طبقه بندی و برآورد مشخصه های جنگل بر روی داده های سنجش از دور با استفاده از روش knn

برآوردهای کمّی و دقیق از مشخصات توده های جنگلی، تضمینی بر مدیریت صحیح آن ها است. تصاویر سنجش از دور با توجه به اطلاعات مکانی دقیق و وسیع، همواره ابزاری مقرون به صرفه در مدیریت جنگل بوده و یکی از عمومی ترین کاربردهای تصاویر ماهواره ای در علم جنگلداری، طبقه بندی مشخصه های توده های جنگلی و تهیه نقشه های موضوعی آن ها است. در سال های اخیر روش های مختلف ترکیب داده های تصاویر سنجش از دور و داده های حاصل از اندازه گیری زمینی، با استفاده از انواع الگوریتم ها ازجمله الگوریتم های ناپارامتریک نتایج مناسبی داشته است. هدف این پژوهش طبقه بندی و برآورد مشخصه های جنگل بر روی داده های سنجش از دور با استفاده از روش ناپارامتریک knn بود. مطالعه در منطقه پیلمبرا، در حوزه آبخیز شفارود در غرب استان گیلان انجام شد. به این منظور برآورد و طبقه بندی مشخصه های حجم، سطح مقطع، تراکم (تعداد درختان در هکتار) و تیپ بر روی تصاویر ماهواره ای irs p6-lissiii و irs p5 شامل باندهای اصلی، ادغام شده و شاخص گیاهی ndvi انجام شد. نتایج بهینه سازی الگوریتم بر اساس تعداد نزدیک ترین همسایه ها (k) و معیارهای فاصله با استفاده از روش اعتبارسنجی تقاطعی و با محاسبه مقادیر حداقل rmse و حداکثر همبستگی اسپیرمن نشان داد که تعداد بهینه همسایه ها برابر با 10 ? k ? 4 بوده و فاصله اقلیدوسی با حضور در 50 درصد از برآوردها به عنوان عمومی ترین معیار فاصله در این پژوهش به دست آمد و بعد از آن به ترتیب معیارهای ماهالانوبیس و فازی قرار داشتند. ترکیب باندهای اصلی تصویر p6 با کمترین مقادیر خطا در برآورد تمام مشخصه ها، به عنوان بهترین نوع تصویر در الگوریتم knn، در مقایسه با تصویر ادغام شده و همچنین شاخص ndvi، انتخاب شد. در برآورد مشخصه ها نیز کمترین مقدار خطا برای مشخصه تیپ به دست آمد و مشخصه تراکم دارای بیشترین مقدار خطا بود. نقشه های حاصل از طبقه بندی نیز نشان داد که مشخصه تیپ دارای بیشترین مقدار صحت و ضریب کاپا بود. همچنین مقایسه صحت نقشه های حاصل از روش ناپامتریک knn با روش پارامتریک mlc نشان داد که روش knn نقشه طبقه بندی تمام مشخصه های مورد بررسی را با صحت و ضریب کاپای بیشتری تولید کرد. ماهیت ناپارامتریک روش knn این الگوریتم را به ابزاری مفید برای بررسی توده های جنگلی که معمولاً از پراکنش نرمال پیروی نمی کنند، تبدیل کرده است. ارزیابی توانایی knn در برآورد سایر متغیرهای کمّی و کیفی مختلف و یا بر روی سایر داده های سنجش از دور می تواند زمینه ساز مطالعات مختلف دیگری باشد تا نقشه های مشخصه های جنگل با اطمینان بیشتر، در مقیاس های وسیع تر و به منظور پایش جنگل ها مورد استفاده قرار گیرند.