طبقه بندی تراکم توده های جنگلی با استفاده از تصویر ماهوارۀ IRS و الگوریتم ناپارامتریک kNN
نویسندگان
1 دانش آموخته دکترای جنگلداری/دانشکده منابع طبیعی، دانشگاه گیلان
2 استاد/دانشکده منابع طبیعی دانشگاه گیلان
3 دانشیار/دانشگاه گیلان
doi
10.22059/jfwp.2017.60604چکیده
برآوردهای کمّی و دقیق از مشخصههای تودههای جنگلی لازمه مدیریت صحیح آنها است. تصاویر سنجش از دور با توجه به اطلاعات مکانی دقیق و وسیع، همواره ابزاری مقرون به صرفه در مدیریت جنگل است و یکی از متداولترین کاربردهای تصاویر در علم جنگلداری، طبقهبندی مشخصههای تودههای جنگلی و تهیۀ نقشههای موضوعی آنها است. هدف این پژوهش بهینهسازی طبقهبندی تراکم (تعداد درختان در هکتار) در تودههای جنگلی با استفاده از روش ناپارامتریک kNN بود. بررسی در منطقۀ پیلمبرا، در حوضۀ آبخیز شفارود در غرب استان گیلان انجام گرفت. نتایج نشان داد که روش kNN با تعداد بهینۀ نزدیکترین همسایهها در نقطۀ 6=k و معیار فاصلۀ بهینۀ اقلیدسی، نتایج مناسبی برای تهیۀ نقشۀ پهنهبندی مشخصۀ تراکم (تعداد درختان در هکتار) در جنگلهای مورد بررسی دارد. برآورد مشخصۀ تراکم در این روش، با مقادیر 58/228=RMSE، 9/78=relative RMSE درصد و مقدار همبستگی 50/0=r محاسبه شد. مقدار صحت کل و ضریب کاپای نقشۀ حاصل از طبقهبندی بهترتیب برابر 19/85 درصد و 56/0 بهدست آمد. بنابراین الگوریتم ناپارامتریک kNN می تواند روش به نسبت مناسبی برای برآورد مشخصۀ تراکم جنگل روی تصویر ماهوارۀ IRS سنجندۀ P6-LIS III است.