نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

 

چکیده

نقشه برداری زیستگاه را می توان با استفاده از تکنیک ها و انواع داده ها انجام داد. برای هر تکنیک و مجموعه داده مزایا و معایبی وجود دارد، بنابراین، هدف این پروژه بررسی قابلیت‌های فناوری حسگر ماهواره‌ای جدید و ارزیابی دقت نقشه برای انواع تکنیک‌های طبقه‌بندی تصویر بر اساس صدها سایت کار میدانی بود. منطقه مورد مطالعه جزیره Masonboro، یک منطقه توسعه نیافته در ساحلی کارولینای شمالی، ایالات متحده آمریکا بود. با استفاده از بهترین نتایج نقشه، ارزیابی تغییر زیستگاه بین سال‌های 2002 و 2010 انجام شد. حسگرهای ماهواره‌ای WorldView-2، QuickBird و IKONOS با استفاده از روش‌های نظارت نشده و نظارت‌شده با استفاده از انواع ترکیب‌های باند طیفی آزمایش شدند. تشخیص نور و محدوده (LiDAR) ارتفاع و تیز کردن داده های بافت، و فیلتر فضایی نیز مورد آزمایش قرار گرفت. در مجموع، 200 نقشه تولید شد و نتایج نشان داد که WorldView-2 به طور مداوم دقیق تر از QuickBird و IKONOS است. نقشه های نظارت شده در 80 درصد نقشه ها دقیق تر از بدون نظارت بود. شارپ کردن تصاویر به طور مداوم دقت نقشه را بهبود نمی بخشد، اما استفاده از فیلتر اکثریت به طور کلی دقت نقشه را افزایش می دهد. در طول دوره نسبتاً کوتاه هشت ساله، 20 درصد از منطقه مورد مطالعه ساحلی تغییر کرد و مرداب جزر و مدی بیشترین تغییر را تجربه کرد. طبقات زیستگاه های کوچکتر نیز به طور قابل توجهی تغییر کردند. به عنوان مثال، 84 درصد از بوته‌های مرتفع تغییرات را تجربه کردند. این نتایج ماهیت پویای زیستگاه‌های ساحلی را مستند می‌کند، استفاده از حسگر نسبتاً جدید Worldview-2 را تأیید می‌کند و ممکن است برای هدایت نقشه‌برداری زیستگاه‌های ساحلی آینده مورد استفاده قرار گیرد. شفاف کردن تصاویر به طور مداوم دقت نقشه را بهبود نمی بخشد، اما استفاده از فیلتر اکثریت به طور کلی دقت نقشه را افزایش می دهد. در طول دوره نسبتاً کوتاه هشت ساله، 20 درصد از منطقه مورد مطالعه ساحلی تغییر کرد و مرداب جزر و مدی بیشترین تغییر را تجربه کرد. طبقات زیستگاه های کوچکتر نیز به طور قابل توجهی تغییر کردند. به عنوان مثال، 84 درصد از بوته‌های مرتفع تغییرات را تجربه کردند. این نتایج ماهیت پویای زیستگاه‌های ساحلی را مستند می‌کند، استفاده از حسگر نسبتاً جدید Worldview-2 را تأیید می‌کند و ممکن است برای هدایت نقشه‌برداری زیستگاه‌های ساحلی آینده مورد استفاده قرار گیرد. شارپ کردن تصاویر به طور مداوم دقت نقشه را بهبود نمی بخشد، اما استفاده از فیلتر اکثریت به طور کلی دقت نقشه را افزایش می دهد. در طول دوره نسبتاً کوتاه هشت ساله، 20 درصد از منطقه مورد مطالعه ساحلی تغییر کرد و مرداب جزر و مدی بیشترین تغییر را تجربه کرد. طبقات زیستگاه های کوچکتر نیز به طور قابل توجهی تغییر کردند. به عنوان مثال، 84 درصد از بوته‌های مرتفع تغییرات را تجربه کردند. این نتایج ماهیت پویای زیستگاه‌های ساحلی را مستند می‌کند، استفاده از حسگر نسبتاً جدید Worldview-2 را تأیید می‌کند و ممکن است برای هدایت نقشه‌برداری زیستگاه‌های ساحلی آینده مورد استفاده قرار گیرد. طبقات زیستگاه های کوچکتر نیز به طور قابل توجهی تغییر کردند. به عنوان مثال، 84 درصد از بوته‌های مرتفع تغییرات را تجربه کردند. این نتایج ماهیت پویای زیستگاه‌های ساحلی را مستند می‌کند، استفاده از حسگر نسبتاً جدید Worldview-2 را تأیید می‌کند و ممکن است برای هدایت نقشه‌برداری زیستگاه‌های ساحلی آینده مورد استفاده قرار گیرد. طبقات زیستگاه های کوچکتر نیز به طور قابل توجهی تغییر کردند. به عنوان مثال، 84 درصد از بوته‌های مرتفع تغییرات را تجربه کردند. این نتایج ماهیت پویای زیستگاه‌های ساحلی را مستند می‌کند، استفاده از حسگر نسبتاً جدید Worldview-2 را تأیید می‌کند و ممکن است برای هدایت نقشه‌برداری زیستگاه‌های ساحلی آینده مورد استفاده قرار گیرد.
کلید واژه ها: 

