- همه نشریات
- نشریات علمی سازمان تحقیقات، آموزش و ترویچ کشاورزی
- مجلات ترویجی سازمان تحقیقات، آموزش و ترویج کشاورزی
- سایر نشریات سازمان تحقیقات، آموزش و ترویج کشاورزی
- نشریات علمی انجمن ها
- علوم آب و خاک
- علوم اقتصاد و ترویج کشاورزی
- علوم جنگل, مرتع و آبخیزداری
- علوم دامی و شیلات
- علوم زراعی و باغی
- علوم گیاهپزشکی
- علوم مهندسی و مکانیزاسیون کشاورزی
- نشریات با زبان انگلیسی
- نشریات با زبان فارسی
- نشریات دانشگاه آزاد اسلامی
- نشریات علمی
پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 283 |
| تعداد نشریات سازمان | 81 |
| تعداد شماره‌ها | 2,729 |
| تعداد مقالات | 31,081 |
| تعداد مشاهده مقاله | 29,306,506 |
| تعداد دریافت فایل اصل مقاله | 16,357,363 |
بررسی تغییرات پوشش درختی استان گلستان به روش طبقه‌بندی شبکه عصبی مصنوعی با استفاده از داده‌های سنجنده TM و ETM+ ماهواره لندست | ||
| تحقیقات جنگل و صنوبر ایران | ||
| مقاله 15، دوره 16، شماره 3 - شماره پیاپی 33، مهر 1387، صفحه 505-495 اصل مقاله (334.9 K) | ||
| نوع مقاله: علمی- پژوهشی | ||
| نویسندگان | ||
| عبدالرسول سلمان‌ماهینی* 1؛ جهانگیر فقهی2؛ آزاده نادعلی3؛ برهان ریاضی4 | ||
| 1استادیار، دانشکدة شیلات و محیط زیست، دانشگاه علوم کشاورزی و منابع طبیعی گرگان | ||
| 2استادیار، دانشکدة منابع طبیعی، دانشگاه تهران | ||
| 3کارشناس ارشد محیط زیست، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران | ||
| 4استادیار، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران | ||
| چکیده | ||
| این تحقیق با هدف بررسی میزان تغییرات پوشش درختی در سالهای 1987 (1366) و 2001 (1380) به‌صورت مطالعه موردی در استان گلستان با مساحت 74/20437 کیلومتر مربع به‌کمک تصاویر سنجنده TMوETM+ انجام شد. برای این کار با توجه به اطلاعات و تجربه قبلی از انواع کاربری و پوشش سرزمین در این محدوده و مطالعه چشمی تصویر رنگ مجازی، پوشش درختی منطقه شناسایی شد و بر روی تصویر رنگ مجازی تعیین گردید. سپس با استفاده از 6 باند تصویر شامل باندهای 1، 2، 3، 4، 5، 7 و نمونه‌های تعلیمی خام و شبکه عصبی مصنوعی (Artificial Neural Network)، طبقه‌بندی صورت گرفت. در مرحله بعد از نقشه حاصل از طبقه‌بندی نظارت‌نشده با 100 طبقه، برای پالایش نمونه‌های تعلیمی خام استفاده گردید و طبقه‌بندی تصویر به روش یاد شده تکرار شد. سپس با استفاده از روش مقایسه پس از طبقه‌بندی (Post-Classification)، نقشه‌های حاصل از طبقه‌بندی بررسی شدند. به این طریق نتایج حاصل از بررسی تغییرات پوشش درختی منطقه با استفاده از تصاویر ماهواره‌ای بین سالهای 1987 (1366) و 2001 (1380) نشان داد که 595٢٨ هکتار از سطح پوشش درختی کاسته شده و 3٥٠٣٦ هکتار به سطح آن افزوده شده است. با توجه به بررسی صحت تصاویر طبقه‌بندی شده به دو روش جابه‌جایی تصادفی پیکسلها و همچنین استفاده از تصاویر سنجنده LISS IIIبه‌عنوان نقاط کنترل زمینی، مشخص شد که طبقه‌بندی شبکه عصبی مصنوعی دارای قابلیت زیادی برای تعیین پوشش درختی در استان گلستان می‌باشد. | ||
| کلیدواژه‌ها | ||
| طبقه‌بندی‌کننده شبکه عصبی مصنوعی؛ پالایش نمونه‌های تعلیمی؛ طبقه‌بندی نظارت‌نشده؛ جابه‌جایی تصادفی پیکسلها؛ نقاط کنترل زمینی | ||
| عنوان مقاله [English] | ||
| Tree cover change detection through Artificial Neural Network classification using Landsat TM and ETM+ images (case study: Golestan Province, Iran) | ||
| نویسندگان [English] | ||
| Abdorrasool Salman Mahini1؛ Jahangir Feghhi2؛ Azadeh Nadali3؛ Borhan Riazi4 | ||
| 1Assistant prof., University of Gorgan | ||
| 2Assistant Prof., University of Tehran | ||
| 3M.Sc., Islamic Azad University, Science and Research Branch | ||
| 4Assistant Prof., Islamic Azad University, Science and Research Branch | ||
| چکیده [English] | ||
