با مشاهده بیشترین و کمترین مقدار هر یک از شاخص ها در نمونه های معرفی شده برای طبقه بندی انتخاب شده اند.

 

 

img0 

شکل 3-  نمایش تابع فازی مثلثی کلاس جنگل در محیط نرم افزار eCognition

 

 

همانطور که از شکل 3 مشخص است با وارد کردن آستانه ها تابع فازی مثلثی به قسمتی از شاخص NDVI محدود می شود که کلاس جنگل دارای بیشترین ارزش عددی است. لاذم به ذکر است که الگوریتم فازی بر روی شاخص ها و باند هایی اعمال شده است که کمترین همپوشانی (Overlap) را از نظر میزان ارزش عددی با یکدیگر دارند. در کلاس جنگل همانطور که از شکل 3 نیز مشهود است، میزان همپوشانی کلاس جنگل با کلاس کشاورزی در حدود 14 در صد است که دارای کمترین میزان همپوشانی نسبت سایر شاخص و باند ها است.

 

 

 

جدول3-  الگوریتم و آستانه‌های طبقه‌بندی فازی

Blue

NDVI

NDVI

NDVI

NDVI

شاخص‌های طیفی و میانگین باندی Spectral indices

 and band mean 

0.14 < T > 0.26

T < - 0.15

0.04 < T > 0.14

0.14 < T > 0.30

T > 0.3

1987

آستانه Threshold

0.19 < T > 0.33

T < - 0.17

0.09 < T > 0.19

0.19 < T > 0.38

T > 0.38

2002

0.18 < T > 0.32

T < - 0.16

0.10 < T > 0.16

 0.18 < T > 0.39

T > 0.39

2017

AND (min)

OR (max)

AND (min)

AND (min)

AND (min)

 

الگوریتم فازی     fuzzy algorithms

 

مسکونی residential

آب

 water

مرتع

     pasture

جنگل

  forest

کشاورزی farmlands

کلاس

           class

 

 

 

ارزیابی صحت طبقه‌بندی  

   هیچ طبقه‌بندی تا زمانی که دقت آن مورد ارزیابی قرار نگرفته است تکمیل نیست و برای کسب اطمینان از نسبت صحت تصویر طبقه‌بندی‌شده دقت آن باید مورد ارزیابی قرار گیرد (Glimore et al., 2008). دقت طبقه‌بندی بیانگر سطح اعتماد به نقشه استخراج‌شده هست (Wijanarto, 2006). مدل‌های ارزیابی دقت در طبقه‌بندی شئ گرا بیشتر از روش‌های طبقه‌ بندی پیکسل پایه است که این مدل‌ها شامل ضریب دقت کلی، ضریب کاپا، ماتریس خطا، پایداری طبقه‌بندی و همچنین نتیجه بهترین طبقه‌بندی است (Yan, 2003). در این پژوهش برای ارزیابی دقت نمونه‌هایی که از قبل برای ارزیابی دقت طبقه‌بندی مشخص‌شده بود را بر روی تصاویر انتخاب و برای ارزیابی به نرم افزار eCognition 9.0.1 ‌ معرفی شد. نتیجه حاصل از ارزیابی خطای طبقه‌بندی به شرح جدول(4) است. از دقت ارزیابی‌ها نشان می‌دهد که طبقه‌بندی با دقت زیادی انجام‌گرفته است. علت این دقت زیاد استفاده از معیارهای نظیر شکل، بافت، رنگ، بافت و الگو عوارض در طبقه‌بندی است که ابهام در مورد ماهیت عوارض را کاهش می‌دهد. ارزیابی دقت طبقه بندی در روش شیءپایه همانند روش یپکس پایه است که به جای تعداد پیکسل ها تعداد شیء ها در معادله ارزیابی دقت طبقه بندی لحاظ می شود (Feizizadeh and Helali, 2010).