طبقه بندی زیستگاه ; تغییر سواحل ؛ WorldView-2 ; LiDAR

 

 

1. مقدمه

جزایر حائل در امتداد بیشتر خط ساحلی در امتداد شرق ایالات متحده وجود دارند و زیستگاه بسیاری از گونه های گیاهی و جانوری هستند. این نواحی به دلیل تنش های باد و آب که اندازه و جهت گیری آنها را تغییر می دهد دائماً دستخوش تغییرات ژئومورفیک هستند [ 1 ، 2 ]]. این مطالعه از سنجش از دور و فناوری GIS برای ارزیابی چگونگی تغییر جزیره Masonboro، یک سایت ذخیره‌گاه تحقیقاتی ملی دهانه رودخانه (NERRS) در کارولینای شمالی، ایالات متحده آمریکا، از نظر پوشش زمین زیستگاهی طی یک دوره هشت ساله (2002 تا 2010) استفاده کرد. ). برای مطالعه تغییر زیستگاه، تصاویر ماهواره‌ای WorldView-2، QuickBird و IKONOS و داده‌های ارتفاع و بافت تشخیص نور و محدوده (LiDAR) برای نقشه‌برداری منطقه مورد مطالعه مورد آزمایش قرار گرفتند. اهداف اولیه این مطالعه تعیین دقت چندین حسگر ماهواره‌ای مختلف و روش‌های پردازش تصویر برای نقشه‌برداری از پوشش گیاهی ساحلی و ارزیابی چگونگی تغییر جزیره در طول زمان بود. نتایج ممکن است به مقامات مدیریت و سیاست گذاران کمک کند تا اقدامات حفاظتی مناسب را برای کاهش تغییرات آینده و آماده سازی برای از دست دادن زیستگاه پیش بینی شده اتخاذ کنند.

1.1. ژئومورفولوژی جزیره مانع

تقریباً هر منطقه ای از سیستم جزیره سد به طور مداوم در برابر تغییرات ژئومورفیک آسیب پذیر است و بسیاری از این مناطق بستر مناسبی را برای جذب پوشش گیاهی فراهم می کنند یا پتانسیل آن را دارند. این مناطق شامل ساحل فوق جزر و مدی، سیستم های پشته تپه ای، شوره زار، جزر و مد و جزایر لایروبی است. جزایر سد محیطی بسیار پویا هستند. فرسایش، برافزایش، تکه تکه شدن، مهاجرت جزیره، طوفان بیش از حد، و مهاجرت ورودی اشکال اولیه تغییرات ژئومورفیک هستند که بسته به شرایط آب و هوایی، اندازه و جهت جزیره، بودجه رسوب محلی و تعدادی از عوامل دیگر بر جزایر به درجات مختلفی تأثیر می‌گذارند. 1 ، 3 ]. از دست دادن پوشش گیاهی تثبیت کننده ممکن است منجر به افزایش فرسایش شود [ 4 ].
ایالات متحده دارای 405 جزیره مانع است که 24 درصد از جزایر مانع جهانی را از نظر طول کل جزیره، چه توسعه یافته و چه توسعه نیافته، نشان می دهند، و بسیاری از این جزیره ها می توانند از یک روش استاندارد، هزینه و زمان کارآمد نقشه برداری زیستگاه بهره مند شوند [ 5 ]. تغییراتی در مکان‌های ساحلی رخ می‌دهد که مستندسازی تغییر زیستگاه با وضوح بالا در طول زمان برای تعیین کمیت تکامل ژئومورفیک و برای اجرای موثرتر تلاش‌های حفاظتی مفید است.
تکامل ژئومورفولوژیکی جزیره سد ارتباط نزدیکی با پوشش گیاهی آن دارد. گونه های گیاهی تپه شنی رسوب رسوب را ترویج می کنند که سیستم های تپه ای را شکل می دهد. سیستم های تپه ای، به نوبه خود، بر تحرک رسوب، توزیع فضایی تفاوت های توپوگرافی، و بر توزیع پوشش گیاهی تأثیر می گذارد. مطالعات روی پوشش گیاهی تپه های شنی ساحلی مشخص کرده است که قرار گرفتن در معرض اسپری نمک، تحرک رسوب و رطوبت خاک عوامل اولیه موثر بر پوشش گیاهی تپه ها هستند [ 6 ]. طرح طبقه بندی زیستگاه و پوشش زمین NERRS از این عوامل، در میان سایر موارد، در توصیفات سلسله مراتبی زیستگاه خود استفاده می کند [ 7 ]. با مطالعه الگوهای فضایی پوشش گیاهی در طول زمان، ممکن است مورفودینامیک جزیره برای تلاش‌های حفاظتی آینده آسان‌تر شود.

