ارزیابی قابلیت داده های ماهواره های لندست۸ و سنتینل۲ برای تهیه نقشه تیپ جنگل های هیرکانی در حوضه آبخیز کجور

سابقه و هدف: آگاهی از موقعیت مکانی تیپ های جنگلی، اطلاعات ارزشمندی را برای برنامه ریزی و مدیریت پایدار جنگل ها فراهم می کند. استفاده از فناوری سنجش از دور و سیستم اطلاعات جغرافیایی در تهیه این قبیل اطلاعات به ویژه در مناطق کوهستانی و صعب العبور، مورد توجه بسیاری از محققان و مجریان طرح های جنگلداری است. به همین منظور تحقیق حاضر با هدف بررسی قابلیت داده های ماهواره های لندست۸ و سنتینل۲ در تهیه نقشه تیپ جنگل های هیرکانی در حوضه آبخیز کجور انجام شد. مواد و روش ها: پس از بررسی کیفیت داده ها، به منظور استخراج هر چه بهتر اطلاعات پردازش هایی مانند تهیه شاخص های گیاهی، تبدیل تسلدکپ، تحلیل مولفه های اصلی و ادغام بر روی تصاویر ماهواره ای صورت گرفت. به منظور تهیه نقشه واقعیت زمینی از اطلاعات موجود (شهریور ۱۳۹۲ و اردیبهشت ۱۳۹۳) و همچنین برداشت های میدانی انجام شده در شهریور ۱۳۹۷ (در مجموع ۶۰ قطعه نمونه)، استفاده گردید. تعیین تیپ تمامی قطعه نمونه ها براساس روش گرجی بحری انجام شد. در ادامه پس از بررسی میزان تفکیک پذیری تیپ ها و تعیین تعداد طبقات (راش خالص، راش آمیخته، راش- ممرز، ممرز آمیخته، لور خالص و لور-اوری)، نقشه های تیپ جنگل با استفاده از داده های ماهواره ای و به کارگیری الگوریتم های ماشین بردار پشتیبان، جنگل تصادفی، شبکه عصبی مصنوعی و حداکثر تشابه تهیه شد. به-منظور ارزیابی دقیق تر عملکرد روش های طبقه بندی از دو دسته نمونه تعلیمی با تعداد پیکسل های متفاوت برای آموزش در الگوریتم های طبقه بندی استفاده شد. یافته ها: نتایج این تحقیق نشان داد که داده های ماهواره سنتینل۲ از قابلیت بیشتری در مقایسه با داده های ماهواره لندست۸ برای تهیه نقشه تیپ جنگل برخوردار هستند، به ویژه وقتی که تعداد تیپ ها زیاد باشد. از سوی دیگر یافته های این تحقیق نشان داد با به کارگیری روش ادغام مناسب برای داده های هر یک از ماهواره ها، می توان نقشه تیپ جنگل دقیق تری تولید کرد. ارزیابی عملکرد الگوریتم های مختلف طبقه بندی نیز نشان داد که میزان نمونه های تعلیمی در نتایج تاثیر دارد، به طوری که با استفاده از نمونه های تعلیمی کمتر، روش-های ماشین بردار پشتیبان و حداکثر تشابه در بیشتر حالت ها بهترین عملکرد را ارائه کردند، اما با افزایش ۱۰۰ درصدی تعداد نمونه های تعلیمی، بهترین نتایج در تمامی حالت ها با استفاده از روش جنگل تصادفی حاصل گردید. نتیجه گیری: بر اساس یافته های این پژوهش و با توجه به نتایج با ثبات تر روش های ماشین بردار پشتیبان و جنگل تصادفی در حالت-های مختلف طبقه بندی، الگوریتم های مذکور برای تهیه نقشه تیپ قابلیت بالاتری نسبت به دو روش دیگر دارند. با توجه به صحت طبقه-بندی ها، می توان بیان داشت که داده های ماهواره های لندست۸ و سنتینل۲ از قابلیت متوسطی (صحت کلی حدود ۷۵% در طبقه بندی با چهار تیپ) برای تهیه نقشه تیپ جنگل های هیرکانی برخوردار هستند. برای ارزیابی دقیق تر این داده ها، پیشنهاد می شود تحقیقات تکمیلی در سایر رویشگاه های جنگل های هیرکانی ضمن در نظر گرفتن ویژگی های فنولوژیکی و شرایط توپوگرافی منطقه انجام شود.