طبقه بندی تراکم توده های جنگلی با استفاده از تصویر ماهوارۀ IRS و الگوریتم ناپارامتریک kNN

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانش آموخته دکترای جنگلداری/دانشکده منابع طبیعی، دانشگاه گیلان

2 استاد/دانشکده منابع طبیعی دانشگاه گیلان

3 دانشیار/دانشگاه گیلان

چکیده

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.

کلیدواژه‌ها


عنوان مقاله [English]

Forest density classification using IRS satellite image and non-parametric KNN method

نویسندگان [English]

  • Roya Abedi 1
  • Amireslam Bonyad 2
1 Phd Graduated studentfaculty of natural rescources
2 professor
3
چکیده [English]

Proper forest management needs quantitative and precise estimates of forest stands characteristics. Remotely sensed imageries, due to accurate and broad spatial information, has become a cost-effective tool in forest management. Classification of forest attributes and generation of thematic maps are among the common applications of remote sensing. The objective of this study was to optimize the density classification (number of trees per hectare) in forest stands using non-parametric KNN method in Pilambara, Shafarood watershed, west of Guilan province. This study showed that KNN method with k=6, as the optimum number of nearest neighbors, and Euclidian distance presented acceptable results with RMSE=228.58 (number of trees per hectare), relative RMSE=78.9% and correlation r=0.50 in mapping the stand densities in the study area. The accuracy rate and kappa coefficient of classified thematic map were 85.19% and 0.56, respectively. It is concluded that the KNN algorithm as a non-parametric method could classify the forest density properly.

کلیدواژه‌ها [English]

  • Forest
  • Guilan
  • kNN
  • Shafarood