1.2. منطقه مطالعه

جزیره Masonboro NERRS ( شکل 1 ) یک جزیره مانع توسعه نیافته به طول 13 کیلومتر و 20.4 کیلومتر مربع در جنوب شرقی کارولینای شمالی است. علیرغم محافظت در برابر تخریب قابل توجه انسانی، این جزیره به دلیل ماهیت پویای جزایر مانع در معرض تغییر دائمی است. این جزیره از بیش از 6 کیلومتر مربع باتلاق نمکی تشکیل شده است، و با این حال، اکثر تحقیقات انجام شده تا به امروز بر روی سواحل فوق جزر و مدی و مناطق تپه شنی مرتفع متمرکز شده است که بر خلاف کل NERRS به عنوان یک کل است. نمایه سایت NERRS کارولینای شمالی [ 4 ] حاوی اطلاعات مربوطه در مورد منطقه مورد مطالعه است، اما کمبود اطلاعات در مورد تغییرات مرداب در طول زمان، مانند برافزایش، فرسایش، و تکه تکه شدن را تصدیق می کند.
Ijgi 03 00297 g001 1024
شکل 1. ذخیره‌گاه ملی تحقیقات مصب رودخانه میسونبورو، منطقه‌ای توسعه‌نشده و حفاظت‌شده در سواحل ویلمینگتون، کارولینای شمالی، ایالات متحده آمریکا است.
جزایر لایروبی اسپویل از ویژگی های بارزتر و پایدارتر منطقه مورد مطالعه هستند. سپاه مهندسین ارتش ایالات متحده از دهه 1920 در حال لایروبی آبراه درون ساحلی و ورودی های مجاور آن در امتداد جنوب شرقی کارولینای شمالی بوده و رسوبات حاصل را در مناطق مجزا در امتداد پشت بسیاری از جزایر مانع، در میان مکان های دیگر، رسوب داده است [ 4 ]. این ساختارهای شاخص در منشأ انسانی هستند، اما در اکوسیستم سد پشتی گنجانده شده‌اند. آنها می توانند بستری برای بسیاری از پوشش گیاهی مرتفع منطقه فراهم کنند که می تواند در ارتفاعات مختلف با توجه به نور خورشید، مواد مغذی و نیازهای آب به این جزایر اضافه شود [ 8 ]]. مقدار رسوب و مدت زمانی که لایروبی انجام شد، بسیاری از این جزایر را به ارتفاعات قابل توجهی که اغلب از ارتفاعات طبیعی فراتر می رود، ساخته است. با وجود اهمیت اکولوژیکی، این جزایر خراب، و همچنین باتلاق های آب شور مجاور، به طور پراکنده مورد مطالعه قرار گرفته اند، اما جزء مهمی از منطقه مورد مطالعه جزیره Masonboro NERRS هستند. این جزایر خراب لایروبی در مرز خشکی جزیره ماسونبورو در امتداد آبراه درون ساحلی قرار دارند، در حالی که خلیج Onslow و اقیانوس اطلس در شرق قرار دارند. این جزیره در سال 1952 با افتتاح ورودی ساحل کارولینا از ساحل کارولینا به سمت جنوب جدا شد. ورودی Masonboro مرز شمالی را تشکیل می دهد و از سال 1981 توسط یک اسکله سنگی تثبیت شده است.
یکی از مشکلات فراگیر که تمام سایت های NERRS کارولینای شمالی (NC) را تحت تاثیر قرار می دهد گونه های مهاجم است. جزیره میسونبورو به داشتن بیچ وایتکس ( Vitex rotundifolia ) و نی معمولی ( Phragmites australis ) معروف است. مورد اول در گذشته پیدا و حذف شده است، اما انتظار می رود در آینده به مشکل مهم تری تبدیل شود. گونه دوم در چندین جزیره غنایی در کشت های تک بزرگ یافت می شود و به عنوان جایگزین گیاهان مرداب بومی با تغییر بیوشیمی خاک و کاهش استفاده از پرندگان آبزی در منطقه شناخته شده است [ 9 ]. از جمله گیاهان دیگری که نیاز به نظارت دارند، تاج خروس ساحلی ( Amaranthus pumilus ) و Dune Bluecurls ( Trichostemasp )) به ترتیب به عنوان گونه های در حال تهدید و به طور قابل توجهی نادر فهرست شده اند [ 4 ]. نظارت بر این گونه ها از طریق نقشه برداری در سطح جزیره به مقامات مدیریت کمک می کند تا فراوانی و پراکنش آنها را ارزیابی کنند و به تصمیم گیری در مورد اینکه آیا اقدامات بیشتری برای حفظ یا حذف پوشش گیاهی نیاز است یا خیر، کمک می کند [ 10 ، 11 ].

