بررسی و ارزیابی روند تغییرات سطوح جنگل های حراء (مانگرو) با استفاده از تکنیک های سنجش از دور نمونه موردی: بندرعباس

اکوسیستم های طبیعی ایران

مقاله 2، دوره 7، شماره 4 - شماره پیاپی 26، اسفند 1395، صفحه 17-32   

نوع مقاله: پژوهشی

نویسندگان

محمد علی زنگنه اسدی¹؛ ابراهیم تقوی مقدم^{* 2}؛ الهه اکبری³

¹عضو هیئت علمی دانشگاه حکیم سبزواری

²دانشجوی دکترا

³عضو هیئت علمی دانشگاه حکیم سبزواری و دانشجوی دکترا سنجش از دور دانشگاه تهران

چکیده

آگاهی از تغییر و تحولات اولین و مهم‌ترین اقدام برنامه‌ریزان و متولیان محیط طبیعی و انسانی می باشد. استفاده از تصاویر ماهواره ای و تکنیک های پردازش آن ها، ابزار بسیار دقیقی برای پیمایش و ارزیابی تغییرات سطوح جنگلی محسوب میشود. این تحقیق با هدف بررسی و ارزیابی روند تغییرات سطوح جنگل های حراء بندرعباس با استفاده از تکنیک های سنجش از دور می باشد. جهت نیل به این هدف از اطلاعات و نقشه های توپوگرافی، تصاویر ماهواره‌ای سال-های 1989- 2005--2015 منطقه و الگوریتم‌های حداکثر احتمال(MLC)، حداقل فاصله(MD) و ماشین بردار پشتیبان (SVM) استفاده شده است. نتایج تحقیق حاضرنشان می-دهد روش حداکثر احتمال با دقت کلی 32/98% و ضریب کاپا 978/0 نسبت به روش ماشین بردار پشتیبان و حداقل فاصله روش دقیق‌تری در تهیه نقشه تغییرات پوشش زمین و روندیابی تغییرات جنگلی می باشد. نتایج نشان می دهد مجموع سطوح جنگل‌های حراء در منطقه مزبور در سال 1989 ، 09/76 کیلومتر مربع بوده است که این رقم در سال ۲۰۰۵، به ۹۶۱/۷۴ کیلومتر مربع کاهش یافته سپس با سیر صعودی به 08/125 کیلومتر مربع در سال 2015 افزایش یافته‌است. این تغییرات چشمگیر بر اثر تحولات بیولوژیکی و هیدرودینامیک در اکوسیستم طبیعی سواحل منطقه و به خصوص تنگه هرمز می باشد به نحوی که باعث گسترش جنگلهای حراء‌ در منطقه شده است. با این وجود اتخاذ هرگونه طرح های بهره برداری از این جنگل ها، احداث تاسیساتی ساحلی و یا اقدامات حفاظتی در منطقه باید براساس روند کاهش و یا افزایش بیولوژیکی جنگل های حراء منطقه باشد.

کلیدواژه‌ها

الگوریتم؛ بندر‌عباس؛ جنگل‌های حراء؛ حداکثر احتمال؛ ماشین بردار پشتیبان

اصل مقاله

بررسی و ارزیابی روند تغییرات سطوح جنگل­های حراء (مانگرو)

با استفاده از تکنیک­های سنجش از دور  )نمونه موردی: بندرعباس(

محمدعلی زنگنه اسدی^[1] ابراهیم تقوی مقدم ^*[2] الهه اکبری^[3]

 تاریخ دریافت: 3-7-95             تاریخ پذیرش: 8-12-95

چکیده

آگاهی از تغییر و تحولات اولین و مهم­ترین اقدام برنامه­ریزان و متولیان محیط طبیعی و انسانی می­باشد. استفاده از تصاویر ماهواره­ای و تکنیک­های پردازش آن­ها، ابزار بسیار دقیقی برای پیمایش و ارزیابی تغییرات سطوح جنگلی محسوب می­شود. این تحقیق با هدف بررسی و ارزیابی روند تغییرات سطوح جنگل­های حراء بندرعباس با استفاده از تکنیک­های سنجش از دور می­باشد. جهت نیل به این هدف از اطلاعات و نقشه­های توپوگرافی، تصاویر ماهواره­ای سال­های 1989- 2005--2015 منطقه و الگوریتم­های حداکثر احتمال(MLC)، حداقل فاصله(MD) و ماشین بردار پشتیبان (SVM) استفاده شده است. نتایج تحقیق حاضرنشان می­دهد روش حداکثر احتمال با دقت کلی 32/98% و ضریب کاپا 978/0 نسبت به روش ماشین ­بردار ­پشتیبان و حداقل فاصله روش دقیق­تری در تهیه نقشه تغییرات پوشش زمین و روندیابی تغییرات جنگلی می­باشد. همچنین نتایج نشان می­دهد مجموع سطوح جنگل­های حراء در منطقه مزبور در سال 1989 ، 09/76 کیلومتر­مربع بوده است که این رقم در سال ۲۰۰۵، به ۹۶۱/۷۴ کیلومتر­مربع کاهش یافته سپس با سیر صعودی  به 08/125 کیلومتر­مربع در سال 2015 افزایش یافته­است. این تغییرات چشمگیر بر اثر تحولات بیولوژیکی و هیدرودینامیک در اکوسیستم طبیعی سواحل منطقه و به­خصوص تنگه­ هرمز می­­باشد به نحوی که باعث گسترش جنگل­های حراء‌ در منطقه شده است.  با این وجود اتخاذ هرگونه طرح­های بهره­برداری از این جنگل­ها، احداث تاسیساتی ساحلی و یا اقدامات حفاظتی در منطقه باید براساس روند کاهش و یا افزایش بیولوژیکی جنگل­های حراء منطقه باشد.

کلمات کلیدی: الگوریتم، بندر­عباس، جنگل­های حراء، حداکثر احتمال، ماشین بردار پشتیبان

 

 

 

 

 

