کاربرد تصاویر ماهوارهای و تکنیکهای پردازش تصاویر در استخراج و پایش کاربریهای اراضی جنگلهای ایلام
/سمیه هاشمیان
: پردیس خودگردان تبریز
، ۹۴
چاپی
کارشناسی ارشد
سنجشازدور و سیستم اطلاعات جغرافیایی گرایش آبوخاک
۱۳۹۴/۰۶/۳۱
تبریز
استفاده از فناوری سنجشازدور و بهکارگیری دادهصهای ماهوارهصای در تهیه نقشهی پوشش اراضی، موجب کاهش هزینهها، صرفهجویی در وقت، افزایش دقت و سرعت میشود .پردازش رقومی تصاویر ماهوارهای و طبقهبندی آنها، یعنی نمونهبرداری از سطح محدودی از تصویر تعمیم آن بهکل تصویر در مدت کوتاه، کمک شایانی بهصرفه جویی در زمان هزینههای پروژه خواهد کرد .در این تحقیق با استفاده از تصاویر ماهوارهای لندست سالهای ۱۹۸۸، ۱۲۰۰، ۲۰۰۷، ۲۰۱۴ و استفاده از تکنیکهای مختلف پردازش تصویر نظیر طبقهبندی و شناسایی تغییرات و همچنین شاخصهای پوشش گیاهی و آنالیز مؤلفه اصلی و نیز طبقهبندی نظارتنشده Iso Data و طبقهبندی نظارتشده حداکثر احتمال برای شناسایی تغییرات سطح کاربریهای جنگلهای ایلام استفادهشده است .برای هر یک از تصاویر طبقهبندی نظارتشده به روش حداکثر احتمال انجام شد و کاربری ارضی در ۵ کلاس آب، جنگل، مرتع، مناطق فاقد پوشش گیاهی و اراضی کشاورزی مورد مقایسه قرار گرفتند و نهایتا تصویر مربوط به سال۲۰۱۴ ،نسبت به سایر تصاویر با دقت کلی ۸۲/۹۳ و ضریب کاپای ۹/۰ دارای بیشترین دقت طبقه بندی بود
The use of remote sensing and mapping of land cover using satellite data to reduce costs,save time,increase the accuracy and speed .Digital processing of satellite image and classification of samples from a limited area of the image and extending it to the whole picture in the short term help to save time will the project cost.In this study ,using landsat satellite images from 1988,2001,2007,2014 and the use of different techniques of image processing and change detection and vegetation indices and principal component analysis and unsupervised classification and classification iso data supervised maximum likelihood to detect changes in forest landuse is Ilam.For each image supervised classification maximum likelihood method was performed in 5 class land ,water,forest, grassland bare areas and agricultural lands were compared and then the image of 2014 overal accuracy 93/82 and kappa coefficient of 0/9 was the highest classification accuracy