 

 

جدول 4-  ضرایب خطای کلی و کاپا طبقه‌بندی 

2017

2002

1987

 

     تصویر      Image

92.4

91.0

84.0

 

   دقت کلی

    Overall

 accuracy

0.9

0.88

0.82

 

              کاپا            Kappa

 

 

 

 

 

img0رابطه(4)

 

 

 

 

 

 

جدول5- نتایج طبقه‌بندی شیءپایه (کیلومترمربع)

 

1987

2002

2017

کلاس     class  

106.44

141.84

174.79

 کشاورزی Farmlands

124.59

122.58

43.42

جنگل Forest

318.65

292.25

325.19

مراتع Range

4.67

2.45

3.55

عوارض آبی Water 

2.74

5.81

17.99

مسکونی Residential

 

 

 

در دوره 1987-2002 بیشترین تغییر کاربری مرتع به کشاورزی با 81/33 کیلومتر مربع بوده و در طول این مدت 25/3 کیلومترمربع از اراضی کشاورزی به دلایلی نظیر عدم ارزش اقتصادی کافی، محصول کم و بی کیفیت و سایر عوامل دیگر به کلاس جنگل افزوده شده است همچنین نزدیک به دو کیلومتر مربع از ارراضی کشاورزی به کلاس مسکونی تغییر کاربری داده است (مقادیر منفی برای مثال نشان دهنده این است که 81/33 کیلومتر مربع از مرتع تبدیل به اراضی کشاورزی شده که در قسمت ستون کشاورزی نیز ذکر شده است 81/33 کیلومتر مربع از مساحت

 

مرتع به اراضی کشاورزی تغییر کاربری داده شده است) . در این بازه زمانی بیشترین تغییر مساحت جنگل 05/6 کیلومتر مربع بوده که به مرتع تغییر پوشش داده است.

 

جدول6- تغییرات کاربری ها در 1987-2017 (کیلومترمربع)

2017-2002

2002-1987

مسکونی Residential

آب Water

مرتع Range

جنگل Forest

کشاورزی Farmlands

مسکونی Residential

آب Water

مرتع Range

جنگل     Forest

کشاورزی Farmlands

 

11.38

0.06

-5

-39.41

0

1.94

-0.4

-33.81

3.25

0

کشاورزی Farmlands

0.14

0.16

39.35

0

39.41

0.04

-0.66

6.05

0

-3.25

جنگل Forest

0.66

0.89

0

-39.35

5

0.98

-1.17

0

-6.05

33.81

مرتع Range

0

0

-0.89

-0.16

-0.06

0

0

1.17

0.66

0.4

آب Water

0

0

-0.66

-0.14

-11.38

0

0

-098

-0.04

-1.94

مسکونی Residential

 

 

 

 

 

D:\0works_papaer\0finished\zandi\2017.jpg شکل4: تغییرات صورت گرفته در بازه زمانی 1987-2002

 

D:\0works_papaer\0finished\zandi\2017.jpg 

تغییرات خالص جنگل در این بازه زمانی به میزان زیادی نبوده بلکه فقط دو کیلومتر مربع از مساحت کل آن کم شده است که نشان از عدم دخل تصرف انسانی در مناطق جنگلی می باشد.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

شکل 5:  نقشه تغییرات صورت گرفته در بازه زمانی 2002-2017

 

 