مقدمه

تغییر یکی از ویژگی­های طبیعی اکوسیتم­ها در سطح زمین و واکنشی از سوی اجزاء یک اکوسیستم جهت سازگاری با الگو­های اقلیمی و فضایی چون وقایع تکتونیکی و گردش عمومی جریان­های اقلیمی و اقیانوسی می­باشد(۲). همه اکوسیستم­ها به­خصوص اکوسیستم­های ساحلی تحت تاثیر عوامل طبیعی و انسانی قرار گرفته و از نظر ابعاد، شدت و روند تغییرات متفاوت هستند و تاثیر بسزایی در معیشت انسان دارند(۲۴). تغییرات پوشش اراضی، توسعه مناطق شهری و کشاورزی و جنگل­زدایی باعث تغییر رژیم اقلیمی منطقه می‌شود(۱۲). مانگروها گیاهان چوبی هستند که در حد فاصل خشکی و دریا در مناطق گرمسیری‌ و نیمه گرمسیری زیست می­کنند و فواید اکولوژیک بی­شماری دارند بطوریکه سیستم ریشه‌ای آنها باعث پایداری رسوبات می‌شود و اجتماعات آنها انرژی امواج را کاهش می­دهد و در مقابل زیستگاه و پناهگاه برای شمار زیادی از موجودات زنده ایجاد می‌کند(۳۲). علاوه بر اهمیت بوم­شناختی، متعدد این منابع جنگلی، فواید اقتصادی فراوانی در سطوح مختلف جامعه جهانی، منطقه‌ای و به­خصوص محلی برای آنها متصور است، به همین دلیل جوامع علمی سعی در شناخت ماهیت و کاربرد آنها دارند(۱). نقش عامل انسانی در بهره­برداری و تخریب تالاب­های حراء در نواحی گرمسیری بسیار افزایش داشته است(۲۷). هرچند درمناطقی مانند سواحل بنگلادش، جنوب استرالیا و غرب هند افزایش سطح جنگل­های حرا گزارش شده است(۱۱)( ۹)(۳۴). عواملی متعددی چون توسعه شهری، آبزی‌پروری، صنایع چوب، فعالیت های مرتبط با معدن، احداث سد بر روی رودخانه‌ها و توسعه توریسم بر اکوسیستم جنگل­های حراء موثر و زمینه را برای تخریب این جنگل­های باارزش فراهم می­کند (۲۵). تغییر در فاکتورهایی نظیر دمای هوا، یخبندان، بارندگی، مانسون، طوفان، رسوبگذاری و شوری که به طور مستقیم میزان رشد و نمو درختان حراء را تحت تاثیر قرار می­دهند (۳۶). علاوه بر این نفوذ آب شور از طریق کانال‌های جذر و مدی به تالاب‌های شیرین، افزایش در دمای دریا و هوا و تغییر در رسوب‌گذاری می­تواند بیان­کننده رشد مانگروها نسبت به توزیع نرمالشان باشد(۹). زمین­­های گلی و ماسه­های ساحلی در مناطق نیمه­حاره به عنوان سدی در برابر بالا آمدن سطح آب دریاها عمل کرده و فرصت مناسبی را برای انطباق و سازگاری گونه­های مانگرو مهیا سازد. در مانگرو­های مصبی، تقابل رسوبگذاری و حرکات تکتونیکی باعث کاهش عمق نوار ساحلی شده و زمینه را برای استقرار رشد مانگروها مساعد می­سازد (۳۴). علاوه بر این انجام پروژه­های احیاء و استقرار مجدد مانگرو­ها در برخی از مناطق جهان موجب افزایش وسعت این جنگل­ها شده­است(۳). اکوسیستم­های مانگرو در ایران به واسطه دارا بودن منابع حساس بیولوژیکی، اهمیت زیستگاهی و پرورشگاهی، غذای جانداران و وجود گونه­های در معرض خطر و کمیاب، حساسیت به آلاینده­ها، کندی ترمیم و مشکلات ناشی از پاکسازی آلاینده­ها در ردیف یکی از مهم­ترین مناطق حساس دریایی ایران قرار دارند(۸). داده­های ماهواره­ای با ویژگی­هایی چون سطح پوشش وسیع، پوشش تکراری و دارا بودن توان طیفی و مکانی مناسب، امکانات مناسبی را به منظور پایش تغییرات جنگل­ها فراهم ساخته­اند(۲۲)(۳۳). طبقه‌بندی تصاویر ماهواره‌ای یکی از مهمترین مراحل در استخراج اطلاعات از تصاویر رقومی ماهواره‌ای می‌باشد که دست‌یابی به دقت‌های متفاوت را امکان‌پذیر می‌نماید. با توجه به اهمیت این موضوع، محققین برای دستیابی به تغییرات کاربری اراضی از روش­های مختلف طبقه‌بندی آماری استفاده نموده‌اند و تحقیقات گسترده‌ای در مورد نحوه عملکرد و اصول تئوری روش‌های طبقه‌بندی صورت گرفته است. در بین روش‌های طبقه‌بندی تصاویر ماهواره‌ای، روش طبقه‌بندی ماشین بردار پشتیبان[4]، یکی از مهمترین روش­های طبقه‌بندی نظارت شده بر اساس نمونه‌های تعلیمی است(۱۷). اکثر محققین از جمله آرخی و نیازی (2009 ((۶)، ربیعی و همکاران(2005)(۲۹)، ماهینی و همکاران(2012)(۲۰) و نیازی و همکاران(2010) (۲۳) روش حداکثر احتمال را روش دقیقی نسبت به سایر روش­ها می­دانند. از جمله مطالعاتی که در سطح بین المللی شده است عبارتند از: هورکام[5] و همکاران( ۲۰۰۳(  در منطقه RANDOMA در جنوب غربی برزیل تغییرات جنگل­های آمازون را با کمک داده­های تصاویر NOVAA ، LANDSAT  و AVHRR   مورد ارزیابی قرار دادند(۱۶). لوسیانا[6] و همکاران (2007)در منطقه­ای در ترکیه تغییرات جنگل­ها را باوسعت 1778 کیلومتر­مربع به کمک داده­های TM و ETM مورد ارزیابی قرار داد(۱۹). پلنینجر[7] (2014) با استفاده از عکس­های هوایی و نقشه­های کاربری 1:20000 مربوط به سال­های 1901-2009 به بررسی تغییرات دو ناحیه جنگلی در شمال آلمان پرداخته است و تغییر کاربری جنگل­ها به کاربری مرتع، صنعتی و مسکونی را به عنوان مهمترین تغییر در منطقه معرفی می­کند(۲۸). باگاوات[8](2013)، تغییرات کاربری اراضی محدوده متروپلیتن Katmando  نپال را با استفاده از تصاویر ماهواره‌ای چند زمانه مورد برسی قرار داده است(۷). سنگا[9] و همکاران (2014)،تغییرات پوشش زمین جنگل­های مانگرو منطقه ساحلی زنزیبار درکشور تانزانیا را با استفاده از تصاویر ماهواره­ای 20۰0-2011 ماهواره لندست مورد بررسی قرار داده و تغییر کاربری عرصه­های جنگل مانگرو را به کشت برنج از 262 هزار هکتار در سال 2001 به 86 هزار در سال 2011 می­داند(۳۳). هینا[10] و همکاران (2015) با استفاده از تکنیک­های سنجش از دور چون طبقه­بندی نظارت شده به پایش تغییرات مانگرو­های دلتای رودخانه سند در پاکستان پرداخته و روند گسترش جنگل­های مانگرو را در راستای افزایش رسوبات دلتای رودخانه معرفی کرده است(۱۴). در زمینه آشکار­سازی تغییراتدر ایران ماهینی و همکاران (2010) با استفاده از سامانه اطلاعات جغرافیایی و سنجش از دور به آشکار‌سازی تغییرات پوشش اراضی چالوس­رود پرداخته و  با مدلسازی

 

 تغییرات با مدل مارکوف به پیش­بینی تغییرات اقدام نموده‌است(۲۱). نیازی و همکاران(2010) با استفاده از دو روش حداکثر احتمال و شبکه عصبی مصنوعی نقشه کاربری اراضی حوضه سد ایلام را تهیه و روش شبکه عصبی را نسبت به روش حداکثر احتمال روش دقیق­تری می‌داند(۲۳). امیری و همکاران (2011) با استفاده از شاخص­های گیاهی و اعمال آن بر روی تصاویر ماهواره­ای IRS هندوستان، سطح رویش جنگل­های حراء نایبند در مجاورت تاسیسات نفتی پارس جنوبی برآورد نموده است(۴). ماهینی و همکاران(2012) با استفاده از تصویر 2001 ماهواره لندست به طبقه­بندی مناطق جنگلی استان گلستان با روش حداکثر احتمال پرداخته و استفاده از این روش را بدین منظور مناسب می­داند(۲۰).