| The aim of this research was to detect tree cover changes through Artificial Neural Network classification and post-classification comparison methods using landsat TM and ETM+ images in Golestan province, north of Iran with area of 20437.74 ha. Land uses and land covers were distinguished on the color composite image of the area and used as training sites for image classification that included all six bands of the imagery. We also used unsupervised classification to derive 100 clusters for purifying initial training sites. A post-classification comparison method was conducted on classified images of the years 1987 and 2001 and forest increase and decrease areas were identified. Accuracy assessment was implemented through test set pixels that were randomized and set aside from the training set pixels. We also used a LISS III imagery to assess the accuracy of the classification. Both methods proved the classifications and change detection in high accuracy. | ||
| کلیدواژه‌ها [English] | ||
| Artificial Neural Networks classification, training site, Unsupervised Classification, ground control point, randomization | ||
| مراجع | ||
|
- بی‌نام، ١٣٨٠. مطالعه زیستگاههای جنگلی استان گلستان. اداره کل حفاظت محیط زیست استان گلستان، 150 صفحه. - بی‌نام، ١٣٨٢. سالنامة آماری استان گلستان. انتشارات سازمان مدیریت و برنامه‌ریزی استان گلستان، 458 صفحه. - دهستانی، غ.، 1377. طبقه‌بندی تصاویر چند طیفی سنجش از دور با استفاده از شبکه عصبی. پایان‌نامه کارشناسی ارشد، دانشکدة فنی و مهندسی، دانشگاه تربیت مدرس، 130 صفحه. - رفیعیان، الف.، ١٣٨٢. بررسی تغییرات گسترده جنگلهای شمال کشور بین سالهای ٧٣ تا ٨٠ با استفاده از تصاویر سنجندةETM+ (جنگلهای بابل). پایان‌نامه کارشناسی ارشد، دانشکدة منابع طبیعی، دانشگاه تهران،150صفحه. - سلمان ماهینی، ع.، 1384. پالایش نمونه‌های تعلیمی در طبقه‌بندی نظارت شده تصاویر ماهواره‌ای: مطالعه موردی گرگان و حومه .دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گزارش چاپ نشده، ١٤ صفحه. - شتایی جویباری، ش.، ١٣٧٥ .تهیة نقشة جنگل به‌کمک تصاویر ماهواره‌ای به روش رقومی. پایان‌نامه کارشناسی ارشد، دانشگاه تهران، ٩٩ صفحه. - شیریان، ر.، ١٣٨١. تهیة نقشة پوشش گیاهی پارک ملی گلستان با استفاده از GIS و داده‌های ماهواره‌ای TM. پایان‌نامه کارشناسی ارشد رشتة مرتعداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، ٩٩ صفحه. - نشاط، ع.، ١٣٨١. تجزیه و تحلیل و ارزیابی تغییرات کاربری و پوشش زمین با استفاده از داده‌های سنجش از دور و سامانه‌های اطلاعات جغرافیایی استان گلستان. پایان‌نامه کارشناسی ارشد، رشتة سنجش از دور و GIS، دانشگاه تربیت مدرس، 170 صفحه. - یوسفی‌آذر، پ.، ١٣٨١. امکان استفاده از داده‌های ماهواره‌ای در تهیة نقشة پوشش گیاهی در منطقة فندقلو. پایان‌نامه کارشناسی ارشد رشتة جنگلداری، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات،160 صفحه. - Anonymus, 1987. http://www.glcf.com - Anonymus, 2000. http://www.pcigeomatic.com - Anonymus, 2001. http://www.glcf.com - Armston, J.D., Danaher, T.J., Gouleritch, B.M., and Byrne, M.I., 2003. Geometric correction of landsat MSS, TM, AND ETM+ imagery for mapping of woody vegetation cover and change detection in Queensland. Queensland Department of Natural Resources and Mines, Australia, 10 p. - Takeharu, K. and Shunji, M., 1991. The affection of the vegetation change on the eroded soil in south-east Asia. Asian association remote sensing, 8 p. - Starbuck, M and Tamayo, J., 2002. Vegetation change detection in Abu Dhabi Emirate, United Arab Emirates, national drilling company, ground water research program, AL AIN UAE, 1 p. | ||
|
آمار تعداد مشاهده مقاله: 545 تعداد دریافت فایل اصل مقاله: 356 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب