@article { author = {Fallah, Asghar and kalbi, siavash and Shataee, Shaban and Karami, Omid}, title = {Determinate ASTER Satellite Data Capability and Classification and Regression Tree and Random Forest Algorithm for Forest Type Mapping}, journal = {Forest and Wood Products}, volume = {67}, number = {4}, pages = {573-584}, year = {2015}, publisher = {University of Tehran}, issn = {5052-2008}, eissn = {2383-0530}, doi = {10.22059/jfwp.2015.53078}, abstract = {Recognition equal units and segregation them and upshot planning per units most basic method for management forest units. Aim this study presentation and comparison classification and regression tree (CART) and random forest (RF) algorithm for forest type mapping using ASTER satellite data in district one didactic and research forest's darabkola. In start using inventory network 500* 350 m, take number 150 sample plat in over district. After accomplish Geometric correction and reduce atmospheric effect on image processing bands rationing, create general vegetation indices, principal component analysis and tesslatcap index. After extraction spectrum values relevant by sample plats fabric and processing bands, classification values other pixel accomplish using investigating algorithms. Evaluation accuracy results classification accomplish by some sample plat that not participate in process classification. The result showed preparation map using RF with overall accuracy 66% and kappa coefficient 0.57 than classification and regression tree with overall accuracy 58% and kappa coefficient 0.49 has superior accuracy. Totality result showed using above algorithm may increased accuracy forest type map.}, keywords = {ASTER Satellite,classification and regression tree and Random forest,forest type}, title_fa = {تعیین قابلیت داده‏های سنجندة ASTER و روش‏های درخت طبقه‏بندی و رگرسیونی و جنگل تصادفی در تهیة نقشة تیپ جنگل}, abstract_fa = {شناسایی واحد‏های همگن و تفکیک آن‏ها و نهایتاً برنامه‏ریزی برای هر واحد، اصولی‏ترین راه برای مدیریت واحد‏های جنگلی محسوب می‏شود. هدف از این مطالعه، تهیة نقشة تیپ جنگل با استفاده از داده‏های سنجندة ASTER و نیز استفاده از دو الگوریتم درخت طبقه‏بندی و رگرسیونی و جنگل تصادفی در سری یک جنگل آموزشی و پژوهشی دارابکلا است. برای این هدف، ابتدا با استفاده از شبکة آماربرداری 350×500 متر تعداد 150 قطعه نمونه در کل سری برداشت شد. پس از پیش‏پردازش‏های لازم مانند تصحیح هندسی، اتمسفریک، پردازش‏های نسبت‏گیری‏ باندها، ایجاد شاخص‏های متداول گیاهی، تجزیة مؤلفة اصلی، و تولید شاخص تسلدگپ (روشنایی، سبزینگی، نمناکی) انجام شد. سپس مقادیر طیفی متناظر با قطعات نمونه بر روی باندهای اصلی و پردازش‌شده استخراج شد و ارزش‏های سایر پیکسل‏ها با استفاده از الگوریتم‏های مورد بررسی طبقه‏بندی شد. ارزیابی صحت نتایج طبقه‏بندی با تعدادی قطعه نمونه که در فرایند طبقه‏بندی شرکت نداشتند صورت گرفت. نتایج نشان داد که نقشة تهیه‌شده با استفاده از روش جنگل تصادفی با صحت کلی 66 درصد و ضریب کاپای 58/0 در مقایسه با روش الگوریتم درخت طبقه‏بندی و رگرسیونی به‏ترتیب با صحت کلی 58 درصد و ضریب کاپای 49/0 دارای صحت بالاتری است. در مجموع نتایج نشان داد که داده‏های سنجندة ASTER و الگوریتم‏های درخت طبقه‏بندی و رگرسیونی و جنگل تصادفی نتایج مقبولی در تهیة نقشة‏ تیپ جنگل در جنگل دارابکلا دارند.}, keywords_fa = {تیپ‏ جنگل,درخت طبقه‏بندی و رگرسیونی,جنگل تصادفی,سنجندة ASTER}, url = {https://jfwp.ut.ac.ir/article_53078.html}, eprint = {https://jfwp.ut.ac.ir/article_53078_236371a91464adcca95a922e3ace47aa.pdf} }