ارزیابی قابلیت داده های ماهواره های لندست8 و سنتینل2 برای تهیة نقشة تیپ جنگل های هیرکانی در حوضة آبخیز کجور

سابقه و هدف: آگاهی از موقعیت مکانی تیپ‌های جنگلی، اطلاعات ارزشمندی را برای برنامه‌ریزی و مدیریت پایدار جنگل‌ها فراهم می‌کند. استفاده از فناوری سنجش از دور و سیستم اطلاعات جغرافیایی در تهیة این قبیل اطلاعات به ویژه در مناطق کوهستانی و صعب العبور، مورد توجه بسیاری از محققان و مجریان طرح‌های جنگلداری است. به همین منظور تحقیق حاضر با هدف بررسی قابلیت داده‌های ماهواره‌های لندست8 و سنتینل2 در تهیة نقشة تیپ‌ جنگل‌های هیرکانی در حوضة آبخیز کجور انجام شد. مواد و روش‌ها: پس از بررسی کیفیت داده‌ها، به منظور استخراج هر چه بهتر اطلاعات پردازش‌هایی مانند تهیة شاخص‌های گیاهی، تبدیل تسلدکپ، تحلیل مؤلفه‌های اصلی و ادغام بر روی تصاویر ماهواره‌ای صورت گرفت. به‌منظور تهیة نقشة واقعیت زمینی از اطلاعات موجود (شهریور 1392 و اردیبهشت 1393) و همچنین برداشت‌های میدانی انجام شده در شهریور 1397 (در مجموع 60 قطعه نمونه)، استفاده گردید. تعیین تیپ تمامی قطعه نمونه‌ها براساس روش گرجی‌بحری انجام شد. در ادامه پس از بررسی میزان تفکیک‌پذیری تیپ‌ها و تعیین تعداد طبقات (راش خالص، راش آمیخته، راش- ممرز، ممرز آمیخته، لور خالص و لور-اوری)، نقشه‌های تیپ جنگل با استفاده از داده‌های ماهواره‌ای و به‌کارگیری الگوریتم‌های ماشین بردار پشتیبان، جنگل تصادفی، شبکة عصبی مصنوعی و حداکثر تشابه تهیه شد. به-منظور ارزیابی دقیق‌تر عملکرد روش‌های طبقه‌بندی از دو دسته نمونة تعلیمی با تعداد پیکسل‌های متفاوت برای آموزش در الگوریتم‌های طبقه‌بندی استفاده شد. یافته‌ها: نتایج این تحقیق نشان داد که داده‌های ماهوارة سنتینل2 از قابلیت بیشتری در مقایسه با داده‌های ماهوارة لندست8 برای تهیة نقشة تیپ جنگل برخوردار هستند، به‌ویژه وقتی که تعداد تیپ‌ها زیاد باشد. از سوی دیگر یافته‌های این تحقیق نشان داد با به کارگیری روش ادغام مناسب برای داده‌های هر یک از ماهواره‌ها، می‌توان نقشة تیپ جنگل دقیق‌تری تولید کرد. ارزیابی عملکرد الگوریتم‌های مختلف طبقه‌بندی نیز نشان داد که میزان نمونه‌های تعلیمی در نتایج تأثیر دارد، به طوری که با استفاده از نمونه‌های تعلیمی کمتر، روش-های ماشین بردار پشتیبان و حداکثر تشابه در بیشتر حالت‌ها بهترین عملکرد را ارائه کردند، اما با افزایش 100 درصدی تعداد نمونه‌های تعلیمی، بهترین نتایج در تمامی حالت‌ها با استفاده از روش جنگل تصادفی حاصل گردید. نتیجه‌گیری: بر اساس یافته‌های این پژوهش و با توجه به نتایج با ثبات‌تر روش‌های ماشین بردار پشتیبان و جنگل تصادفی در حالت-های مختلف طبقه‌بندی، الگوریتم‌های مذکور برای تهیة نقشة تیپ قابلیت بالاتری نسبت به دو روش دیگر دارند. با توجه به صحت طبقه-بندی‌ها، می‌توان بیان داشت که داده‌های ماهواره‌های لندست8 و سنتینل2 از قابلیت متوسطی (صحت کلی حدود 75% در طبقه‌بندی با چهار تیپ) برای تهیة نقشة تیپ‌ جنگل‌های هیرکانی برخوردار هستند. برای ارزیابی دقیق‌تر این داده‌ها، پیشنهاد می‌شود تحقیقات تکمیلی در سایر رویشگاه‌های جنگل‌های هیرکانی ضمن در نظر گرفتن ویژگی‌های فنولوژیکی و شرایط توپوگرافی منطقه انجام شود.