در دوره دوم بین 2002 تا 2017 تغییرات زیادی رخ داده است که بیشتر تغییرات متوجه کلاس جنگل و کلاس مسکونی بوده است. در طی این بازه 16/79 کیلومتر مربع از مناطق جنگلی به مرتع و اراض کشاورزی تغییر کاربری داده است که سهم مرتع و اراضی کشاورزی از این تغییرات به ترتیب 35/39 و 41/39 کیلومترمربع بوده که تقریبا سهمی یکسانی در تخریب جنگل داشته اند. در بازه 1987-2002 بیشترین تصرف ارارضی کشاورزی در مراتع بوده و تقریبا هیچ گونه تصرفی در مناطق جنگلی نداشته اما در بازه 2002-2017 بیشترین تصرف اراضی کشاورزی با 41/39 کیلومترمربع در مناطق جنگلی بوده و فقط 5 کیلومترمربع از مراتع به اراضی کشاورزی تغییر کاربری داده است. به نسبت مساحت بیشترین رشد را کلاس مسکونی با 38/11 کیلومتر مربع داشته که این تغییر کاربری از اراضی کشاورزی به کلاس مسکونی صورت گرفته است. میزان تغییرات صورت گرفته در خصوص کاربری در دوره دوم بیشتر از دوره اول بوده که دلیل اصلی این تغییرات رشد و افزایش جمعیت، گسترش شهرها، نیاز روز افزون به منابع طبیعی و سایر عوامل دیگر می باشد که ادامه روند یا همین آهنگ آسیب جبران ناپذیری به مناطق جنگلی این شهرستان وارد می کند.

 

 

D:\0works_papaer\zandi\2017-10-10_23-13-56.jpg شکل6:طبقه‌بندی منطقه مورد مطالعه در سه دوره

 

 

پس از بررسی تغییرات در بازه های زمانی مشخص؛ پیش بینی تغییرات تا سال 2030 در هریک از کاربری ها صورت گرفت. با توجه به شکل(7) بر اساس پیش بینی مدل زنجیره مارکوف تغییرات محدوده های اراضی کشاورزی که با رنگ سبز کمرنگ در نقشه نشان داده شده است، معادل 66.23 درصد می باشد. در نواحی جنگلی تغییراتی معادل 10.70 درصد اتفاق خواهد افتاد. میزان تغییرات در محدوده مراتع 12.91 درصد می باشد. همچنین تغییرات آب نیز معادل 1.35 درصد می باشد. در نهایت محدوده ی مسکونی تغییراتی معادل 8.79 درصد می باشد. به طور کلی بیشترین تغییرات مربوط به طبقه اول، یعنی اراضی کشاورزی می باشد. دلیل این امر را می توان گسترش فیزیکی شهر و افزایش ساخت سازها دانست.

 

 

E:\magala_hejar\image_2018-09-27_13-05-06.png 

شکل7 : نقشه پوشش کاربری پیش بینی شده محدوده مورد مطالعه با استفاده از مدل مارکوف برای سال2030

 

 

شکل(8) نقشه تغییرات صورت گرفته هر کاربری در بازه 2017 تا 2030 را نشان می دهد. با توجه به نقشه، میزان تغییر نواحی جنگلی به اراضی کشاورزی معادل 6/901 (کیلومتر مربع) می باشد. میزان تغییر مراتع به اراضی کشاورزی معادل789/4 (کیلومتر مربع) می باشد. میزان تغییر اراضی کشاورزی به نواحی جنگلی معادل 188/0 (کیلومتر مربع) می باشد. میزان تغییر مراتع به نواحی جنگلی معادل 966/0 (کیلومتر مربع) می باشد. میزان تغییر اراضی کشاورزی به مراتع معادل038/7 (کیلومتر مربع) می باشد. میزان تغییر نواحی جنگلی به مراتع معادل 172/9 (کیلومتر مربع) می باشد. میزان تغییر آب به مراتع معادل189/0 (کیلومتر مربع) می باشد. میزان تغییر مراتع به آب معادل16.11 (کیلومتر مربع) می باشد. میزان تغییر اراضی کشاورزی به مناطق مسکونی معادل 694/4 (کیلومتر مربع) می باشد. بیشترین میزان تغییر میان کاربری ها، مربوط به تغییر کاربری نواحی جنگلی به مراتع بوده است مه معادل172/9 (کیلومتر مربع) می باشد. در ضمن مساحتی معادل 88/1057 (کیلومتر مربع) بدون تغییر می باشد. جهت صحت سنجی نتایج مدل پیشی بینی نقشه کاربری 2017 تولید تهیه شده با نقشه 2017 پیش بینی شده مقایسه شد که ضریب کاپا (Kappa) برابر با 82 درصد بوده که حاکی از دقت بالای مدل پیش بینی مورد استفاده می باشد سپس با توجه به نتایج صحت سنجی پیشی بینی برای سال 2030 صورت گرفت.

