طبقه‌بندی مشخصه‌های کمی جنگل‌های زاگرس با استفاده از داده‌های ماهواره لندست 8- OLI و الگوریتم Random Forest (بررسی موردی جنگل‌های حفاظتی مانشت)

نوع مقاله: علمی - پژوهشی

نویسندگان

1 دانشجوی دکتری جنگلداری، دانشکده منابع طبیعی، دانشگاه گیلان، صومعه‌سرا، ایران.

2 استاد، گروه جنگلداری، دانشکده منابع طبیعی، دانشگاه گیلان، صومعه‌سرا، ایران.

3 استادیار گروه فتوگرامتری و سنجش‌ازدور، دانشکده مهندسی نقشه‌برداری، دانشگاه صنعتی خواجه‌نصیرالدین طوسی، تهران، ایران.

چکیده

هدف این پژوهش بهینه­سازی الگوریتم Random Forest به­منظور طبقه­بندی مشخصه­های کمی جنگل‌های مانشت در استان ایلام است. برای ایجاد مدل بهینه در مشخصه­های سطح مقطع، تاج­پوشش و تراکم، تعداد برآورد­کننده بهینه در هر گره معادل هشت و هشت و شش، هم­چنین تعداد درخت بهینه معادل 300 و 800 و 200 به­دست آمد. بررسی نتایج حاصل از طبقه‌بندی با استفاده از معیار­های تعیین صحت نشان داد دقیق­ترین طبقه­بندی برای مشخصه تاج­پوشش (صحت کلی 83 درصد و ضریب کاپا 73/0) و سپس برای سطح مقطع (صحت کلی 78 درصد و ضریب کاپا 72/0) و تراکم (صحت کلی 69 درصد و ضریب کاپا 75/0) انجام گرفته است. بررسی اهمیت متغیرها نشان داد شاخص­های گیاهی فاصله­ای در مقایسه با شاخص­های گیاهی نسبی، در مشخصه‌های سطح مقطع و تراکم از اهمیت بالاتری برخوردارند. درمجموع می­توان اذعان داشت الگوریتم ناپارامتریک Random Forest روش به­نسبت مناسبی در برآورد مشخصه­های سطح مقطع، تاج­پوشش و تراکم جنگل­های زاگرس با تصاویر OLI لندست 8 است.

کلیدواژه‌ها


عنوان مقاله [English]

Classification of quantitative attributes of Zagros forest using Landsat 8-OLI and Random Forest algorithm (Case study: protected area of Manesht forests)

نویسندگان [English]

  • Leila Soleimannejad 1
  • Amir Eslam Bonyad 2
  • Ramin Naghdi 2
  • Hooman Latifi 3
1 Phd student of Forestry, Faculty of Natural Resources, University of Guilan, Sowmeh Sara, I. R. Iran.
2 Professor, Department of Forestry, Faculty of Natural Resources, University of Guilan, Sowmeh Sara, I. R. Iran.
3 Asistant professor, Department of Photogrammetry and Remote Sensing, School of Surveying and Geospatial Engineering, Khajeh Nasir Toosi University of Technology, Tehran, I. R. Iran.
چکیده [English]

Proper forest management needs quantitative and precise estimates of forest stands characteristics. Remotely sensed imageries, due to accurate and broad spatial information, has become a cost-effective tool in forest management. Classification of forest attributes and generation of thematic maps are among the common applications of remote sensing. The objective of this study was to optimize Random Forest algorithm for classification of quantitative attributes of Manesht forest in Ilam Province. Two parameters including mtry= 8, 8, 6 and ntree =300, 800, 200 were used as the optimum numbers to classify basal area, canopy cover and density, respectively. The results showed the more accurate classification in canopy cover (overall accuracy=83%, Kappa coefficient=0.73), basal area (overall accuracy=78%, Kappa coefficient=0.72) and density (overall accuracy=75%, Kappa coefficient=0.69), respectively. Furthermore, variable importance index indicated distance-based vegetation indices are more important for basal area and density classification. It is concluded that the Random Forest algorithm as a non-parametric method could classify basal area, canopy cover and density properly.

کلیدواژه‌ها [English]

  • Forest canopy cover
  • Zagros forest
  • Tree basal area
  • Random Forest
  • OLI sensor