Investigation and prediction on Forests Covers Changes Using Fuzzy Object-Based Satellite Image Classification and CA-Markov (case study: City of Romeshkan)
Subject Areas : Remote sensing and biogeographyRahman Zandi 1 , Hajar Shehabi 2 , Ebrahim Akbari 3
1 - عضو هیات علمی دانشگاه حکیم سبزواری
2 -
3 - Ferdosi University
Keywords: Forest cover, Object-Based image classification, CA-Markov, Landsat, Romeshkan,
Abstract :
Forest is a valuable heritage and one of the important factors in the ecosystem of each area that in addition to using and exploiting them, they should be preserved. Zagros’ forests, especially in Lorestan province due to negligence have been destroyed throughout past years. The aim of this research is to investigation, detect and modeling Romeshkan’s forests’ cover changes. To do this, first changes that were taken place between 1987-2017 were extracted by satellite Landsat images and using Fuzzy Object-Based classification method, then, were classified in 5 classes (Agriculture, 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 forest area. In a period of 1987-2002 forest cover of the study area had not faced major changes, but most of the rangelands turned to farmlands. While in the second period from 2002 onwards forest cover dramatically dipped and its area decreased from 122.58 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 CA-Markov model was applied that indicates 10.70% of current forest covers will be reduced in 2030, and the main changes will be occurred between forest classes to farmlands and rangelands classess by 6.901 and 9.172 km2, respectively.
اسلامي، ف، قرباني، ع، سبحاني، ب و پناهنده، م. مقایسه شبکه عصبی مصنوعی، دستگاه بردار پشتیبان و روش‌های مبتنی بر شیء در تهیه نقشه‌های استفاده از زمین / پوشش با استفاده از تصاویر منظره 8. مجله RS و GIS برای منابع طبیعی. (2015). 6 (3)، 1-14.
حیدریان، پ.، رنگزن، ک.، ملکی، س. و تقی زاده، ا. تشخیص تغییر کاربری اراضی با استفاده از مقایسه طبقهبندی تصاویر ماهواره ای لندست (مطالعه موردی: سرزمین تهران). مجله RS و GIS برای منابع طبیعی. (1393). 4 (4)، 1-10.
رستم زاده، ح.، دارابی، س. و شهابی، ح. تغییر طبقهبندی جنگلهای بلوط با استفاده از طبقهبندی شیء مبتنی بر تصاویر چندمنظوره لندست (مطالعه موردی: جنگلهای شمال استان ایلام). مجله RS و GIS برای منابع طبیعی. (1395). 8 (2)، 92-110.
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 شبیه‌سازی تغییر کاربری اراضی شهری- مطالعه موردی شهرکرد. علوم محیط زیست. (1387) .7 (3)، 133-148.
فیضی‌زاده، ب و هلالی، ح. مقایسه روش‌های مبتنی بر پیکسل، شی‌گرا و پارامترهای مؤثر در طبقهبندی پوشش سطح زمین/ استفاده از اراضی استان آذربایجان غربی. فصلنامه تحقیقات جغرافیای فیزیکی. (1389).42 (71)، 73-84.
کاظمی، م.، مهدوی، ی.، نوهه¬گر، ا. و رضایی، ص. تغییر در کاربری و پوشش اراضی با استفاده از تکنیک‌های 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.
میرزایی‌زاده، و، نیك‌نژاد، م. و اولادی كادیكلائی، ج. ارزیابی الگوریتم‌های طبقهبندی نظارت غیر‌پارامتری در نقشه پوشش زمین با استفاده از تصاویر Landsat-8. مجله RS و GIS برای منابع طبیعی. (1393). 6 (3)، 29-44.
نیازی، ی. مقایسه دو روش طبقهبندی حداکثر احتمال و شبکه عصبی مصنوعی برای تهیه نقشه‌های کاربری اراضی مطالعه موردی: منطقه سد ایلام. جغرافیا و توسعه مجله ایرانی. (1388). 8 (20)، 119-132.
Lillesand, T., Kiefer, R,W. and Chipman, J. (2001). Remote sensing and image interpretation,6th Edition, Wiley Publication, Washington.
Blaschke, T. (2010). Object-based image analysis for remote sensing. ISPRS Journal of photogrammetry and remote sensing. 65(1), 2-16. 30
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.
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.
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.