این مطالعه به منظور پایش تغییرات وسعت و تراکم جنگل­های مانگرو بخش شمالی جزیره قشم و سواحل بندر­لنگه به انجام رسیده است. این منطقه جزء تالاب بین­المللی خورخوران و از ذخایر ملی کشور محسوب می­شود که دارای ارزش­های اکولوژیک منحصربه فردی است. توده­های مانگرو این تالاب تنها از یک گونه به نام آویسینای دریایی[11] تشکیل شده است (۸).

مواد و روش­ها

منطقه مورد مطالعه

منطقه مورد مطالعه بین نوار شمالی ساحل جزیره قشم و حاشیه جنوبی ساحل اصلی کشور، در تنگه خوران بین َ 44 ْ 26 تا َ 58 ْ 26 عرض شمالی و َ 31 ْ 55 تا َ 48 ْ 55 طول شرقی واقع شده است (شکل 1). مناطق روستایی پهل، پیرجزیره، تشتقان بالا و پایین و شهر بندر خمیر در مرز شمالی منطقه، لافت کهنه، بندر لافت، کورزین در حاشیه شرقی، خورخوران، سهیلی، طبل، دوربنی و گوران در حاشیه جنوبی آن قرار دارد. این منطقه نخست در سال 1351 با وسعتی معادل 82360 هکتار با نام منطقه حفاظت شده حرا تحت حفاظت قرار گرفت، سپس با افزایش سطح آن به 85686 هکتار در سال 1354 عنوان پارک ملی را به خود اختصاص داد. این منطقه اکنون با نام منطقه حفاظت شده حرا تحت مدیریت اداره کل محیط زیست استان هرمزگان حفاظت می­شود(۸).براساس اطلاعات حاصل از سه ایستگاه سینوپتیک بندرعباس، بندر لنگه و جزیره قشم منطقه در طبقه­بندی اقلیمی دومارتن دارای اقلیم خشک می­باشد. میانگین دمای سالیانه بین 25 تا 27 درجه سانتی­گراد است. محدوه مورد مطالعه از نظر زمین­ساخت جزء زاگرس چین­خورده بوده و از نظر تکتونیکی در طی دوران­های زمین­شناسی عملکرد پلیت عربی در آن بی­تأثیر نبوده است.

 

 

 

 

 

 

 

شکل 1- منطقه مورد مطالعه

 

 

 

روش تحقیق

در این تحقیق پس از انتخاب منطقه و طراحی چارچوب تحقیق(شکل۲) در جهت آشکارسازی تغییرات کاربری و پوشش زمین در
منطقه حفاظت شده خورخوران ازنقشه­های توپوگرافی شیت 2.5.6  NG-40 مربوط به نقشه بندرعباس و بندر­لنگه و جزیره قشم استفاده شد.

 

 

شکل2- چارت مراحل تحقیق

 

همچنین تصاویر ماهواره­ای موجود در سازمان فضایی ایران با مشخصات مندرج درجدول یک فراهم شد و در نرم­افزار­های Geomatica  نسخه ۲۰۱۲ و ENVI نسخه ۷/۴و Arc.GIS  نسخه ۳/۱۰ با توجه قدرت و توانایی هر کدام جهت محاسبه و تحلیل­های جغرافیایی و سنجش­از­دور به عنوان ابزار تحقیق استفاده شد. از آنجایی که منطقه مورد مطالعه در کمربند همگرایی قاره­ای واقع شده است محدودیت فصلی و تغییرات ماهانه آن ناچیز و قابل چشم­پوشی است(۳۹) با این حال سعی شده است تمامی تصاویر منتخب از پنج ماه اول سال ­باشد. قبل از انجام هرگونه پردازش بصری و رقومی تصاویر ماهواره­ای باید اقدام به شناسایی و حذف نویز­ها و ایرادات داده­های موجود نمود که نوع و نحوه انجام این عملیات بسته به عوامل مختلفی چون هدف مطالعه و نوع داده­های مورد استفاده متغیر است(۳۰).

 

 

 

جدول 1 - مشخصات تصاویر ماهواره­ای مورد استفاده در تحقیق

تصویر	سنجنده	تاریخ تصویر برداری میلادی	تاریخ تصویر برداری شمسی	باند	گذر	ردیف
LANDSAT توالی زمانی:16 روز وپهنای تصویر برداری 180 کیلومتر	L4-TM	21/5/1989	31/02/1368	1-5 و 7	160	35
	L7-ETM+	15/4/2005	27/1/1384	1-5 و 7	160	35
	L8OLI_TIRS	14/ 03/2015	23/12/1393	1-7	160	35

 

پیش­پردازش تصاویر در این تحقیق طی دو مرحله انجام شده است عموما به دلیل حرکت ماهواره و زمین در هنگام تصویر­برداری خطا­هایی بر روی تصویر انجام می­شود. این خطا­ها شامل جابه­جایی، اعوجاج ، چرخش وغیره می­باشد که این اشتباهات با استفاده از نقشه و یا برداشت میدانی مختصات با GPS و به طور کلی تصحیح هندسی تصویر انجام می­شود. در این تحقیق ابتدا با توجه به نقشه­های توپوگرافی،بازدید­های میدانی تصاویر ماهواره­ای نقاط مشخصی انتخاب و مختصات آن بوسیله دستگاه GPSبا دقت +- ۵/۱متر برداشت شده و به عنوان نقاط کنترل زمینی (GCP) جهت تصحیح هندسی به­کاربرده شد. با استفاده از 15 نقطه کنترل و با خطای RMSE =0.02  با استفاده از روش نزدیک­ترین همسایه تصحیح هندسی بر روی تصاویر انجام شده­است، اولین اثر اتمسفر بر روی تصاویر ماهواره­ای کاهش تباین و کنتراست و در نتیجه ضعیف شدن عملیات آشکار­سازی است. در مرحله بعد جهت کاهش خطا­های اتمسفری و رادیومتریک این تصاویر با روش کاهش تیرگی (کاهش تاثیر طول موج بلند در تصاویر) وسطح مسطح(نرمال نمودن تصاویر بر مبنای ارتفاع) تصحیح شدند و در نهایت محدوده تحقیق از تصاویر ماهواره‌ای جداسازی شد. به منظور افزایش تباین و وضوح بیشتر با استفاده روش Brovey [12] و باند هشت(پانکروماتیک) تصاویر ماهواره­ای لندست سال­های ۲۰۰۵و ۲۰۱۵  عملیات فیوژن اجراشد(۱۰). برای تصاویر سنجنده TM نیز از روش بهبود کنتراست و هیستوگرام پیکسل­ها استفاده شد. در این تحقیق ابتدا به صورت کلی تغییرات حادث شده در سه دوره زمانی به صورت بصری تعیین و مورد ارزیابی قرار گرفت. بدین منظور ازترکیب باندها به صورت ترکیب باند کاذب (FCC) و واقعی تکنیک­های بارز­سازی تصاویر از جمله بارز­ساز  لینیر و گوسین برای وضوح بیشتر و همچنین روش تفاضل باند­های مشابه برای مشاهده تغییرات کلی استفاده شد. سپس به طبقه­بندی اراضی منطقه اقدام شد. قبل از انجام طبقه‌بندی باید از یک الگوی استاندارد استفاده کرد تا بتوان بر اساس آن به نمونه‌گیری از نمونه‌های زمینی پرداخت­(۳۰). الگوی استاندارد بر اساس عوارض و پهنه­های موجود در منطقه تعیین و در هفت طبقه جنگل­های متراکم، جنگل­های پراکنده، مراتع، زمین­های گلی، زمین­های بایر، آبراهه­های کم­عمق و آبراهه­های عمیق طبقه­بندی شد­(جدول 2).