1.3. سنجش از دور ساحلی

تصمیم گیرندگان مدیریت ذخیره به داده های مکانی به روز و تجزیه و تحلیل کمی فرآیندهای جزیره مانع پویا به منظور اجرای استراتژی های حفظ و نگهداری جزایر نیاز دارند. نظارت و ارزیابی محیط های در حال تغییر را می توان با استفاده از روش های مختلفی انجام داد. بسیاری از رویکردهای سنتی، از جمله نمونه‌برداری و بررسی میدانی، نیازمند تلاش‌های زمان‌بر و پرهزینه با تیم‌های محققین است [ 12 ]. استفاده از پیشرفت‌های فناوری در داده‌ها و تکنیک‌های سنجش از دور، کارایی نقشه‌برداری را متحول کرده است، به ویژه در مکان‌های دور. در مکان‌های ساحلی و تالاب‌ها، به‌ویژه، تکنیک‌های سنجش از دور برای ارزیابی کاربری زمین‌های زیست‌محیطی، اجتماعی-اقتصادی و انسانی مفید بوده است [ 13 ، 14 ،15 ، 16 ]. بنابراین، پتانسیل ثابت شده این فناوری، سودمندی را برای بهبود مستمر در دقت، دقت و استفاده بهینه از زمان و پول دیکته می‌کند.
اگرچه نقشه‌برداری زیستگاه ساحلی با استفاده از تصاویر ماهواره‌ای موفقیت‌آمیز بوده است، مشکلات مستندی با کاهش دقت نقشه هنگام نقشه‌برداری اسپارتینا وجود دارد، زیرا تراکم گیاه کمتر می‌تواند مقدار قابل‌توجهی از خاک و آب را در معرض یک حسگر از راه دور قرار دهد [ 17 ]. امضای طیفی میکروفیتوبنتوزهای موجود در خاک ممکن است به دلیل مقادیر قابل توجهی کلروفیل، طبقه بندی را گیج کند. این می تواند منجر به تخمین بیش از حد اسپارتینا در پایین ترین مناطق مرداب شود، جایی که معمولاً اسپارتینا و مناطق خاک برهنه رخ می دهد.
ژو و همکاران [ 12 ] بر نیاز به نظارت منظم و ارزیابی تشخیص تغییر تالاب ها برای حفاظت از آنها تأکید کرد. آنها سنجش از دور این مناطق را به دلیل توانایی های سینوپتیک و تکراری حسگرهای هوایی و مداری و همچنین توسعه امیدوارکننده حسگرهای جدید با وضوح فضایی و طیفی بهبود یافته تشویق می کنند. طبقه‌بندی آن‌ها از تالاب‌های شهری در چین با استفاده از تصاویر ماهواره‌ای IKONOS به دلیل وضوح فضایی بالای ارائه‌شده توسط این حسگر (4 متر بدون تیز کردن، 1 متر تابه‌شکن) با موفقیت انجام شد.

1.4. تصاویر ماهواره ای WorldView-2

DigitalGlobe ماهواره WorldView-2 (WV-2) را در سال 2010 پرتاب کرد ( شکل 2 ). WV-2 دارای وضوح فضایی 1.84 متر، هشت باند طیفی، و توانایی تشدید تصاویر به وضوح فضایی 0.5 متر است [ 18 ]. WV-2 تصاویری با 11 بیت دامنه دینامیکی جمع آوری می کند که سپس به صورت اعداد صحیح 16 بیتی ذخیره می شوند. این وضوح رادیومتری سنسور را قادر می‌سازد تا تفاوت‌های جزئی در انرژی بازتابی یا ساطع شده را تشخیص دهد، که ممکن است برای نقشه‌برداری پوشش گیاهی ساحلی با الگوهای بازتاب طیفی مشابه ارزشمند باشد. نوارهای آبی، سبز، قرمز و نزدیک به فروسرخ-1 با نوارهای QuickBird و IKONOS قابل مقایسه هستند، اما چهار نوار جدید منحصر به فرد هستند و به طور بالقوه برای نقشه برداری زیستگاه های ساحلی مفید هستند ( جدول 1 ).
Ijgi 03 00297 g002 1024
شکل 2. تصاویر رنگی طبیعی و بافت LiDAR و ارتفاع برای یک منطقه انتخابی از جزیره Masonboro، NC، ایالات متحده.