Costanza, R. and Ruth, M. (1998). Using dynamic modeling to scope environmental problems and build consensus. Environmental Management, 22(2):183 195.
Eastman J.R. 2006. IDRISI Andes. Tutorial. Clark-Labs, Clark University, Worcester, 284.
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.
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.
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.
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.
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.
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.
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.
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.
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.
Yan, G (2003). Pixel based and object oriented image analysis for coal fire research. Enschede, Holanda, 1-93.
پژوهش و فناوری محیط زیست، دوره چهارم، شماره شش، پاییز و زمستان 98، صفحه‌ی 103-114
|
بررسی و پیشبینی تغییرات پوشش جنگلها با استفاده از طبقهبندی شیءگرا فازی تصاویر ماهوارهای و زنجیره مارکوف، مطالعه موردی: شهرستان رومشکان
|
رحمان زندی1*، هژار شهابی2، ابراهیم اکبری3 R.zandi@hsu.ac.ir |
جنگلها میراثی گران‌بها و یکی از عوامل مهم در اکوسیستم هر منطقه میباشند که علاوه بر استفاده و بهرهبرداری از آن‌ها، در حفاظت و صیانت‌‌شان نیز باید اقدامات اساسی صورت گیرد. جنگلهای زاگرس، به‌ویژه در استان لرستان، طی سالیان گذشته، در اثر بی‌توجهی روبه زوال نهاده و چهره متفاوتی به خود گرفته‌اند. هدف این تحقیق بررسی، آشکارسازی و مدلسازی آینده تغییرات پوشش جنگلهای شهرستان رومشکان میباشد. بدین منظور ابتدا تغییر کاربری‌های صورت گرفته بین سال‌های 1987 و 2017 با استفاده از تصاویر لندست و تکنیک طبقهبندی فازی شیءپایه استخراج شد، و به کلاسهای (کشاورزی، جنگل، مرتع، عوارض آبی، مسکونی) طبقهبندی شدند. نتایج حاصل در طول سی سال کاهش شدید (17/81 کیلومترمربع) مناطق جنگلی و افزایش اراضی کشاورزی و مرتع در مناطق جنگلی را نشان میدهد. در بازه زمانی 1987-2002 جنگلها دچار تغییرات خاصی نشده و عمده تغییرات شامل گسترش طبقه کشاورزی در مراتع بوده است. در بازه دوم از سال 2002 به بعد پوشش جنگلها دچار کاهش شدید شده و مساحت آن‌ها از 58/122 به 42/43 کیلومتر مربع در سال 2017 رسیده است که 16/79 کیلومترمربع کاهش نشان داد. در ادامه برای پیشبینی روند تغییرات از زنجیره مارکوف استفاده شد که با توجه به نتایج پیشبینی زنجیره مارکوف در سال 2030، در نواحی جنگلی تغییراتی معادل 70/10 درصد اتفاق خواهد افتاد و عمده تغییرات مربوط به تغییر کاربری از کلاس جنگل به کلاسهای کشاورزی و مرتع به ترتیب با 901/6 و 172/9 کیلومتر مربع خواهد بود.
كليد واژه‌ها: پوشش جنگلی، طبقهبندی شیءپایه تصاویر، CA مارکوف، لندست، رومشکان
[1] - استادیار، دانشکده ی جغرافیا و علوم محیطی، دانشگاه حکیم سبزواری، سبزوار
[2] - مربی، دانشگاه تبریز، تبریز
[3] - مربی، دانشگاه فردوسی، مشهد
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 دادهها 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، به سادگی می‌توان از آن به‌طور گسترده در مدلسازی GIS استفاده کرد (Heydarian et al., 2014). مدلسازی یکی از روش‌های تجزیه و تحلیل پویـایی نظـام کاربري اراضی است، که بـا اسـتفاده از آن، چـارچوب علمـی آنالیز ابزارهای تغییر کاربري اراضـی از حالـت توصـیفی بـه سمت کمی تغییر پیدا می‌کند (Costanza et al., 1998). مدل‌هایی که براي پیشبینی تغییرات کاربري اراضی مورد استفاده قرار می‌گیرند، ابزارهـاي مفید، تکرارپذیر و مکمل توانایی‌های ذهنی موجود ما در تجزیه و تحلیل تغییر کاربری اراضی و تصمیمگیری آگاهانه‌تر هستند (Chen et al., 2009; Verburg et al., 2002).