 

جدول 2 - طبقه­بندی اراضی موجود در منطقه

شماره	نوع طبقه	ویژگی ها	مساحت نمونه تعلیمی به متر
1	جنگل متراکم	پوشش جنگل­های حراء متراکم در دهانه خورها و با سن تقریبی بالای 5 سال	۳۴۲
2	جنگل پراکنده	جنگل­های حراء نیمه متراکم و پراکنده با سن تقریبی 1-5 سال	۵۳۶
3	مراتع	بوته­زارها، گیاهان نمک دوست و جلبک ها	۹۳۲
4	زمین­های بایر	زمین­های لخت بدون پوشش­گیاهی و نمک­زارها	۱۵۵۲
5	زمین­های گلی	زمین­های مرطوب تحت تاثیر جذرو مد و زمین­های با سطح آب زیرزمینی بالا	۸۹۵
6	آب­های کم­عمق	آب­های با عمق تقریبی کمتر از ده متر	۱۱۴۳
7	آب­های عمیق	آب هایی با عمق ده متر و بیشتر	۱۳۷۴

 

سپس نمونه­­های تعلیمی مورد نیاز مدل جهت نمونه­گیری از پهنه­های موجود در مساحت یاد شده در جدول۲ استخراج و پردازش شد. در ادامه نقشه طبقه­بندی شده با هر کدام از روش­های حداکثر احتمال، حداقل فاصله و ماشین بردار پشتیبان تهیه شد. و در نهایت با تعیین نقاط چک دقت هر کدام از روش­ها مورد ارزیابی قرار گرفت. سپس با استفاده از بهترین روش تعیین شده نقشه پوشش و سطوح جنگلی منطقه تهیه و تغییرات رخ داده مورد تحلیل و ارزیابی قرار گرفت.

پردازش بصری تصاویر ماهواره­ای

مهم­ترین مرحله در استخراج اطلاعات تغییرات از یک منطقه انتخاب بهینه نمونه­ها جهت طبقه­بندی می­باشد. لذا در این تحقیق ابتدا با استفاده از تصاویرGoogle Earth و بازدید­های میدانی به شناسایی عوارض زمین در منطقه پرداخته شد، همچنین با استفاده از تحلیل­های پیکسل­پایه سعی شد پدیده­ها از یکدیگر کاملا تفکیک شوند. با استفاده از ارزش عددی پیکسل‌ها می‌توان پدیده‌های متناظر را شناسایی و مورد ارزیابی قرار داد(۲۱). و در نهایت مناسب­ترین ترکیب باندهای تصاویر ماهواره­ای جهت هرگونه آستانه­گذاری معرفی شود.

برای پردازش اولیه تصاویر ماهواره­ای و همچنین شناسایی پدیده­ها ابتدا انحراف معیار باند­های اصلی تصویر ماهواره­ای محاسبه شد، سپس همبستگی بین ترکیب باند­های گوناگون محاسبه شد سپس با استفاده از شاخص مطلوبیت یک ترکیب باندی 3­تایی مناسب برای کشف پدیده­ها و عوارض در تصاویر ماهواره­ای تعیین سپس با ترسیم منحنی رفتار طیفی درصد پراکندگی اطلاعات در هر یک از باندها مشخص و آستانه­های مناسب و ایده­آل برای هر عرصه تعیین شد(شکل 2).

الگوریتم حداکثر احتمال

روش حداکثر احتمال (بیش­ترین شباهت) از شناخته­شده‌ترین و پرکاربرد‌ترین روش‌های طبقه‌بندی اطلاعات در زمره روش‌های طبقه‌بندی نظارت‌شده می­باشد. در این روش احتمال اینکه یک پیکسل به تمامی کلاس‌ها تعلق داشته باشد محاسبه شده و به کلاس با بیش­ترین احتمال تعلق می‌گیرد. به این منظور فرض بر این گذاشته می‌شود که داده‌ها با توزیع نرمال برازش دارند(۳۱). در حقیقت نمونه­های تعلیمی باید معرف آن کلاس باشند. در نتیجه باید نقاط تعلیمی به تعدادی باشد که خصوصیات نمونه‌ها در آن به صورت دقیق و کامل آورده شده باشد(۳۷) طبقه­بندی در این روش بر اساس شکل زیر انجام می­شود(۳۱)

 

 

 

 

 

 

 

 

شکل ۳- نحوه طبقه­بندی تصاویر ماهواره­ای با روش الگوریتم حداکثر احتمال(۱۸) 

برای انجام این روش ابتدا بایستی تمامی مراحل پیش­پردازش انجام شده و نمونه‌برداری از منطقه نیز انجام شده باشد، سپس نمونه‌های تعلیمی بر روی تصاویر انتخاب و روش حداکثر احتمال به­کاربرده شود.

روش حداقل فاصلهMD

روش طبقه‌بندی حداقل فاصله از میانگین روشی است که پس از تعیین مقادیر میانگین طیفی در هر باند، با مشخص شدن پیکسلی که میانگین ارزش طیفی نمونه­های تعلیمی هر طبقه به خود اختصاص داده، فاصله هر پیکسل طبقه­بندی نشده با پیکسل­های میانگین مقایسه شده و سپس پیکسل مورد نظر به کلاسی اختصاص داده می­شود که کم­ترین فاصله با میانگین دارد(۳۱). در روش حداکثر احتمال کاربر باید دقت کند که کلاس­بندی را بر اساس کلاس­های نرمال گوسین طبقه­بندی نماید. روش حداقل فاصله به نظر برخی از محققین از دقت کمتری نسبت به سایر روش­ها برخوردار است(۶)(۳۵)(۳۷). به این صورت است که ابتدا میانگین طبقات مختلف را محاسبه سپس فاصله اقلیدسی بازتاب هر پیکسل را از میانگین تمام طبقه­ها محاسبه می­کند(۱۳)(۱۵).

روش بردار پشتیبانsvm

این روش یک روش کلاس­بندی الگو است که برای اولین بار توسط ویپینگ معرفی شد. این روش بسیار دقیق برای داده­های پراکنده و نویز­دار بسیار مناسب می­باشد(۱۷) ماشین بردار پشتیبان یا svm در واقع یک طبقه­بندی دودویی در مورد دو کلاس است، این روش سعی دارد با ایجاد یک ابر صفحه، فاصله هر کلاس را تا فرا­صفحه حداکثر نماید داده­های نقطه­ای که به فراصفحه نزدیک­ترند برای اندازه­گیری این فاصله به­کار می­روند. از این رو این داده­های نقطه­ای، بردار پشتیبان نامیده می­شوند(۳۸)(شکل۴). در شکل 5 نقشه­های حاصل از هر یک از روش‌‌ها تولید شد.