1.5. QuickBird و تصاویر ماهواره ای IKONOS

DigitalGlobe سنسور ماهواره‌ای QuickBird (QB) را در اکتبر 2001 به عنوان اولین ماهواره تصویربرداری تجاری با وضوح فضایی بالا پرتاب کرد. بیش از یک دهه است که با چهار باند چند طیفی با وضوح فضایی 2.4 متر و یک نوار پانکروماتیک در 0.65 متر از زمین تصویربرداری کرده است. QB به دلیل وضوح فضایی بالا و سودمندی اثبات شده در نقشه برداری پوشش گیاهی، از جمله طبقه بندی ساحلی و تالاب [ 10 ، 17 ، 19 ، 20 ، 21 ، 22 ] برای این مطالعه انتخاب شد. با این حال، QB فاقد وضوح طیفی کافی برای نقشه‌برداری از پوشش گیاهی باتلاقی خاص گونه‌ها است، اما در مناطقی که توسط فعالیت‌های انسانی تغییر نمی‌یابند مفید است [ 17 ].
Space Imaging (که اکنون متعلق به GeoEye است) ماهواره IKONOS (IK) را در سپتامبر 1999 پرتاب کرد [ 23 ]. IK دارای چهار باند چند طیفی مشابه QB در یک محدوده است، اما محدوده باندهای جداگانه متفاوت است ( جدول 1 را ببینید ). IK دارای وضوح فضایی چند طیفی 4 متر است، اما ممکن است تا 1 متر تیز شود. IK و QB برای طبقه بندی پنج گونه از پوشش گیاهی شوره زار، و همچنین خاک و آب در اطراف تالاب ونیز، ایتالیا استفاده شده است [ 14 ]. طبقه بندی های بدون نظارت و نظارت بر روی هر تصویر اجرا شد، که سپس از نظر دقت با استفاده از درجا ارزیابی شد.نقاط کنترل زمین هر دو IK و QB به طور کلی بسیار دقیق بودند (به ترتیب 97.2٪ و 96.6٪)، و تکنیک طبقه بندی حداکثر احتمال نظارت شده بهتر از بدون نظارت (تست شده با استفاده از ارزیابی دقت K-means) انجام شد. وضوح فضایی بالا برای نقشه‌برداری از توزیع‌های گیاهی بسیار ناهمگن ضروری است زیرا تعداد پیکسل‌های مرجع مورد استفاده در آموزش طبقه‌بندی کننده را افزایش می‌دهد و ناهمگنی درون پیکسلی را کاهش می‌دهد، بنابراین، تفکیک‌پذیری طیفی آنها را افزایش می‌دهد [ 12 ، 17 ].
جدول
جدول 1. مشخصات هر سنسور ماهواره ای استفاده شده و شرایط جزر و مدی مربوطه.

1.6. داده های تشخیص نور و محدوده (LiDAR).