 

 

E:\magala_hejar\changes2017-2030.jpg 

شکل8 : نقشه تغییرات صورت گرفته هر کاربری در بازه 2017 تا 2030 در منطقه ی مورد مطالعه

 

جدول 7 : مساحت تغییر کاربری ها به کیلومتر مربع در منطقه ی مورد مطالعه بین 2017 و 2030

مسکونی Residential

     آب        Water

مرتع Range

کشاورزی Farmland

جنگل Forest

    کلاس         class

***

***

0.966

0.1818

***

جنگل

 Forest

***

***

4.788

***

6.901

کشاورزی Farmland

***

0.189

***

7.038

9.172

مرتع Range

***

***

0.161

***

***

  آب        Water

***

***

***

4.894

***

مسکونی Residential

 

 

 

بحث و نتایج

   اساساً شناخت و ارزیابی روند جنگل‌زدایی و پیش‌بینی تغییرات کاربری‌ها در هر منطقه می‌تواند زمینه را برای مدیریت بهینه محیط مهیا نماید. با توجه به گسترش تخریب جنگل در استان لرستان به‌ویژه در سال‌های اخیر، این پژوهش باهدف پایش روند این پدیده مخاطره‌آمیز و تغییرات کاربری‌های شهرستان رومشکان طی 30 سال اخیرصورت گرفت. بدین منظور از داده‌های رقومی ماهواره لندست 5،7،8 در تاریخ مختلف استفاده گردید. در این راستا ابتدا بر مبنای روش فازی شیءپایه اقدام به شناسایی کاربری اراضی در تاریخ‌های سه گانه شد. طبق نتایج به‌دست‌آمده در طی دوره 2002-1987 مناطق جنگلی تحت تاثییر گسترش کشاورزی قرار نگرفته و این گسترش در مراتع این شهرستان رخ داد و در طی این دوره تنها 2 کیلومتر مربع از مساحت مناطق جنگلی کاسته شد. عمده تغییر کاربری جنگل از سال 2002 به بعد رخ داد که نزدیک به 80 کیلومتر مربع از مناطق جنگلی به مرتع و اراضی کشاورزی تغییر کاربری داده که در سال 2017 مساحت جنگل های رومشکان به یک سوم خود نسبت به سال 1987 رسید. در دوره دوم (2002-2017) رشد تغییرات شدیدتر بوده و همزمان با تخریب جنگل ها به مساحت ارارضی کشاورزی و مناطق مسکونی افزوده شده است که نشان از رشد سریع جوامع انسانی در دوره دوم است. نتایج یه خوبی نشنان داد که در طول این بازه زمانی عوامل انسانی نظیر کشاورزی و توسعه آن یکی از موارد مهم در تخریب مناطق جنگلی است که با گذر زمان این تهدید می تواند به صورت شدیدتری منابع جنگلی را در معرض نابودی قرار دهد. در تحقیق مشابه Rostam zadeh و همکاران (2017) که به بررسی تغییرات جنگل های بلوط شمال استان ایلام پرداختند، نتایج نشان داد که بیشتر مساحت جنگل های بلوط به اراضی کشاورزی و مرتع تبدیل گشته و در باز زمانی 1366- 1394 به میزان 43% از جنگل های شمال استان ایلام تخریب شده است همچنین کارایی و دقت مناسب روش شیء پایه را نیز تایید کرده اند. با توجه به نتایج پیش بینی زنجیره مارکوف در سال 2030، در نواحی جنگلی تغییراتی معادل 10.70 درصد اتفاق خواهد افتاد؛ به عبارت دیگر از میزان نواحی جنگلی کاسته خواهد شد. نتایج حاصل از این تحقیق نشان داد که گسترش و عدم کنترل فعالیت های انسانی در دراز مدت صدمات جبران ناپذیری بر محیط زیست و منابع طبیعی وارد می کند که با ادامه روند موجود در آینده نچندان دور مشکلات به فاجعه تغییر وضعیت خواهند داد , رفع آن نیز به مراتب سخت تر خواهد بود. با این تفاسیر استفاده از داده های سنجش از دور و تحلیل های مکانی می تواند کمک شایانی به مدیران و برنامه ریزان در راستای توسعه پایدار جنگل و جلوگیری از هرگونه تهدید احتمالی در آینده بنماید.