 

شکل ۴ - مرز خطی بهینه برای حالتی که دو کلاس کاملا از همدیگر جدا شود(۱۳)

در این روش تمامی کلاس­ها به گونه انتخاب می­شوند که اولاٌ تمام نمونه­های کلاس بردار 1+ در یک طرف مرز و تمام نمونه­های کلاس 1- در طرف دیگر مرز واقع شوند. ثانیاً مرز تصمیم­گیری به گونه­ای باشد که فاصله نزدیک­ترین نمونه­های آموزشی هر دو کلاس از یکدیگر در راستای عمود بر مرز تصمیم­گیری تا جایی که ممکن است حداکثر شود(۵) روش الگوریتم ماشین بردار پشتیبان (SVM) در مقایسه با سایر روش‌ها به نمونه‌های آموزشی کمتری نیاز داشته و نتایج مطلوبی را ارائه می‌نماید(۲۶).

نتایج

در این تحقیق با استفاده ازروش­های حداکثر احتمال، حداقل فاصله، ماشین بردار پشتیبان، نقشه پوشش زمین. سطوح جنگلی مربوط به سال 2015 منطقه حفاظت­شده منطقه تولید شد. جهت تولید نقشه­های کاربری اراضی با توجه به هفت طبقه عنوان شده در جدول 2 عرصه­های موجود در تصویر ماهواره­ای 2015 تفکیک­شده و با استفاده از طبقه­بندی نظارت­شده از آنها به دقت نمونه­برداری شد نمونه­های انتخاب شده با استفاده از نقاط کنترل زمینی که توسط دستگاه GPS برداشت شده بود و همپوشانی تصاویر با دقت بالای Google Earth مورد بازبینی وکنترل قرار گرفت. در ادامه جهت جلوگیری از تداخل طبقات و باند­ها و ارزیابی تفکیک­پذیری از الگوریتم تفکیک­پذیری الگوها استفاده شد. میزان تفکیک­پذیری باید بیشتر از 8/1 و کمتر 2 باشد(۱۸)، سپس نقشه­های کاربری اراضی با روش­های مذکور تولید شد(شکل ۵).

 

 

 

 

 

 

 

 

 

 

 

شکل ۵- تهیه نقشه پوشش زمین برای سال 2015 از منطقه با سه روش حداکثر احتمال، حداقل فاصله، ماشین بردار پشتیبان

 

ارزیابی دقت طبقه بندی

طبقه‌بندی تا زمانی که دقت آن مورد ارزیابی قرار نگیرد کامل نیست(۱۸). در این تحقیق برای ارزیابی صحت هرکدام از طبقه‌بندی‌ها با استفاده از دستگاه GPS بصورت تصادفی اقدام به جمع آوری نقاط حقایق زمینی شده و با پیاده‌سازی نقاط کنترل برداشت شده، پارامترهای آماری ارزیابی دقت ماتریس خطا شامل ضریب کاپا و دقت کلی نقشه استخراج شد. ضریب کاپا که دقت طبقه‌بندی را نسبت به یک طبقه‌بندی تصادفی مورد ارزیابی قرار می‌دهد، بین صفر و یک قرار دارد که صفر نشانگر طبقه‌بندی کاملاً تصادفی و یک نشانگر طبقه‌بندی کاملاً صحیح است(۳۷). ضریب کاپا، تکنیک چند­متغیرۀ گسسته­ای است به این صورت که اگر یک ماتریس خطا تفاوت معناداری با دیگری داشته باشد، در ارزیابی صحت برای تصمیم­گیری آماری مورد استفاده قرار می­گیرد شاخص k یا ضریب کاپا در واقع معرف اختلاف بین داده­های مرجع وسیستم طبقه­بندی­کننده تصادفی است که بر اساس رابطه۱ تعریف می­شود(۱۸).

رابطه۱       ×100 

پس از کسب اطمینان از صحت طبقه‌بندی در مرحله بعد بهترین روش جهت تهیه نقشه پوشش زمین و کاربری اراضی معرفی شد. در تحقیق حاضر روش حداکثر احتمال با دقت کلی 9781/0 و ضریب کاپا 32/98% نسبت به روش حداقل فاصله و ماشین بردار پشتیبان دارای اعتبار بیشتری می­باشد و در تهیه نقشه‌های پوشش زمین و کاربری اراضی استخراج شده از تصاویر ماهواره‌ای بایستی بیش از 85% باشد­(۱۸).

جدول 3 -ارزیابی دقت روش های مورد استفاده در تحقیق

روش	ضریب کاپا	دقت کلی	دقت کاربر
حداکثر احتمال	978/0	32/98 %	521/7
حداقل فاصله	576/0	59/65 %	44/54
ماشین بردار پشتیبان	901/0	45/92 %	2/31

 

این تحقیق با هدف ارزیابی تغییرات پوشش زمین و سطوح جنگلی جنگل­های حراء بندر­عباس است. لذا پس از تعیین بهترین روش جهت تهیه نقشه پوشش زمین، تغییرات رخ داده در طول 26 سال دوره تحقیق پایش و مورد
 بررسی قرار گرفت. بر این اساس ابتدا با استفاده از نمونه­های تعلیمی هفت عرصه بر روی تصاویر ماهواره­ای شناسایی سپس تفکیک­پذیری هر یک از عرصه­ها، مورد ارزیابی قرار گرفت (جدول 4)

 

جدول 4 -تفکیک­پذیری نمونه­های انتخابی از تصاویر ماهواره­ای سال 1989-2005-2015

روش	متوسط تفکیک پذیری	حداقل تفکیک پذیری	حداکثر تفکیک پذیری
تصویر 1989	943/1	899/1	2
تصویر 2001	969/1	932/1	1
تصویر 2015	999/1	989/1	2

 

سپس با استفاده از طبقه­بندی نظارت­شده نقشه­های پوشش زمین برای سال های 1989-2005-2015 تهیه شد­(شکل۶). جهت استخراج اطلاعات این نقشه­ها از فیلتر ماژوریتی استفاده شده سپس به ارزیابی تغییرات پوشش اراضی و سطوح جنگلی اقدام شد. در این روش، تغییرات کاربری اراضی بر مبنای ماتریس، در قالب کلاس به کلاس به­دست می­آید. از طریق الگوریتم‌های جبر خطی و آمار پایهاز قبیل تفاضل و درصد، اختلاف دو به دو کلاس­ها را براساس پیکسل بیان می‌نماید(۱۰). برای این منظور با استفاده از محاسبات آماری تغییرات کاربری در محیط نرم‌افزاری ENVI(4.8)، مقادیر نواحی کاربری اراضی تغییر یافته، محاسبه گردید.

 

 

 

 

 

 

 

 

 

 

 

شکل ۶- تولید نقشه پوشش زمین برای سال های 1989-2005 و 2015 با استفاده از روش حداکثر احتمال

 

همان­طور که در جدول 5 مشاهده می­شود میزان جنگل­های پراکنده در سال 4/54 کیلومتر­مربع می­باشد که نیمی از این مقدار در سال 2015 تبدیل به جنگل­های متراکم شده است که نشان­دهنده رشد بالای درختان مانگرو در طی 10 سال است. قسمت شمالی منطقه مورد مطالعه منطبق بر دلتای رودخانه مهران و شور است با توجه به رسوبدهی بالا این رودخانه­ها و همچنین عملکرد تکتونیک دیاپیر سطح عمومی این منطقه در حال بالاآمدگی است که این امر سبب پایداری رسوبات ریز­دانه در منطقه و در طول زمان باعث گسترش جنگل­های حراء می­شود.

