بررسی امکان تهیه نقشه پراکنش توده‌های زیرآشکوب شمشاد خزری (Buxus hyrcana) با تصاویر طیفی فصل خزان ماهواره آیکونوس (مطالعه موردی: ذخیره گاه شمشاد خیبوس– انجیل سی، مازندران)

نویسندگان

1 دانشجوی دکتری جنگل‌داری، دانشکده کشاورزی و منابع طبیعی، دانشگاه لرستان، خرم‌آباد، ایران

2 استاد، دانشکده علوم جنگل، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران

3 استادیار، دانشکده کشاورزی و منابع طبیعی، دانشگاه لرستان، خرم‌آباد، ایران

4 استادیار، دانشکده کشاورزی و منابع طبیعی، دانشگاه لرستان، خرم‌آباد، ایران

5 دکتری جنگل‌داری، سازمان فضایی ایران، کرج، ایران

doi
10.22092/ijfpr.2018.116137
چکیده

با توجه به اهمیت شمشاد خزری (Buxus hyrcana ) به‌عنوان گونه همیشه‌سبز و زیراشکوب جنگل‌های هیرکانی و ضرورت شناخت سطح پراکنش آن، در پژوهش پیش‌­رو قابلیت تصویر فصل خزان چندطیفی ماهواره آیکونوس در تهیه نقشه پراکنش شمشاد در بخشی از منطقه حفاظت‌شده جنگلی خیبوس- انجیل­‌سی مازندران بررسی شد. تطابق هندسی تصاویر آیکونوس با استفاده از تصویر پانکروماتیک ماهواره Pleiades از همین منطقه که پیشتر با استفاده از نقاط کنترل زمینی و ارتفاعی برداشتی توسط سامانه موقعیت‌­یاب جهانی تفاضلی زمین‌مرجع شده بودند، با RMSE کمتر از یک پیکسل انجام شد. نقشه واقعیت زمینی نمونه‌­ای با سه طبقه غیرجنگل، جنگل پهن­‌برگ بدون زیرآشکوب شمشاد و جنگل پهن­‌برگ دارای زیرآشکوب شمشاد به کمک DGPS برداشت و تهیه شد. پس از ایجاد شاخص‌های گیاهی، تفکیک‌­پذیری طبقات با معیار واگرایی تبدیل‌شده با استفاده از 75 درصد از واقعیت زمینی به‌عنوان نمونه‌های تعلیمی بررسی شد. طبقه­‌بندی نظارت‌شده با الگوریتم­‌های مختلف پارامتریک (حداکثر احتمال، فاصله ماهالونوبیس، حداقل فاصله، متوازی­‌السطوح) و ناپارامتریک (ماشین ­بردار­ پشتیبان) روی باندهای اصلی و بهترین ترکیب باندی انجام شد و صحت نتایج طبقه­بندی با 25 درصد نمونه‌های نقشه واقعیت زمینی ارزیابی شد. نتایج نشان داد که نتیجه طبقه­‌بندی با الگوریتم ماشین بردار پشتیبان هم با باندهای اصلی و هم با بهترین ترکیب باندی دارای بهترین صحت کلی و ضریب کاپا (به‌ترتیب 97/87 درصد و 0/96) در مقایسه با دیگر الگوریتم‌های مورد استفاده بود. نتایج نشان داد که تصویر چند­طیفی فصل خزان ماهواره آیکونوس قابلیت زیادی در تهیه نقشه پراکنش شمشاد داشت و کارایی الگوریتم ناپارامتریک ماشین بردار پشتیبان در مقایسه با الگوریتم‌های دیگر بیشتر بود.