منابع

 

1-       اسلامي ، ف، قرباني ، ع، سبحاني ، ب و پناهنده ، م. مقایسه شبکه عصبی مصنوعی، دستگاه بردار پشتیبان و روشهای مبتنی بر شیء در تهیه نقشه های استفاده از زمین / پوشش با استفاده از تصاویر منظره 8. مجله RS و GIS برای منابع طبیعی.(2015). 6 (3) ، 1-14

2-       حیدریان ، پ. ، رنگزن ، ک. ، ملکی ، س. و تقی زاده ، ا. تشخیص تغییر کاربری اراضی با استفاده از مقایسه طبقه بندی تصاویر ماهواره ای لندست (مطالعه موردی: سرزمین تهران). مجله RS و GIS برای منابع طبیعی . (1393). 4 (4) ، 1-10.

3-       رستم زاده ، ح. ، دارابی ، س. و شهابی ، ح. تغییر طبقه بندی جنگلهای بلوط با استفاده از طبقه بندی شیء مبتنی بر تصاویر چندمنظوره لندست (مطالعه موردی: جنگلهای شمال استان ایلام). مجله RS و GIS برای منابع طبیعی. (1395). 8 (2) ، 92-110.

4-       ضیائیان ، ف. ص. ، شکیبا ، ع. ، ماتاکان ، ع. و صادقی ، ع. سنجش از دور (rs) ، سیستم اطلاعات جغرافیایی (gis) و مدل اتوماسیون سلولی (ca) به عنوان ابزاری برای شبیه سازی تغییر کاربری اراضی شهری- مطالعه موردی شهرکرد. علوم محیط زیست. (1387) .7 (3) ، 133-148.

5-       فیضی زاده ، ب و هلالی ، ح. مقایسه روشهای مبتنی بر پیکسل ، شی گرا و پارامترهای مؤثر در طبقه بندی پوشش سطح زمین / استفاده از اراضی استان آذربایجان غربی. فصلنامه تحقیقات جغرافیای فیزیکی. (1389).42 (71) ، 73-84.

6-       کاظمی ، م. ، مهدوی ، ی. ، نوهه­گر ، ا. و رضایی ، ص. تغییر در کاربری و پوشش اراضی با استفاده از تکنیک های سنجش از دور و GIS (مطالعه موردی: آبخیز بستانک شیراز). کاربرد سنجش از دور و GIS در علوم منابع طبیعی. (1390). سال دوم ، 1،101.

7-       میرزایی زاده ، و ، نیك نژاد ، م. و اولادی كادیكلائی ، ج. ارزیابی الگوریتم های طبقه بندی نظارت غیر پارامتری در نقشه پوشش زمین با استفاده از تصاویر Landsat-8. مجله RS و GIS برای منابع طبیعی. (1393).  6 (3) ، 29-44.

8-       نیازی ، ی. مقایسه دو روش طبقه بندی حداکثر احتمال و شبکه عصبی مصنوعی برای تهیه نقشه های کاربری اراضی مطالعه موردی: منطقه سد ایلام. جغرافیا و توسعه مجله ایرانی. (1388). 8 (20) ، 119-132.

9-       111Lillesand, T., Kiefer, R,W. and Chipman, J. (2001). Remote sensing and image interpretation,6th Edition, Wiley Publication, Washington.