جدول 5 - مساحت و نوع تغییرات پوشش زمینی و سطوح جنگلی جنگل های حراء بندرعباس

شماره	نوع طبقه	مساحت سال 1989 KM2	مساحت سال 2005 KM2	تفاوت	نوع تغییر	مساحت سال 2015 KM2	تفاوت	نوع تغییر
1	جنگل متراکم	9504/0	5215/0	5711/6	افزایشی	8523/38	3308/31	افزایشی
2	جنگل پراکنده	142/75	4403/54	7024/20-	کاهشی	2305/86	790/31	افزایشی
3	مراتع	821/5	2066/31	3854/25	افزایشی	2828/9	92/ 21-	کاهشی
4	زمین­های بایر	6392/80	2373/75	3019/5-	کاهشی	4424/55	7948/19	افزایشی
5	زمین­های گلی	292/185	5579/160	734/24-	کاهشی	6400/230	082/70	افزایشی
6	آب­های کم­عمق	99/189	3446/320	351/130	افزایشی	199/130	14/190-	کاهشی
7	آب­های عمیق	304/203	785/91	51/111-	کاهشی	426/190	640/98	افزایشی
مجموع		0432/741	0432/741			0432/741

 

نتیجه­گیری

نتایج تحقیق نشان می­دهد تصاویر ماهواره­ای به دلیلی تنوع طیفی، زمانی و مکانی از مهم­ترین منابع مورد استفاده برای پژوهشگران می­باشد. روش­های پردازش و آشکار­سازی تصاویر ماهواره­ای با تاکید بر کنترل و بازبینی میدانی می­تواند روش­های بسیار دقیق و کاملی برای تحقیقات دوره­ای باشد. طبق مدل­سازی انجام شده، روش حداکثر احتمال با دقت کلی 32/98% و ضریب کاپا 978/0 دارای بیش­ترین دقت و روش ماشین بردار پشتیبان با دقت کلی 45/92% و ضریب کاپا 901/0 در رتبه بعدی و روش حداقل فاصله با دقت کلی 59/65% و ضریب کاپا 576/0 دارای کم­ترین دقت جهت تهیه نقشه پوشش زمین و سطوح جنگل را دارد. نتایج تحقیقات ماهینی و همکاران (2012)(۲۰)، سفیانیان و همکاران (2009) (۳۵) کریمی و همکاران (2006) (۱۷) و باگاوات (2013) (۷)  راستای نتایج این تحقیق می­باشند ولی عده­ای از محققان چون هونگ و همکاران (2002) (۱۵) و پتراپولاس و همکاران (2011) (۲۶) روش ماشین بردار پشتیبان را به­ عنوان  روش دقیق­تری معرفی نموده­اند. به دلیل اختلاف بسیار کم روش حداکثر احتمال و ماشین بردار پشتیبان از نقطه­نظر دقت می­شود این دو روش را در زمره روش­های مناسب جهت طبقه­بندی پوشش زمین در پایش تغیرات به­کار برد. طبق محاسبات انجام شده سطح مجموع جنگل­های متراکم و پراکنده حراء از 09/76 کیومتر­مربع در سال 1989 به 08/125 کیلومتر­مربع در سال 2015 رسیده است. افزایش سطح جنگل در منطقه تابع عوامل متعددی است که بالا آمدن سطح اساس دریاهای آزاد، تغییر در خواص شیمیمایی آب­های ورودی به این منطقه از تنگه هرمز، ورود آب­های لب­شور رودخانه مهران و شور و همچنین رسوبات ریز دانه و حاصلخیز این رودخانه­ها، تکامل ژئومورفولوژیکی محیط تالاب خورخوران و از همه مهم­تر عملکرد گنبد­های نمکی در کاهش عمق آب در منطقه از مهم­ترین عوامل گسترش جنگل­های حراء منطقه می­باشد(شکل۷). با توجه به افزایش سطح پوشش جنگل­های حراء همچنان برنامه­ریزی برای حفظ این ثروت طبیعی در راستای توسعه پایدار لازم و ضروری است و بهره­برداری از این منابع خدادادی جهت گسترش اکوتوریسم، جلوگیری از بلایای طبیعی چون سونامی و غیره، حفظ رسوبات رودخانه­ای حاصلخیز، معیشت و اقتصاد ساکنین باید با مدیریت و نظارت کامل صورت گیرد.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

شکل۷- احداث پل و جاده دریایی بندرعباس به قشم(A)پوشش جنگل­های متراکم مانگرو(B)بهره­برداری از درختان مانگرو برای مصارف صنعتی(ساخت تخته،چسب و ...) پزشکی و ساختمانی(مصالح)(C) درختچه­های مانگرو(D) جنگل­های مانگرو به همراه اراضی گلی(E)

 

References

 