توپوگرافی یک پارامتر کلیدی است که بر بسیاری از فرآیندهای دخیل در تغییرات ساحلی تأثیر می گذارد. بنابراین، داده های به روز ارتفاع با وضوح بالا برای مدل سازی دقیق محیط ساحلی مفید هستند [ 10 ]. نقشه برداری لیزری هوابرد نوعی سنجش از دور است که به نام LiDAR شناخته می شود، که داده های ارتفاعی سطوح پوشش زمین را با دقت عمودی بالا ( به عنوان مثال ، سطح دسی متر) جمع آوری می کند. بازگشت‌های چندگانه ایجاد مدل‌های ارتفاعی دیجیتال از بررسی‌های لیزری با استفاده از ارتفاع زمین برهنه را امکان‌پذیر می‌سازد و امکان بازسازی ارتفاعات سایبان با استفاده از بازگشت‌های اولیه وجود دارد. LiDAR هوابرد به دلیل توانایی بررسی سریع مناطق طولانی خطوط ساحلی در نقشه برداری از زمین های ساحلی مفید بوده است [ 24 , 25 , 26]. براک و همکاران [ 16 ] به طور کامل اصول اساسی پشت بررسی های توپوگرافی ساحلی LiDAR که توسط پروژه نقشه برداری ساحلی ترکیبی ناسا، USGS و NOAA “48 پایین تر” انجام شده است را تشریح کنید.
نشان داده شده است که استفاده از داده های LiDAR ادغام شده با تصاویر ماهواره ای باعث افزایش دقت طبقه بندی پوشش زمین و کاهش خطاهای حذف (درصد پیکسل های طبقه بندی نادرست) می شود [ 26 ]. طبقه بندی اشتباه یک مشکل رایج در تصاویر ماهواره ای چند طیفی است، به ویژه بین زیستگاه های مشابه طیفی مانند آب و مرداب های نوظهور، بنابراین ترکیب ارتفاع ممکن است برای تمایز بین زیستگاه ها و افزایش دقت طبقه بندی مفید باشد. لی و شان [ 25 ] چند طیفی IK را با داده های ارتفاعی LiDAR برای طبقه بندی پوشش زمین ساحلی در کمپ لژون، کارولینای شمالی، ایالات متحده آمیختند. طبقه‌بندی‌های نظارت‌شده و بدون نظارت هم در تصویر IK به تنهایی و هم در تصویر ترکیب‌شده با LiDAR استفاده شد. استفاده از کلاس های معمولی ساحلی ( به عنوان مثال، مرداب، جنگل، ماسه)، دقت تصاویر ترکیب شده با LIDAR بیشتر از تصویر IK به تنهایی بود. خطای حذف کلاس مارش با تصویر ترکیب شده با LIDAR 7 درصد کاهش یافت و خطای کمیسیون 0 درصد بود، به این معنی که هیچ پیکسل غیر مارش به اشتباه در کلاس مارش گنجانده نشد.
LiDAR همچنین می تواند برای استخراج بافت سطح زمین استفاده شود. در سنجش از دور، بافت به تغییرات فضایی در روشنایی تصاویر دیجیتال اشاره دارد [ 27 ]. روشنایی تصاویر LiDAR متفاوت است زیرا سطوح صاف (مانند شن) نسبت به سطوح ناهموار (مثلاً مرداب)، که تمایل به پخش نور بیشتری دارند، تمایل دارند نور بیشتری را به حسگر منعکس کنند. لو و همکاران مطالعه [ 28 ] نشان داد که ادغام تصاویر ماهواره ای با داده های بافت می تواند دقت طبقه بندی را بهبود بخشد.

1.7. اهمیت و اهداف پروژه

تجزیه و تحلیل سنجش از دور اکوسیستم های جزیره مانع با استفاده از ترکیبی از WV-2، QB، IK، و LiDAR و انواع تکنیک های طبقه بندی اطلاعات جدیدی را ارائه می دهد که برای نقشه برداری زیستگاه های ساحلی آینده مفید است. فرضیه های زیر مورد آزمون قرار گرفتند:

  • سنسور جدید WV-2 در مقایسه با QB و IK نقشه های دقیق تری تولید می کند.
  • طبقه بندی نظارت شده نقشه های دقیق تری را در مقایسه با بدون نظارت تولید می کند.
  • داده های ارتفاع و بافت LiDAR دقت نقشه را افزایش می دهد.
نتایج این مطالعه نقشه زیستگاه جزیره NC NERRS Masonboro را به‌روزرسانی می‌کند و با شناسایی مناطق آسیب‌پذیر این اکوسیستم به سرعت در حال تغییر، برنامه‌ای برای تغییرات زیستگاهی آینده به مقامات مدیریت ارائه می‌کند [ 29 ]. الگوهای غالب تغییر زیستگاه که در این منطقه ساحلی رخ می دهد، می تواند قابل اجرا و مقایسه با جزایر مانع مشابه در جاهای دیگر باشد.
دو مؤلفه مهم در مدیریت ساحلی امروزه، اطلاع رسانی عمومی و پیش بینی اثرات بالقوه ناشی از تغییرات آب و هوایی است. در حالی که مطمئناً مهم است که نتایج تحقیقات مستقیماً به دست سیاست‌گذاران و مقامات مدیریتی برود، آگاهی عمومی برای حفظ پایداری طولانی‌مدت سواحل ضروری است و دسترسی به مردم با داده‌ها و نتایجی که به راحتی قابل دسترسی است می‌تواند بسیار مفید باشد. بنابراین، داده ها و نتایج این مطالعه از طریق یک وب سایت نقشه برداری ( www.uncw.edu\gis ) از طریق یک سرور نقشه واقع در دانشگاه کارولینای شمالی ویلمینگتون در دسترس قرار گرفته است.

2. روش شناسی

اکثریت این مطالعه شامل محاسبه انواع تکنیک های طبقه بندی تصویر بود. بنابراین، روش برای این مطالعه شامل: (1) جمع آوری تصاویر ماهواره ای و داده های LiDAR. (2) محاسبه نقشه های پوشش زمین. (3) محاسبه ارزیابی دقت. و (4) محاسبه تغییر پوشش زمین.