در دهههاي اخیر استفاده از فن دورسنجی به‌منظور پایش تغییرات مورد توجه قرار گرفته و تحقيقات متعددي در این زمينه در ایران و جهان اجرا شده 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 کاهش یافته 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 پرداختند، نتایج حاصل از این تحقیق نشان داد که تعداد بسیار 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 مورد مطالعه به‌شدت مستعد تغییر پوشش جنگلی و کاربری زمین است و افزایش روزافزون جمعیت را عامل اصلی تغییر پوشش جنگلی بیان کرده‌اند. در خصوص پردازش شیءپایه Feizizadeh و همکاران(2016)، در تحقیقی به شناسایی پهنه‌های مستعد طوفانهای نمکی دریاچه ارومیه با استفاده از پردازش شیءپایه فازی تصاویر ماهوارهای پرداختند. نتایج این تحقیق نشان داد 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 استRostam zadeh . و همکاران (2017)، به آشکارسازی تغییرات جنگلهای بلوط شمال استان ایلام با استفاده از طبقهبندی شیءپایه تصاویر چندزمانه لندست پرداختند. نتایج حاصل نشان داد که در تمام دهستانهای شمال استان پدیده جنگلزدایی رخ داده و میزان تغییرات کاهشی نسبت به سال 1366 به میزان 42 درصد بوده است. در خصوص پیشبینی تغییرات کاربری/پوشش اراضی در آبنده Sohl و Claggety (2013)، Amin naboureh و همکاران (2017) با استفاده از روش طبقهبندی شیءگرا و مدل CA-Markov به مدلسازی پرداختند که نتایج نهایی پردازش، نشان از قابلیت بالای روش طبقهبندی شیءگرا و مدل مارکوف در پیشبینی تغییرات در آینده داشت. هدف تحقیق حاضر بررسی تغییرات پوشش جنگلهای شهرستان رومشکان و پیشبینی آن با استفاده از روش فازی شیءپایه طبقه یندی و مدل مارکوف است و نیز پاسخ به این سوال که کدام عمل بیشترین سهم را در تخریب جنگلها داشته است؟
مواد و روش‌ها
منطقه مورد مطالعه شامل جنگلهای شهرستان رومشکان در غرب استان لرستان واقع شده است. محدوده مطالعاتی موردنظر طبق آخرین تقسیم‌بندی سیاسی بین سه شهرستان کوهدشت، پلدختر، دره‌شهر قرارگرفته است و مساحت آن نیز 564 کیلومتر مربع میباشد. این منطقه از نظر جغرافیای، 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 قرار گرفته است. ارتفاع متوسط منطقه مورد مطالعه 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 شروع شده و تا ارتفاع 3500 متری از سطح دریا در رشته‌کوه‌های زاگرس ادامه مییابد. شهرستان رومیشکان به عنوان یکی از شهرستانهای 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، زبان گنجشک، 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.
شکل 1- منطقه مورد مطالعه
در این تحقیق از تصاویر ماهوارهای لندست، سال‌های 1987، 2002 و 2017 استفاده شده است که به شرح جدول (1) است.
جدول 1- مشخصات تصاویر ماهوارهای اخذ شده
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 کی از عوامل اثرگذار در سنجش از دور بوده و به خاطر عملکرد آن ارزش عددی هر پیکسل در تصاویر حاصل از سنجش از دور ثبت واقعی تابندگی پدیده‌های سطح زمین نیست. زیرا بر اثر جذب، علامت‌‌ها تضعیف شده و یا اینکه بر اثر پراکنش مسیر آن تغییر می‌کند. فن کاهش ارزش عددی پیکسل‌های تیره، بر این اصول استوار است که کمترین ارزش عددی یک پیکسل، در هر باند بایستی صفر باشد، و ارزش رادیومتری هر پیکسل نتیجه‌ای است که از خطای اتمسفری حاصل شده است (Chavez, 1988; Blaschke and Feizizadeh, 2012) بنابراین اگر ارزش عددی تعریف شده برای پیکسلها بر اثر خطای اتمسفری از تمامی پیکسلها 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 و استفاده تلفیقی از اطلاعات طیفی و مکانی در پردازش تصاویر ماهوارهای را مدنظر قرار میدهد (Blaschke et al. 2000). در فرایند پردازش شیء پایه اطلاعات فیزیکی، محیطی، شکل و الگو مورد استفاده 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). براساس تحقیقات انجام شده این روش‌ها توانایی محدودی در جدا کردن طبقه‌هایی 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 براساس ارزش عددی پیکسل در باندهای مختلف است، درحالی که 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 چرا که در این روش تصویر براساس پارامترهای طیفی، فیزیکی و هندسی پدیده‌های زمینی ثبت شده بر روی تصویر قطعهبندی می‌شود و واحد پردازش تصاویر از پیکسل به پدیده‌های تصویری یا قطعه تغییر مییابد و در نتیجه با پردازش جامع‌تر این اطلاعات، اشیاء و پدیده‌های دنیای واقعی با دقت بالایی استخراج خواهد شد (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). با توجه به اینکه در این روش در ادغام دو تصویر در زمان‌های مختلف معمولا ابعاد شیئ‌ها مقایسه حساس است، این مسئله براساس طبقهبندی شیئ گرا حل گردید.