1. Ahmed E.A., and K.A Abdel-Hamid. 2007. .Zonation Pattern of Avicennia marina and Rizophora mucronata along the Red Sea Coast, Egypt. World Applied Sciences Journal no 2, p283-288
2. Alongi, D M. 2008. Mangrove forests: Resilience, protection from tsunamis, and responses of global climate change, Estuarine, Coastal and Shelf Science Volume 76, Issue 1, Pages 1–13
3. Alongi.D.M. 2002. Present state and future of the world's mangrove forests. Environmental Conservation, Volume 29: 331-349.
4. Amiri S. Sajadi, J. Sadough Vanini ,H. 2011. Application Of Vegetation Indices Derived From IRS Data For Detecting The Avicennia Forest Area Near The South Parsoil Apparatus Environmental Sciences Vol.8, No.1, Autumn 2011(In Persian)
5. Arkhi S, M.  Adibnejad, 2012 "Evaluating  the  capability  of  support  vector  machine  in  land  use mapping", Journal of Range and desert research of iran,Vol.3,pp.420-440,2012(In Persian)
6. Arkhi, S. and Niazi, Y. 2009. Assessment of remote sensing methods for detecting land use change a case study in Dareh shahr- Elam province. Journal of Research of grassland and desert, 17(1), 74-95. (In Persian)
7. Bhagawat R 2013, Application of Remote Sensing and GIS, Land Use/Land Cover Change In Kathmandu Metropolitan City, Nepal ,Journal Of Theoretical And Applied Information Technology Biological Forum  An International Journal ,Vol 3 P 2-7
8. Daneh kar Afshin, 1998  " environment sensitive zones in margin iran  Journal of Environmental 7, no. 24 p: 28-38(In Persian)
9. De Boer W.F., 2002. The rise and fall of the mangrove forests in Maputo Bay, Mozambique. Wetlands Ecology and Management.  Volume 10, Issue 4, pp 313-322
10. ENVI User’s Guide, 2008, ENVI On-line Software User’s Manual, ITT Visual Information Solutions.
11. FAO.2003. State of the Worlds Forest (SOFO). The situation and developments in the forest sector.2003.availabe online
12. Feizizadeh, B. and T,Blaschke, 2012. Thermal remote sensing for examining the relationship between urban land surface temperature and land use land cover in Tabriz city, Iran. Paper presented at the IEEE international geoscience and remote sensing symposium, Igarss, 22–27 July, Munich, Germany.
13. Goh, K. E. Chang, and K. T. Cheng, "SVM Binary classifier ensembles for image classification," ACM Int. Conf Information and knowledge And management (lCIKM), pp. 395-402, Nov. 2001
14. Hina M, Sh A, Zamir ,B Umair and J. H Kazmi, 2015, Application of Comparative Remote Sensing Techniques for Monitoring Mangroves in Indus Delta, Sindh, Pakistan, Pakistan Journal of Botany, 47(2):797-805
15. Huang, C., L S Davis, and J Townshend, 2002, assessment of support vector machines for land cover classification Int. J. International Journal of Remote Sensing., 23, pp. 725-749.
16. Hurcom, S.J. & A.R. Harrison, 2003. The NDVI & spectral decomposition for semi-arid vegetation abundance estimation, International Journal of Remote Sensing, pp 3109-3125.
17. Karimi, Y., S Orasher, O Patel, and S. H Kim (2006). Application of Support Vector Machine technology for weed and nitrogen stress detection in corn, Computers and Electronics in Agriculture journal, V.51, pp.99–109.
18. Lillesand Thomas , Ralph Kiefer 2001, Remote Sensing and Image Interpretation, 4th ed, John Wiley and Sons, inc. USA, 2001, ISBN: 0471255157,205p.
19. Luciana P.-Bolland, Edward A. Ellis b, Henry L. Gholz. 2007. Land use dynamics and landscape history in La Monta˜na, Campeche, Mexico. Landscape and Urban Planning journal no 82 pp 198–207.
20. Mahini, AS. A,Azadeh ,J, feghhi,. B, riazi, 2012. Classification of forest areas in Golestan province maximum likelihood method using satellite images etm + 2001, Journal of Science, Technology and the Environment, (3): 97-106 (In Persian)
21. Mahini, r., A. Najafi, M., Mohammad Zadeh, 2010. Chalus River Watershed land cover change detection using remote sensing and GIS, the first National Conference on Geomatics the new 14 Esfand 1389, Tehran University(In Persian)
22. Mirzaee born, and Mahdavi and, as in 2014, forest cover change detection using remote sensing, spatial orientation (Case Study: city malekshahi), First National Conference on Environmental, Isfahan. Iran, (In Persian)
23. Niazi Y, MR, Ekhtesasi. H, Malkinejad H, Hosseini.Z, Morshedi C. 2010. Comparing the maximum likelihood method and artificial neural network in land use map (Case Study: Ilam dam basin) Journal of Geography and Development, n20 p: 119-132(In Persian)
24. Odum, E.P., Barrett, G.W., 2004. Fundamentals of Ecology, fifth ed. Brooks-Cole, Belmont, CA, 598 pp.
25. Parente Maria,L., Hisle Uchôa Monteiro,L., Marques e Souza,G and Drude de Lacerda.L.2006. Changes in mangrove extension along the Northeastern Brazilian coast (1978-2003). ISME/GLOMIS Electronic Journal. Volume 5, No. pp9
26. Petropoulos, G, Kontoes, C. and Keramitsoglou, I, 2011, Burnt area delineation from a uni-temporal perspective based on Landsat TM imagery classification using Support Vector Machines, International Journal of Applied Earth Observation and Geoinformation, Volume 13, Issue 1, Pages 70–80
27. Pillay, T.V.R.2004 .Aquaculture and the environment .Blackwell publishing .secound edition. P31-38
28. Plieninger T, 2012. Monitoring directions and rates of change in trees outside forests through multi temporal analysis of map sequences Applied Geography, Volume 32, Issue 2, , Pages 566–576
29. Rabiei, H.r., C, Ziaeian, Ali, Ali Mohammad, 2005, discovery and recovery of the city land use changes and land cover remote sensing geographical information systems .lecturer in Human Sciences Journal of, Issue 4: 19-32(In Persian)
30. Rasouli, A., 2008 Fundamentals of Remote Sensing Applications, p ,Tabriz University, 806 p. (In Persian)
31. Richards, J.A., 1999, Remote Sensing Digital Image Analysis, Springer-Verlag, Berlin, p. 240
32. Rodringuez, W and Feller, I.C, .2004.Mangrove landscape characterization and change in Twin Cays, belize using aerial photography and IKONOS satellite data, Atoll research Bulletin.no.513.National Museum of National History. U.S.A pp1-22
33. Senga H.O. Kihupi N. I Evaristo L.2014, Land Cover Changes along the Coastal Marine Ecosystems of Zanzibar Journal of Asian Scientific Research, no 4: pp 83-98
34. Singh.H.S. 2003. Vulnerability and adaptability of Tidal forests in response to climate change in India.Indian forester journal in forestty research and eduction, vol.  129 n6, pp. 749-756 
35. Soffianian A. A Study on Land Use Change in Isfahan Using Change vector analysis techniques in the years 1366 to 1377. Water and Soil Sciences Journal (JWSS). 2009; 13 (49) :153-164(In Persian)
36. Tiempo, 2007.Climate and mangrove ecosystem.www.cru.uea.ac.uk /cru/tiempo/issue10/ mangrove.htm
37. Tso Brandt and Paul Mather, 2009. Classification methodds for Remotely Sensed Data. Chapter 2-3. 2nd ed., Pub., Technology & Engineering - 376 pages
38. vaipink, Vladimir,1995. The nature of statistical l earning Theory (new York:spring verlag),314 pages
39. Yamani M. Rahimi Herabadi  S.Godarzi mehr S. 2012 The periodic changes the coastline of East Strait of Hormuz preceding studies using remote sensing techniques Journal of Environmental Erosion E.E.R. No. 1390. (In Persian)

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

---

[1] دانشیار ژئومورفولوژی دانشگاه حکیم سبزواری، سبزوار، ایران

[2] *دانشجوی دکتری ژئومورفولوژی دانشگاه حکیم سبزواری سبزوار، ایران  Emai: [e-mail]   

[3] عضو هیات علمی دانشگاه حکیم سبزواری و دانشجوی دکترا سنجش از دور دانشگاه تهران، تهران، ایران

 

[4] Support MachinVector

[5] Hurcom

[6] Luciana

[7] Plieninger

[8] Bhagawat

[9] Senga

[10] Hina

[11] Avicennia marina

[12] Color Normalized in ENVY

مراجع

References

 

