چکیده:
استفاده از فناوریهای نوینی همچون سنج ش از دور و سامان ه اطلاعا ت جغرافی ایی جهت مطالع ه
اکوسیستمهای گیاهی و به خصوص تهیة نقشه های زمین پوشش، مستلزم شناخت کارآیی ای ن ابزار و
نیز شناسایی بهترین روشهای کاربرد آنها میباشد. هدف از انجام این مطالعه مقایسة میزان کارآیی سه
روش رایج طبقه بندی نظارتشده دادههای ماهوارهای (روش حداقل فاصله از می انگین، روش متواز ی
السطوح و روش حداکثر احتمال) در تشخیص گروههای گیاهی منطقه حفاظت شده گلو ل و سران ی
(استان خراسان شمالی) میباشد. بدین منظور 143 نمونه تعلیمی از مناطقی که ت ا شعا ع حداقل 30
متری ترکیب همگنی از گونههای گیاهی را نشان میدادند جمعآوری و مختصات آنها بوسیله دستگاه
GPS ثبت و به محیط سامانه اطلاعات جغرافیایی منتقل شد. دادههای ماهوارهای شامل تصاویر ماهواره- های IRS LISS III و Landsat ETM+ بود که هر یک با استفاده از نرم افزار ENVI 4.2 آماده ساز ی و
(Overall Accuracy) و ضریب کاپا (Kappa Coefficient) بررسی گردید. نتایج نشان دادند که در بین
روشهای بکار برده شده، روش حداکثر احتمال بیشترین میزان دقت را در طبقهبندی هر دو گروه داده-
های ماهوارهای دارد OA=82/19 ،90/35 و (KA=0/772 ،0/878 و در مقابل روش متوا زی السطوح
نیز کمترین میزان دقت را در طبقه بندی گروههای گیاهی در منطقة مورد مطالعه داشت 58/76 ،67/09(
OA= و ..KA=0/478 ،0/593 ) این نتایج نشان میدهد که برداشت نمونههای تعلیمی کا فی از طبقات
موجود در طبیعت و بررسی میزان احتمال تعلق هر یک از پیکسلهای تصاویر ماهوارهای به این طبقات،
به خوبی میتواند در طبقه بندی گروههای گیاهی موجود در منطقه مفید واقع شود.
Usage of modern technologies such as GIS and RS in plant ecosystems studies and
especially land cover mapping is needed to recognition of these instruments efficiency
and also identification of the best methods for applying them. This study aimed to
compare the efficiency of three common supervised classification methods of satellite
data (Minimum to Distance, Parallelepiped and Maximum Likelihood) to identification
of plant groups in Goloul-via-Sarani protected area, Northern Khorasan Province, Iran.
In order to this, 143 training samples (>30m2) were collected from areas that shown a
homogenous plant species composition. These data recorded by GPS device and so
transported to a GIS database. Satellite data included Landsat ETM+, and IRS-P6 LISS
III that were prepared and analyzed by ENVI 4.2 software. Amount of efficiency for
each method was evaluated by measurement of overall accuracy (OA) and Kappa
coefficient (KC) criteria. Results showed that ML method makes the highest accuracy
for two data series (OA=90.35, 82.19 and KC=0.878, 0.772 for Landsat and IRS data
respectively). In the face, PP method showed the worst results (OA=67.09, 58.76 and
KC=0.593, 0.478). These results suggested that collection of sufficient training samples
from natural classes and surveying probability of image pixel's dependency on these
classes can be useful for classification of plant groups.