· قطعهبندی تصاویر
قطعهبندی اولین و مهم‌ترین مرحله، در تبدیل تصویر به واحدهای تصویری مجزا است (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 قطعهبندی، 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 قطعهبندی، تمام تصویر قطعهبندی شده و شئهای تصویری براساس معیار همگنی در رنگ و شکل تولید می‌شوند (Ranjbar and Honarmand, 2004). در جدول 2 پارامترهای قطعهبندی و آستانه‌های استفاده شده 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. وزنها 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 براساس این موارد وزن 2 برای باند قرمز، مادون قرمز نزدیک و شاخص NDVI تعیین شده که علت این انتخاب عملکرد این باندها در پوشش‌های گیاهی و جنگلی است.
رابطه (1) | NDVI = |
جدول2- معیار و پارامترهای فرآیند قطعهبندی 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 | وزن‌های باندی bands weights |
در جدول (2) ضریب تراکم نشان‌دهنده فشردگی و متراکم بودن عارضه، ضریب شکل بیان کننده معیار شباهت به عوارض هندسی است و در خصوص وزن‌های باندی، به هرباندی که عوارض بیشترین تغییر ارزش عددی را در آن محدوده باندی داشته باشند وزن بیشتر تعلق می‌گیرد. لازم به ذکر است که ضریب فوق تجربی بوده و با تکرار قطعهبندی بهترین ضریب و وزن به دست می‌آید (Feizizadeh and Helali., 2010).
· شئهای نمونه آموزشی
طبقهبندی شئگرا نیز همانند طبقه‌بندی‌های نظارت شده در روش 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 جمع‌آوری شده و شئهای متناظر (جنگلها، مناطق مسکونی، آب و مناطق بایر) بر روی تصاویر مربوطه به‌عنوان نمونه آموزشی به نرم‌افزار معرفی شد، که براساس این نمونه تمامی شئهای موجود را به طبقه‌های مربوطه معرفی گردید.
· طبقهبندی 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 همگن‌سازی و ترکیب عوارض در دامنه‌های متفاوت را فراهم می‌آورد. طبقهبندی فازی در نرم‌افزار eCognition 9.0.1 با توجه به معیارهایی است که مفسر برای هر طبقه مشخص می‌کند، انجام خواهد گرفت. این معیارها می‌تواند شامل ارزش عددی قطعه‌ها 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 دیگری به نام NDVI جهت افزایش دقت و کیفیت طبقهبندی و نیز از الگوریتم‌های فازی AND و OR استفاده شده است.
رابطه (2) معادله فازی‌سازی مثلثی
|
در تحقیق حاضر از تابع فازی مثلثی برای همه کلاس‌ها استفاده شده است که در محیط فازی نرم‌افزار eCognition نیز این تابع معرفی شد. لازم به ذکر است که حد آستانه‌های جدول 3 به‌صورت تجربی و با مشاهده بیشترین و کمترین مقدار هر یک از شاخص‌ها در نمونه‌های معرفی شده برای طبقهبندی انتخاب شده‌اند.