1. Ahmed E.A., and K.A Abdel-Hamid. 2007. .Zonation Pattern of Avicennia marina and Rizophora mucronata along the Red Sea Coast, Egypt. World Applied Sciences Journal no 2, p283-288
2. Alongi, D M. 2008. Mangrove forests: Resilience, protection from tsunamis, and responses of global climate change, Estuarine, Coastal and Shelf Science Volume 76, Issue 1, Pages 1–13
3. Alongi.D.M. 2002. Present state and future of the world's mangrove forests. Environmental Conservation, Volume 29: 331-349.
4. Amiri S. Sajadi, J. Sadough Vanini ,H. 2011. Application Of Vegetation Indices Derived From IRS Data For Detecting The Avicennia Forest Area Near The South Parsoil Apparatus Environmental Sciences Vol.8, No.1, Autumn 2011(In Persian)
5. Arkhi S, M.  Adibnejad, 2012 "Evaluating  the  capability  of  support  vector  machine  in  land  use mapping", Journal of Range and desert research of iran,Vol.3,pp.420-440,2012(In Persian)
6. Arkhi, S. and Niazi, Y. 2009. Assessment of remote sensing methods for detecting land use change a case study in Dareh shahr- Elam province. Journal of Research of grassland and desert, 17(1), 74-95. (In Persian)
7. Bhagawat R 2013, Application of Remote Sensing and GIS, Land Use/Land Cover Change In Kathmandu Metropolitan City, Nepal ,Journal Of Theoretical And Applied Information Technology Biological Forum  An International Journal ,Vol 3 P 2-7
8. Daneh kar Afshin, 1998  " environment sensitive zones in margin iran  Journal of Environmental 7, no. 24 p: 28-38(In Persian)
9. De Boer W.F., 2002. The rise and fall of the mangrove forests in Maputo Bay, Mozambique. Wetlands Ecology and Management.  Volume 10, Issue 4, pp 313-322
10. ENVI User’s Guide, 2008, ENVI On-line Software User’s Manual, ITT Visual Information Solutions.
11. FAO.2003. State of the Worlds Forest (SOFO). The situation and developments in the forest sector.2003.availabe online
12. Feizizadeh, B. and T,Blaschke, 2012. Thermal remote sensing for examining the relationship between urban land surface temperature and land use land cover in Tabriz city, Iran. Paper presented at the IEEE international geoscience and remote sensing symposium, Igarss, 22–27 July, Munich, Germany.
13. Goh, K. E. Chang, and K. T. Cheng, "SVM Binary classifier ensembles for image classification," ACM Int. Conf Information and knowledge And management (lCIKM), pp. 395-402, Nov. 2001
14. Hina M, Sh A, Zamir ,B Umair and J. H Kazmi, 2015, Application of Comparative Remote Sensing Techniques for Monitoring Mangroves in Indus Delta, Sindh, Pakistan, Pakistan Journal of Botany, 47(2):797-805
15. Huang, C., L S Davis, and J Townshend, 2002, assessment of support vector machines for land cover classification Int. J. International Journal of Remote Sensing., 23, pp. 725-749.
16. Hurcom, S.J. & A.R. Harrison, 2003. The NDVI & spectral decomposition for semi-arid vegetation abundance estimation, International Journal of Remote Sensing, pp 3109-3125.
17. Karimi, Y., S Orasher, O Patel, and S. H Kim (2006). Application of Support Vector Machine technology for weed and nitrogen stress detection in corn, Computers and Electronics in Agriculture journal, V.51, pp.99–109.
18. Lillesand Thomas , Ralph Kiefer 2001, Remote Sensing and Image Interpretation, 4th ed, John Wiley and Sons, inc. USA, 2001, ISBN: 0471255157,205p.
19. Luciana P.-Bolland, Edward A. Ellis b, Henry L. Gholz. 2007. Land use dynamics and landscape history in La Monta˜na, Campeche, Mexico. Landscape and Urban Planning journal no 82 pp 198–207.
20. Mahini, AS. A,Azadeh ,J, feghhi,. B, riazi, 2012. Classification of forest areas in Golestan province maximum likelihood method using satellite images etm + 2001, Journal of Science, Technology and the Environment, (3): 97-106 (In Persian)
21. Mahini, r., A. Najafi, M., Mohammad Zadeh, 2010. Chalus River Watershed land cover change detection using remote sensing and GIS, the first National Conference on Geomatics the new 14 Esfand 1389, Tehran University(In Persian)
22. Mirzaee born, and Mahdavi and, as in 2014, forest cover change detection using remote sensing, spatial orientation (Case Study: city malekshahi), First National Conference on Environmental, Isfahan. Iran, (In Persian)
23. Niazi Y, MR, Ekhtesasi. H, Malkinejad H, Hosseini.Z, Morshedi C. 2010. Comparing the maximum likelihood method and artificial neural network in land use map (Case Study: Ilam dam basin) Journal of Geography and Development, n20 p: 119-132(In Persian)
24. Odum, E.P., Barrett, G.W., 2004. Fundamentals of Ecology, fifth ed. Brooks-Cole, Belmont, CA, 598 pp.
25. Parente Maria,L., Hisle Uchôa Monteiro,L., Marques e Souza,G and Drude de Lacerda.L.2006. Changes in mangrove extension along the Northeastern Brazilian coast (1978-2003). ISME/GLOMIS Electronic Journal. Volume 5, No. pp9
26. Petropoulos, G, Kontoes, C. and Keramitsoglou, I, 2011, Burnt area delineation from a uni-temporal perspective based on Landsat TM imagery classification using Support Vector Machines, International Journal of Applied Earth Observation and Geoinformation, Volume 13, Issue 1, Pages 70–80
27. Pillay, T.V.R.2004 .Aquaculture and the environment .Blackwell publishing .secound edition. P31-38
28. Plieninger T, 2012. Monitoring directions and rates of change in trees outside forests through multi temporal analysis of map sequences Applied Geography, Volume 32, Issue 2, , Pages 566–576
29. Rabiei, H.r., C, Ziaeian, Ali, Ali Mohammad, 2005, discovery and recovery of the city land use changes and land cover remote sensing geographical information systems .lecturer in Human Sciences Journal of, Issue 4: 19-32(In Persian)
30. Rasouli, A., 2008 Fundamentals of Remote Sensing Applications, p ,Tabriz University, 806 p. (In Persian)
31. Richards, J.A., 1999, Remote Sensing Digital Image Analysis, Springer-Verlag, Berlin, p. 240
32. Rodringuez, W and Feller, I.C, .2004.Mangrove landscape characterization and change in Twin Cays, belize using aerial photography and IKONOS satellite data, Atoll research Bulletin.no.513.National Museum of National History. U.S.A pp1-22
33. Senga H.O. Kihupi N. I Evaristo L.2014, Land Cover Changes along the Coastal Marine Ecosystems of Zanzibar Journal of Asian Scientific Research, no 4: pp 83-98
34. Singh.H.S. 2003. Vulnerability and adaptability of Tidal forests in response to climate change in India.Indian forester journal in forestty research and eduction, vol.  129 n6, pp. 749-756 
35. Soffianian A. A Study on Land Use Change in Isfahan Using Change vector analysis techniques in the years 1366 to 1377. Water and Soil Sciences Journal (JWSS). 2009; 13 (49) :153-164(In Persian)
36. Tiempo, 2007.Climate and mangrove ecosystem.www.cru.uea.ac.uk /cru/tiempo/issue10/ mangrove.htm
37. Tso Brandt and Paul Mather, 2009. Classification methodds for Remotely Sensed Data. Chapter 2-3. 2nd ed., Pub., Technology & Engineering - 376 pages
38. vaipink, Vladimir,1995. The nature of statistical l earning Theory (new York:spring verlag),314 pages
39. Yamani M. Rahimi Herabadi  S.Godarzi mehr S. 2012 The periodic changes the coastline of East Strait of Hormuz preceding studies using remote sensing techniques Journal of Environmental Erosion E.E.R. No. 1390. (In Persian)