10-       Blaschke, T. (2010). Object-based image analysis for remote sensing. ISPRS Journal of photogrammetry and remote sensing. 65(1), 2-16. 30

11-       Blaschke, T., Lang, S., Lorup, E., Strobl, J. and Zeil, P. (2000). Object-oriented image processing in an integrated GIS/remote sensing environment and perspectives for environmental applications. In A. Cremers, & K. Greve (Eds.), Environmental information for planning, politics and the public, 2, 555–570.

12-       Chavez, P. S. (1988). An improved dark-object subtraction technique for atmospheric scattering correction of multispectral data. Remote sensing of environment, 24(3), 459-479.

13-       Chen, M., Su, W., Li, L., Zhang, C., Yue, A. and Li, H. (2009). Comparison of pixel-based and object-oriented knowledge-based classification methods using SPOT5 imagery. WSEAS Transactions on Information Science and Applications, 6(3), 477-489.

14-       Costanza, R. and Ruth, M. (1998). Using dynamic modeling to scope environmental problems and build consensus. Environmental Management, 22(2):183 195.

15-       Eastman J.R. 2006. IDRISI Andes. Tutorial. Clark-Labs, Clark University, Worcester, 284.

16-       Fan, F., Wang, Y. and Wang, Z. (2008). Temporal and spatial change, detecting (1998–2003) and predicting of land use and land cover in Core corridor of Pearl. 127-147.

17-       Feizizadeh, B. and Blaschke, T. (2012). Thermal remote sensing for land surface temperature monitoring: Maraqeh County, Iran. In Geoscience and Remote Sensing Symposium (IGARSS), 2012 IEEE International, 2217-222.

18-       Gao,Y., Mas, J.F. and Navarrete, A. (2009). The improvement of an object-oriented classification using multi-temporal MODIS EVI satellite data, International Journal of Digital Earth, Volume 2, Issue 3 September 2009, 219 - 236.

19-       Gilmore, M. S., Wilson, E. H., Barrett, N., Civco, D. L., Prisloe, S. and Hurd, J. D .(2008). Integrating multi-temporal spectral and structural information to map wetland vegetation in a lower Connecticut River tidal marsh. Remote Sensing of Environment, 112, 4048-4060.

20-       Miranda-Aragón, L., Treviño-Garza, E. J., Jiménez-Pérez, J., Aguirre-Calderón, O. A., González Tagle, M. A., Pompa-García, M. and Aguirre-Salado, C. A. (2012). Modeling susceptibility to deforestation of remaining ecosystems in North Central Mexico with logistic regression. Journal of Forestry Research, 23(3), 345-354.

21-       Ranjbar, H. and Honarmand, M. (2004). Integration and analysis of airborne geophysical and ETM+ data for exploration of porphyry type deposits in the Central Iranian Volcanic Belt using fuzzy classification. International Journal of Remote Sensing, 25(21), 4729-4741. 

22-       Sang L, Zhang C, Yang J, Zhu D. And Yun W. (2011). Simulation of land use spatial pattern of towns and villages based on CA–Markov model. Mathematical and Computer Modelling, 54(3), 938 943.

23-       Verburg PH, Soepboer W, Veldkamp A, Limpiada R, Espaldon V. and Mastura SS. (2002). Modeling the spatial dynamics of regional land use: the CLUE-S model. Environmental Management, 30(3), 391-405.

24-       Wijanarto AB. (2006). Application of Markov Change Detection Technique for Detecting Landsat ETM Derived Land Cover Change Over Banten Bay. Journal of Ilmiah Geomatika, 12(1), 11-21.

25-       Yan, G (2003). Pixel based and object oriented image analysis for coal fire research. Enschede, Holanda, 1-93.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

13

 


Rimag

Rimag is an integrated platform to accomplish all scientific journal requirements such as submission, evaluation, reviewing, editing, DOI assignment and publishing in the web.

Links

Related Centers

Technical Support

Official pages

The rights to this website are owned by the Raimag Press Management System.
Copyright © 2017-2024

Home| Login| About Rimag| Contact Us|
[فارسی] [العربية] [fa] [ar]