با وارد کردن آستانه‌ها تابع فازی مثلثی به قسمتی از شاخص NDVI محدود می‌شود که کلاس جنگل دارای بیشترین ارزش عددی است. لازم به ذکر است که الگوریتم فازی بر روی شاخص‌ها و باند‌هایی اعمال شده است که کمترین همپوشانی (Overlap) را از نظر میزان ارزش عددی با یکدیگر دارند. در کلاس جنگل همان‌طور که در شکل 3 نیز مشهود است، میزان همپوشانی کلاس جنگل با کلاس کشاورزی در حدود 14 درصد است که دارای کمترین میزان همپوشانی نسبت سایر شاخص و باندها است.
شکل 3- نمایش تابع فازی مثلثی کلاس جنگل در محیط نرم افزار eCognition
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 طبقهبندی شده دقت آن باید مورد ارزیابی قرار گیرد (Glimore et al., 2008). دقت طبقهبندی بیانگر سطح اعتماد به نقشه استخراج شده میباشد (Wijanarto, 2006). مدل‌های ارزیابی دقت در طبقهبندی شئگرا بیشتر از روش‌های طبقهبندی پیکسل پایه است که این مدل‌ها شامل ضریب دقت کلی، ضریب کاپا، ماتریس خطا، پایداری طبقهبندی و همچنین نتیجه بهترین طبقهبندی است (Yan, 2003). ارزیابی دقت طبقهبندی در روش شیءپایه همانند روش پیکسل پایه است که به جای تعداد پیکسلها تعداد شیءها در معادله ارزیابی دقت طبقهبندی لحاظ می‌شود (Feizizadeh and Helali, 2010).
یافته های پژوهش
در این پژوهش جهت ارزیابی دقت نمونه‌هایی که برای ارزیابی دقت طبقهبندی مشخص‌شده بود، از نرم‌افزار eCognition 9.0.1 معرفی شد. نتیجه حاصل از ارزیابی خطای طبقهبندی به شرح جدول (4) است. دقت ارزیابی‌ها براساس شاخص کاپا نشان میدهد که طبقهبندی با دقت زیادی انجام گرفته 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. این یافته‌ها براساس نتایج شاخص صحتسنجی کاپا میباشد.
جدول 4- ضرایب خطای کلی و کاپا طبقهبندی
2017 | 2002 | 1987 |
| تصویر Image |
92.4 | 91.0 | 84.0 |
| دقت کلی accuracy Overall |
0.9 | 0.88 | 0.82 |
| کاپا Kappa |
رابطه (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 کیلومتر مربع از اراضی کشاورزی به دلایلی نظیر عدم ارزش اقتصادی کافی، محصول کم و بی‌کیفیت و سایر عوامل دیگر به کلاس جنگل افزوده شده است همچنین نزدیک به دو کیلومتر مربع از اراضی 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.
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 |
جدول6- تغییرات کاربری‌ها در 1987-2017 (کیلومترمربع)
تغییرات خالص جنگل در این بازه زمانی به میزان زیادی نبوده بلکه فقط دو کیلومتر مربع از مساحت کل آن کم شده، که نشان از عدم دخل و تصرف انسانی در مناطق جنگلی میباشد.
Legend
|
شکل4: تغییرات صورت گرفته در بازه زمانی 1987-2002
Legend
|
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 اراضی کشاورزی تغییر کاربری داده است که سهم مرتع و اراضی کشاورزی از این تغییرات به ترتیب 35/39 و 41/39 کیلومتر مربع بوده که تقریبا سهم یکسانی در تخریب جنگل داشته‌اند. در بازه 1987-2002 بیشترین تصرف اراضی کشاورزی در مراتع بوده و تقریبا هیچ‌گونه تصرفی در مناطق جنگلی نداشته اما در بازه 2002-2017 بیشترین تصرف اراضی کشاورزی (شکل5) با 41/39 کیلومترمربع در مناطق جنگلی بوده و فقط 5 کیلومتر مربع 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.
Farmlands Forest Range Water Residental
|
Legend classes |
شکل6: طبقهبندی منطقه مورد مطالعه در سه دوره
پس از بررسی تغییرات در بازه‌های زمانی مشخص؛ پیشبینی تغییرات تا سال 2030 در هریک از کاربری‌ها صورت گرفت. براساس پیش بینی مدل زنجیره مارکوف تغییرات محدوده‌های اراضی کشاورزی که با رنگ سبز کمرنگ در نقشه نشان داده شده است، معادل 66.23 درصد میباشد. در نواحی جنگلی تغییراتی معادل 10.70 درصد نسبت به دوره‌ی قبل اتفاق خواهد افتاد. میزان تغییرات در محدوده مراتع 12.91 درصد میباشد. همچنین تغییرات آب نیز معادل 1.35 درصد میباشد. درنهایت محدوده‌ی مسکونی تغییراتی معادل 8.79 درصد میباشد. بهطورکلی بیشترین تغییرات مربوط به طبقه اول، یعنی اراضی کشاورزی میباشد. بهطورکلی بیشترین تغییرات مربوط به طبقه اول، یعنی اراضی کشاورزی میباشد. دلیل این امر را می‌توان گسترش فیزیکی شهر و افزایش ساخت‌و‌سازها دانست.
