Plant Ecosystem Conservation

fa آشکارسازی تغییرات پوشش گیاهی با استفاده از داده‌های چندزمانه ماهواره‌ای سه دهه اخیر، به روش هوش مصنوعی (مطالعه موردی: منطقه حفاظت‌شده باشگل) vegetation change detection using multi-temporal remotly sensed data during recent three decades by artificial intelligence technique (Case study: protected area of Bashgol) تخصصي Special پژوهشي Research اطلاعات کمی و کیفی پوشش گیاهی و همچنین تغییرات آن در طول زمان به‌عنوان پایهای برای تعیین کیفیت زیستگاه و اولویت مناطق به‌منظور حفاظت و همچنین تعیین ارزش خدمات زیستبومها، مسئله فنی مدیریتی بسیار مهمی در مدیریت بهینه منابع طبیعی و توسعه پایدار، به شمار میآید. از سوی دیگر سنجش از دور به‌عنوان ابزاری کارآمد برای دستیابی به اطلاعات درست و بهروز پوشش زمین و منابع طبیعی با سرعت و دقت بالا، موردتوجه محققان است. از میان برنامههای سنجش از دوری، آشکارسازی تغییرات نقش تعیینکنندهای در بررسی تغییرات پوشش زمین و ازجمله پوشش گیاهی دارد. در این مطالعه از میان روشهای مختلف آشکارسازی تغییرات، از روش مقایسه پس از طبقهبندی به دلیل امکان دستیابی به‌دقت بهینه با اعمال یک روش طبقهبندی کارآمد و دقیق، استفاده‌شده است. به‌منظور تعیین طبقات پوشش گیاهی، با استفاده از دادههای مایحصل از نمونهبرداری میدانی، تصاویر ماهوارهای مربوط به منطقه حفاظت‌شده باشگل در زمانهای مختلف و انواع شاخصهای طیفی پوشش گیاهی منتج از آن‌ها، اقدام به مدل‌سازی پوشش گیاهی با استفاده از شبکه عصبی مصنوعی شد. مدل طبقهبندی درصد سطح تاجپوشش (با دقت کلی 3/94% و میانگین مربعات خطا 7/5% برای دادههای آزمایشی) و مدل طبقهبندی وزن خشک زیتوده زنده سرپا (با دقت کلی 6/86% و میانگین مربعات خطا 4/11% برای دادههای آزمایشی)، ساخته شد. سپس نقشههای پوشش گیاهی بر اساس این مدلهای با دقت عالی، تهیه گردید. نتایج این پژوهش توانمندی بسیار زیاد روش هوش مصنوعی در طبقهبندی دقیق پوشش گیاهی، با استفاده از تصاویر ماهوارهای با تنوع زمانی را نشان میدهد. با استفاده از نقشههای طبقهبندی پوشش گیاهی حاصل، نقشههای آشکارسازی تغییرات، با روش مقایسه پس از طبقهبندی، تهیه گردید. این نقشهها مبین تغییر پوشش گیاهی از یک طبقه به طبقه دیگر (از طبقه ... به طبقه...)، در سه دوره زمانی 2015-2000، 2000-1986 و 2015-1986 است. نتایج پژوهش، بهبود کیفی بخش وسیعی از مراتع منطقه حفاظت‌شده باشگل را بعد از حفاظت نشان میدهند. Quantitative and qualitative information of vegetation and its changes in duration of time as a basic foundation of determination of  habitat quality, priority of protected area and also determination of price of ecosystem services in order to optimum management of natural resources and sustainable development is a very important technical point. In other hand, researchers are interested in remote sensing as an efficient tool to access timely and accurate information about land coverage especially vegetation coverage. In current study post classification comparison method among different methods of change detection was used because of possibility of achieving optimum accuracy by using an efficient and accurate classification method. In order to determine vegetation classes by field-based resources and Landsat images and also, slope-based and distance-based vegetation indices derived from these images, two artificial neural networks; percentage of vegetation cover (overall accuracy 94.3% and mean square error 5.7% for test data) and dry weight of standing biomass (overall accuracy 86.6% and mean square error 11.4% for test data) were built and vegetation maps according to these qualified models were prepared. Results of this research show high capacity of the artificial intelligence technique in vegetation classification if, the average number of field-based samples and variety of images in terms of time were possible. By the vegetation classification maps made, change detection maps with pixel by pixel comparison that show change classes from class … to class … in three duration of time; 2000-2015, 1986-2000 and 1986-2015 were prepared. Accuracy of these maps is totally depended on classification accuracy and demonstrated qualitative enhancement in a wide area of case study after conservation.   تصاویر چندزمانه, مقایسه پس از طبقه بندی, شبکه عصبی مصنوعی, داده های ماهواره لندست : multi temporal images, post comparison classification, artificial neural network, Landsat images 253 274 http://pec.gonbad.ac.ir/browse.php?a_code=A-10-380-1&slc_lang=fa&sid=1 افسون رحیمی afsoon_rahimi@ymail.com 0073736236 10031947532846005006 No سازمان حفاظت محیط‌زیست، کرج Behzad Rayegani بهزاد رایگانی behzad.rayegani@gmail.com 0065631374 10031947532846005007 No سازمان حفاظت محیط‌زیست، کرج Hamid Goshtasb حمید گشتاسب meigooni1959@gmail.com 10031947532846005008 10031947532846005008 Yes سازمان حفاظت محیط‌زیست، کرج حسن خسروی hakhosravi@ut.ac.ir 10031947532846005009 10031947532846005009 No دانشگاه تهران