پایش تغییرات سطح پوشش جنگل های حوزه سیاه مزگی استان گیلان با استفاده از تصاویر لندست

سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی

مقاله 6، دوره 7، شماره 3 - شماره پیاپی 24، آذر 1395، صفحه 78-88   

نوع مقاله: مقاله پژوهشی

نویسندگان

سید آرمین هاشمی^{* 1}؛ سید رضا فاطمی طلب²؛ حمیده کاوسی کلاشمی³؛ مرتضی معدنی پور کرمانشاهی⁴

¹استادیار گروه جنگلداری، دانشگاه آزاد اسلامی واحد لاهیجان

²استادیار گروه محیط زیست، دانشگاه آزاد اسلامی واحد آباده

³دانش آموخته کارشناسی ارشد سنجش از دور و GIS، دانشگاه آزاد اسلامی واحد یزد

⁴استادیار گروه جنگلداری، دانشگاه آزاد اسلامی واحد شبستر

چکیده

در طول دهه‌های اخیر جنگل‌های خزری توسط دخالت‌های انسانی مورد تعرض قرار گرفته‌اند. دسترسی آسان، فراوانی و تنوع محصولات جنگلی با ارزش منجر به افزایش تراکم جمعیت، ایجاد مناطق مسکونی جدید و فعالیت‌های جنگل‌زدایی شده است. آشکار ساختن تغییرات یکی از روش‌های اساسی در مدیریت و ارزیابی منابع طبیعی است. هدف از این مطالعه پایش تغییرات سطح جنگل‌های سیاه مزگی در دو مقطع زمانی (2000 و 2015)، با استفاده از تصاویر لندست ⁺ETM سال 2000 و OLI سال 2015 است. به منظور تهیه نقشه وضعیت گستره جنگل در سال‌های 2000 و 2015، تصاویر با استفاده از 20 نقطه کنترل زمینی که به صورت تصادفی از سرتاسر حوزه برداشت، و با نقشه­های توپوگرافی منطقه تصحیح هندسی گردید. پس از انتخاب بهترین مجموعه باندی با استفاده از شاخص فاصله باتاچاریا، طبقه‌بندی تصاویر با استفاده از الگوریتم شبکه عصبی مصنوعی انجام گرفت. نتایج طبقه‌بندی به روش شبکه عصبی در تصاویر سال 2000 و 2015 در حوزه سیاه مزگی نشان داد که صحت کلی به ترتیب 75/95% و 96/95% است. همچنین مساحت اراضی جنگل طی سال‌های 2000 تا 2015 به اندازه 55/213 هکتار کاهش داشته است. همچنین مراتع متراکم نیز کاهش چشمگیری داشته اما در این بازه زمانی بر وسعت زراعت دیم و مراتع نیمه متراکم به میزان 95/169 و 6/9 هکتار افزوده شده است.

کلیدواژه‌ها

سنجش از دور؛ تصاویر لندست؛ پایش تغییرات؛ شبکه عصبی؛ جنگل‌زدایی؛ حوزه سیاه مزگی

مراجع

1. آهنی، ح.، ا. قربانی، م. رستگار مقدم، س. ر. فلاح شمسی و م. باقرنژاد. 1385. ارزیابی تغییرات کاربری اراضی با استفاده از تصاویر ماهواره­ای: مطالعه موردی حوضه آب­خیز تنگ سرخ شیراز. علوم کشاورزی و منابع طبیعی، 16(2): 242-252.

2. درویش­صفت، ع. ا.، ف. غفاری دافچاهی و ا. اسلام بنیاد. 1393. ارزیابی قابلیت تصاویر ماهواره‌ای در تفکیک صنوبرکاری‌ها (پژوهش موردی: شهرستان صومعه‌سرا). تحقیقات جنگل و صنوبر ایران، 22(3): 392-401.

3. دهستانی، غ. 1377. طبقه­بندی تصاویر چندطیفی سنجش از دور با استفاده از شبکه عصبی. پایان­نامه کارشناسی ارشد، دانشکدة فنی و مهندسی، دانشگاه تربیت مدرس. 130 صفحه.

4. رشیدی، ف.، س. بابایی کفائی و ج. اولادی. 1388. بررسی قابلیت داده­های رقومی سنجنده ⁺ETM در تفکیک تیپهای جنگلی (مطالعه موردی: منطقه لفور سوادکوه). تحقیقات جنگل و صنوبر ایران، 17(1): 51-63.

5. رفیعیان، ا.، ع. ا. درویش­صفت و م. نمیرانیان. 1385. بررسی قابلیت تصویر ماهواره لندست 7 برای تهیه نقشه گستره جنگل (پژوهش موردی در جنگل­های بابل). منابع طبیعی ایران، 59(4): 843-852.

6. سنجری، ص. و ن. برومند. 1392. پایش تغییرات کاربری / پوشش اراضی در سه دهه گذشته با استفاده از تکنیک سنجش از دور (مطالعه موردی: منطقه زرند استان کرمان). سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 4(1): 57-67.