Farmlands Forest Range Water Residental
|
Legend classes |
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 میدهد. با توجه به نقشه، میزان تغییر نواحی جنگلی به اراضی کشاورزی معادل789/4 (کیلومتر مربع) میباشد. میزان تغییر اراضی کشاورزی به نواحی جنگلی معادل 188/0 (کیلومتر مربع) میباشد. میزان تغییر مراتع به نواحی جنگلی معادل 966/0 (کیلومتر مربع) میباشد. میزان تغییر اراضی کشاورزی به مراتع معادل038/7 (کیلومتر مربع) میباشد. میزان تغییر نواحی جنگلی به مراتع معادل 172/9 (کیلومتر مربع)، آب به مراتع معادل189/0 (کیلومتر مربع)، مراتع به آب معادل 16.11 (کیلومتر مربع)، و میزان تغییر اراضی کشاورزی به مناطق مسکونی معادل 694/4 (کیلومتر مربع) میباشد. بیشترین میزان تغییر میان کاربری‌ها، مربوط به تغییر کاربری نواحی جنگلی به مراتع بوده است که معادل172/9 (کیلومتر مربع) است. در ضمن مساحتی معادل 88/1057 (کیلومتر مربع) بدون تغییر میباشد (جدول7). جهت صحتسنجی نتایج مدل پیشیبینی نقشه کاربری 2017 تولید تهیه شده با نقشه 2017 پیشبینی شده مقایسه شد که ضریب کاپا (Kappa) برابر با 82 درصد بوده که حاکی از دقت بالای مدل پیشبینی مورد استفاده میباشد سپس با توجه به نتایج صحتسنجی پیشبینی برای سال 2030 صورت گرفت.
شکل8 : نقشه تغییرات صورت گرفته هر کاربری در بازه 2017 تا 2030 در منطقه ی مورد مطالعه
جدول 7 : مساحت تغییر کاربری‌ها 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 نتیجه گیری
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 اخیر صورت گرفت. بدین منظور از داده‌های رقومی ماهواره لندست 5،7،8 در تاریخ‌های مختلف استفاده گردید. در این راستا ابتدا برمبنای روش فازی شیءپایه اقدام به شناسایی کاربری اراضی در تاریخ‌های سه‌گانه شد. طبق نتایج به‌دست آمده در طی دوره 2002-1987 مناطق جنگلی تحت تأثیر گسترش کشاورزی قرار نگرفته و این گسترش در مراتع این شهرستان رخ داده 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 داده که نزدیک به 80 کیلومتر مربع از مناطق جنگلی به مرتع و اراضی کشاورزی تغییر کاربری داده که در سال 2017 مساحت جنگلهای رومشکان به یک سوم خود نسبت به سال 1987 رسیده است. در دوره دوم (2002-2017) رشد تغییرات شدیدتر بوده و همزمان با تخریب جنگلها به مساحت اراضی کشاورزی و مناطق مسکونی افزوده شده است که نشان از رشد سریع جوامع انسانی در دوره دوم است. نتایج به خوبی نشان 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 می‌تواند به‌صورت شدیدتری منابع جنگلی را در معرض نابودی قرار دهد. در تحقیق مشابه Rostam zadeh و همکاران (2017) که به بررسی تغییرات جنگلهای بلوط شمال استان ایلام پرداختند، نتایج نشان داد که بیشتر مساحت جنگلهای بلوط به اراضی کشاورزی و مرتع تبدیل گشته و در بازه زمانی 1366- 1394 به میزان 43% از جنگلهای 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 10.7 درصد اتفاق خواهد افتاد؛ به عبارت دیگر از میزان نواحی جنگلی کاسته خواهد شد. 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 روزافزون به منابع طبیعی و سایر عوامل دیگر میباشد که ادامه روند با همین آهنگ آسیب جبران‌ناپذیری به مناطق جنگلی این شهرستان وارد می‌کند. نتایج حاصل از این تحقیق نشان داد که گسترش و عدم کنترل فعالیت‌های انسانی در دراز‌مدت صدمات جبران‌ناپذیری بر محیط زیست و منابع طبیعی وارد می‌کند که با ادامه روند موجود در آینده نه چندان دور مشکلات به فاجعه تغییر وضعیت خواهند داد و رفع آن نیز به مراتب سخت تر خواهد بود. با این تفاسیر استفاده از داده‌های سنجش از دور و تحلیل‌های مکانی می‌تواند کمک شایانی به مدیران و برنامه‌ریزان در راستای توسعه پایدار جنگل و جلوگیری از هرگونه تهدید احتمالی در آینده بنماید.