2.1. پیش پردازش

سه نوع تصویر WV-2، QB و IK دارای ویژگی های فضایی، طیفی و رادیومتری متفاوتی بودند ( جدول 1 را ببینید.). تصاویر IK به‌عنوان یک تصویر 8 بیتی تیز شده و تنها با نوارهای قابل مشاهده (بدون باند مادون قرمز نزدیک) سفارش داده شد. هر دو WV-2 و QB دارای باندهای چند طیفی و همچنین یک باند پانکروماتیک بودند که این تصاویر را قادر می‌سازد تا شفاف شوند و بازتاب را در رادیومتریک 11 بیتی بالاتر (به عنوان 16 بیت ذخیره شده در WV-2) جمع‌آوری کنند. وضوح. تصویر IK برای مقایسه با دو تصویر دیگر با وضوح بالاتر مفید بود. همانطور که در مورد بسیاری از پروژه های سنجش از دور وجود دارد، یک تصویر واحد به ندرت کل منطقه مورد مطالعه را پوشش می دهد. بنابراین، دو تصویر WV-2 و دو تصویر IK برای پوشش منطقه مورد مطالعه وجود داشت. منطقه مورد مطالعه جزیره NERRS Masonboro از تصاویر بریده شد.
ENVI چندین روش برای تشدید تصاویر چند طیفی ارائه می دهد. سه روش رایج برای تعیین دقیق ترین روش برای این منطقه مورد مطالعه آزمایش شدند: گرم-اشمیت، شارپ طیفی نرمال شده رنگ، و اجزای اصلی. سپس هر تصویر پان-شارپن شده طبقه بندی شد و روش اجزای اصلی بیشترین دقت را به دست آورد. برای تجزیه و تحلیل چند زمانی، مقادیر پیکسل نسبی کالیبره نشده، یا اعداد دیجیتال، هر باند طیفی باید برای اثرات جوی تصحیح شود و به بازتاب طیفی تبدیل شود [ 30 ]. ابزار تصحیح جوی سریع (QUAC) ENVI برای تصحیح تمام تصاویر ماهواره ای برای تداخل جوی استفاده شد.
داده‌های LiDAR از سپاه مهندسین ارتش (ACOE) در قالب LAS برای سال‌های 2005 (تاریخ جمع‌آوری: 24 و 26 سپتامبر) و 2010 (تاریخ جمع‌آوری: 30 می) با وضوح فضایی افقی 1 متر و دقت عمودی 0.15 متر به‌دست آمد. متأسفانه، داده ها کل منطقه مورد مطالعه Masonboro NERRS را پوشش ندادند. تقریباً 500 متر از سطح ساحل به سمت خشکی گسترش یافته است که تقریباً نیمی از منطقه مورد مطالعه را شامل نمی شود. داده‌های ارتفاع و بافت LiDAR با تصاویر ماهواره‌ای برای طبقه‌بندی تصویر بعدی ادغام شدند. وضوح خروجی برای هر پشته لایه روی درشت‌ترین وضوح فضایی داده‌های ورودی تنظیم شد، که به این معنی است که داده‌ها به وضوح فضایی بالاتر از زمانی که جمع‌آوری شده بودند، نمونه‌گیری مجدد نشدند.

2.2. طرح طبقه بندی نقشه برداری زیستگاه

Masonboro NERRS یک طرح طبقه‌بندی زیستگاه بررسی شده را توسعه داده است که برای نقشه‌برداری محصولات اعمال شده است، مفید و مؤثر بوده و بنابراین برای این پروژه استفاده شده است [ 7 ]. NERRS در سال 2005 نیاز به یک طرح طبقه‌بندی استاندارد شده زیستگاه را تشخیص داد و یک گروه کاری فنی برای تحقیق، شناسایی و توصیه یک طرح طبقه‌بندی موجود برای ارزیابی محلی، منطقه‌ای و ملی و تحلیل‌های تغییر ایجاد کرد. گروه کاری تعدادی از روش‌های موجود را برای نقشه‌برداری زیستگاه‌های ساحلی پیدا کرد، اما هیچ کدام محدوده و وضوح کافی را ارائه نکردند. به جای ایجاد یک طرح طبقه بندی جدید، آنها تصمیم گرفتند که طرحی را از سیستم موجودی فهرست تالاب ملی خدمات ماهی و حیات وحش ایالات متحده بسازند [ 7 ]].