7. صدیقی، م. ر. 1390. پهنه­بندی خطر فرسایش آبی با بکارگیری مدل ICONA بر مبنای فناوری­های RS & GIS (مطالعه موردی: حوضه آبخیز تنگ سرخ شیراز)، پایان­نامه کارشناسی ارشد، دانشگاه علوم و تحقیقات تهران. 115 صفحه.

8. عزیزی قلاتی، س.، ک. رنگزن، ج. سدیدی، پ. حیدریان و ا. تقی­زاده،. 1395. پیش­بینی روند تغییرات مکانی کاربری اراضی با استفاده از مدل زنجیرة مارکوف-CA (مطالعة موردی: منطقه کوهمره سرخی استان فارس). سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 7(1): 59-71.

9. علی‎محمدی، ع.، ع. ا. متکان، پ. ضیائیان و ه. طباطبایی. ۱۳۸۸. مقایسه روش­های طبقه­بندی پیکسل پایه، شی پایه و درخت تصمیم در تهیه نقشه تیپ­های جنگل با استفاده از داده­های سنجش از دور (مطالعه موردی: جنگل آستارا). تحقیقات کاربردی علوم جغرافیایی (علوم جغرافیایی)، 10(13): 7-26.

10. فاطمی، س. ب. و ی. رضایی. 1385. مبانی سنجش از دور، تهران، انتشارات آزاده. 268 صفحه.

11. فاطمی­طلب، س .ر.، م. معدنی­پور کرمانشاهی و س. آ. هاشمی. 1394. برآورد تغییرات سطح پوشش جنگل­های رودسر با استفاده از روش­های طبقه­بندی شبکه عصبی مصنوعی و حداکثر احتمال. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6(2): 33-44.

12. کاوسی کلاشمی، ح.، م. م. خیرخواه زرکش و س. ع. المدرسی. 1392. مدل ICONA جهت پهنه­بندی خطر فرسایش آبی با استفاده از تصاویر ماهواره­ای لندست 8 سال 2013 و GIS (مطالعه موردی: حوزه آبخیز باباولی سیاهکل). مجموعه مقالات اولین همایش ملی جغرافیا، شهرسازی و توسعه پایدار، تهران، انجمن محیط زیست کومش، دانشگاه صنعت هوایی. 8 اسفند ماه.

13. مرادی، ع.، م. جعفری، ح. ارزانی و م. ابراهیمی. 1395. ارزیابی تغییر کاربری اراضی مرتعی به دیم­زار با استفاده از تصاویر ماهواره­ای و سیستم اطلاعات جغرافیایی. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 7(1): 89-100.

14. مرتضایی، ش. 1384. بررسی تغییرات توده­های جنگلی در غرب استان کردستان با استفاده از داده­های ماهواره­ای. پایان­نامه کارشناسی ارشد، دانشکده منابع طبیعی دانشگاه گیلان. 97 صفحه.

15. مروی مهاجر، محمدرضا. 1385. جنگل­شناسی و پرورش جنگل. انتشارات دانشگاه تهران. 388 صفحه.

16. Ahamed T, Tian L, Zhang Y, Ting K. 2011. A review of remote sensing methods for biomass feedstock production. Biomass and Bioenergy, 35(7): 2455-2469.

17. Chavez PS. 1988. An improved dark-object subtraction technique for atmospheric scattering correction of multispectral data. Remote Sensing of Environment, 24(3): 459-479.

18. Gahegan M, German G, West G. 1999. Improving neural network performance on the classification of complex geographic datasets. Journal of Geographical Systems, 1(1): 3-22.

19. Hilbert DW, Ostendorf B. 2001. The utility of artificial neural networks for modelling the distribution of vegetation in past, present and future climates. Ecological Modelling, 146(1): 311-327.

20. Khoi DD, Murayama Y. 2010. Forecasting areas vulnerable to forest conversion in the Tam Dao National Park Region, Vietnam. Remote Sensing, 2(5): 1249-1272.

21. Khoi DD, Murayama Y. 2011. Modeling deforestation using a neural network-Markov model. In:  Spatial Analysis and Modeling in Geographical Transformation Process. Springer, pp 169-190.

22. Liu X-H, Skidmore A, Van Oosten H. 2002. Integration of classification methods for improvement of land-cover map accuracy. ISPRS Journal of Photogrammetry and Remote Sensing, 56(4): 257-268.

23. Mahiny AS, Turner BJ. 2003. Modeling past vegetation change through remote sensing and GIS: a comparison of neural networks and logistic regression methods. In: Proceedings of the 7^th International Conference on Geocomputation. University of Southampton, UK, 8-10 September.

24. Stehman SV. 2004. A critical evaluation of the normalized error matrix in map accuracy assessment. Photogrammetric Engineering & Remote Sensing, 70(6): 743-751.

25. Sugumaran R. 2001. Forest Land Cover Classification Using Statistical and Artificial Neural Network Approaches Applied to IRS LISS‐III Sensor. Geocarto International, 16(2): 39-44.

26. Zhang F, Tiyip T, Feng Z, Kung HT, Johnson V, Ding J, Tashpolat N, Sawut M, Gui D. 2015. Spatio‐Temporal Patterns of Land Use/Cover Changes Over the Past 20 Years in the Middle Reaches of the Tarim River, Xinjiang, China. Land Degradation & Development, 26(3): 284-299.