منابع
اسلامي، ف، قرباني، ع، سبحاني، ب و پناهنده، م. مقایسه شبکه عصبی مصنوعی، دستگاه بردار پشتیبان و روش‌های مبتنی بر شیء در تهیه نقشه‌های استفاده از زمین / پوشش با استفاده از تصاویر منظره 8. مجله RS و GIS برای منابع طبیعی. (2015). 6 (3)، 1-14.
حیدریان، پ.، رنگزن، ک.، ملکی، س. و تقی زاده، ا. تشخیص تغییر کاربری اراضی با استفاده از مقایسه طبقهبندی تصاویر ماهواره ای لندست (مطالعه موردی: سرزمین تهران). مجله RS و GIS برای منابع طبیعی. (1393). 4 (4)، 1-10.
رستم زاده، ح.، دارابی، س. و شهابی، ح. تغییر طبقهبندی جنگلهای بلوط با استفاده از طبقهبندی شیء مبتنی بر تصاویر چندمنظوره لندست (مطالعه موردی: جنگلهای شمال استان ایلام). مجله RS و GIS برای منابع طبیعی. (1395). 8 (2)، 92-110.
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 شبیه‌سازی تغییر کاربری اراضی شهری- مطالعه موردی شهرکرد. علوم محیط زیست. (1387) .7 (3)، 133-148.
فیضی‌زاده، ب و هلالی، ح. مقایسه روش‌های مبتنی بر پیکسل، شی‌گرا و پارامترهای مؤثر در طبقهبندی پوشش سطح زمین/ استفاده از اراضی استان آذربایجان غربی. فصلنامه تحقیقات جغرافیای فیزیکی. (1389).42 (71)، 73-84.
کاظمی، م.، مهدوی، ی.، نوههگر، ا. و رضایی، ص. تغییر در کاربری و پوشش اراضی با استفاده از تکنیک‌های 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.
میرزایی‌زاده، و، نیك‌نژاد، م. و اولادی كادیكلائی، ج. ارزیابی الگوریتم‌های طبقهبندی نظارت غیر‌پارامتری در نقشه پوشش زمین با استفاده از تصاویر Landsat-8. مجله RS و GIS برای منابع طبیعی. (1393). 6 (3)، 29-44.
نیازی، ی. مقایسه دو روش طبقهبندی حداکثر احتمال و شبکه عصبی مصنوعی برای تهیه نقشه‌های کاربری اراضی مطالعه موردی: منطقه سد ایلام. جغرافیا و توسعه مجله ایرانی. (1388). 8 (20)، 119-132.
Lillesand, T., Kiefer, R,W. and Chipman, J. (2001). Remote sensing and image interpretation,6th Edition, Wiley Publication, Washington.
Blaschke, T. (2010). Object-based image analysis for remote sensing. ISPRS Journal of photogrammetry and remote sensing. 65(1), 2-16. 30
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.
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.
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.
Costanza, R. and Ruth, M. (1998). Using dynamic modeling to scope environmental problems and build consensus. Environmental Management, 22(2):183 195.
Eastman J.R. 2006. IDRISI Andes. Tutorial. Clark-Labs, Clark University, Worcester, 284.
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.
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.
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.
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.
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.
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.
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.
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.
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.
Yan, G (2003). Pixel based and object oriented image analysis for coal fire research. Enschede, Holanda, 1-93.
|
پژوهش و فناوری محیط زیست، دوره چهارم، شماره شش، پاییز و زمستان 98 103