2.3. تکنیک های طبقه بندی تصاویر ماهواره ای

تکنیک‌های طبقه‌بندی تصویر بدون نظارت و نظارت بر روی سه نوع تصویر با چندین ترکیب باند، ارتفاع و بافت انجام شد. طبقه بندی بدون نظارت تکنیکی است که اغلب در مواقعی که دسترسی محدود یا بدون دسترسی به یک منطقه مورد مطالعه وجود دارد استفاده می شود. بنابراین، این تکنیک قبل از انجام کار میدانی به منظور به حداقل رساندن هرگونه سوگیری احتمالی در نتایج طبقه‌بندی انجام شد. ابتدا یک ماسک برای حذف آب آزاد از هر تصویر ایجاد شد. سپس، ابزار طبقه بندی بدون نظارت ISODATA ENVI بر روی هر تصویر انجام شد. این نرم افزار از الگوریتم هایی استفاده می کند که پیکسل ها را به تعداد مشخصی از کلاس ها بر اساس خوشه های طبیعی موجود در تصویر گروه بندی می کند و سپس تحلیلگر تصویر کلاس زیستگاه را برای هر یک از طبقات طیفی تعریف می کند [ 31 ].]. برای این پروژه، 30 کلاس در طول فرآیند ISODATA شناسایی شد تا 15 کلاس ترسیم شده توسط NC NERRS در سال 2004 [ 4 ] مشخص شود. سپس این تصاویر به صورت بصری با عکس‌برداری از همان سال مقایسه شدند تا 30 کلاس طیفی در یک تصویر طبقه‌بندی شده نهایی با 8 کلاس که توسط تحلیلگر بر اساس طرح طبقه‌بندی NERRS قابل شناسایی بودند، ادغام شوند. بعداً این 8 کلاس در همان 6 کلاس مورد استفاده در طبقه بندی نظارت شده ترکیب شدند.
طبقه بندی نظارت شده با حداکثر احتمال انجام شد زیرا این تکنیک در نقشه برداری پوشش گیاهی مفید بوده است [ 32 ، 33 ] و پرکاربردترین روش طبقه بندی نظارت شده [ 17 ] است. این تکنیک واریانس و کوواریانس (معیار رابطه بین مقادیر روشنایی در یک باند در مقابل باند دیگر) را بین کلاس‌های آموزشی ارزیابی می‌کند و یک پیکسل را به یک کلاس بر اساس احتمال آماری یک پیکسل عضو یک کلاس تعیین می‌کند.
کار میدانی برای جمع‌آوری نقاط مرجع زمینی (GRP) برای استفاده در طبقه‌بندی تصویر تحت نظارت و همچنین برای انجام ارزیابی دقت طبقه‌بندی ضروری بود. به منظور تعیین فاصله صحیح برای جمع‌آوری مکان‌های مزرعه، یک جلسه کار میدانی مقدماتی برای آزمایش مکان‌ها برای خود همبستگی فضایی انجام شد. خودهمبستگی فضایی میزان شباهت بین مشاهدات در یک مجموعه داده را نشان می دهد. در مطالعات پوشش زمین، در نظر گرفتن فعل و انفعالات فضایی در GRP ها برای حذف سوگیری در طبقه بندی های نظارت شده مهم است. علاوه بر این، حذف خودهمبستگی فضایی به این معنی است که GRP های مورد استفاده در ارزیابی دقت مستقل هستند و مفروضات روش های طبقه بندی برآورده می شوند.
کار میدانی با استفاده از یک واحد جی‌پی‌اس واقعی کینماتیک (RTK) (گیرنده Trimble 5800 با دقت افقی و عمودی به ترتیب 10 میلی‌متر و 20 میلی‌متر) انجام شد و نقاط در امتداد 6 ترانسکت انتخاب شده به‌طور تصادفی با فاصله 10 متر از هم و عمود بر هم جمع‌آوری شدند. از ساحل تا سد پشت. طبقات زیستگاهی در هر نقطه در مجموع 167 نقطه شناسایی شد. این داده ها برای همبستگی مکانی با استفاده از تابع acf در R [ 34 ] مورد آزمایش قرار گرفتند و نتایج نشان داد که زیستگاه ها در فاصله نمونه برداری 20 متری از نظر مکانی همبستگی خودکار ندارند. بنابراین، مرحله بعدی کار میدانی طراحی شد که هر سایت حداقل 20 متر از یکدیگر فاصله داشت.
ترانسکت ها عمود بر خط ساحلی با استفاده از ابزار DSAS ( http://woodshole.er.usgs.gov/project-pages/DSAS/ ) در ArcMap ایجاد شدند و هر ترانسکت در فاصله 50 متری از هم قرار گرفت. 35 ترانسکت به طور تصادفی انتخاب شدند، هر ترانسکت به قطعات خطی به طول 20 متر تقسیم شد و سپس به نقطه تبدیل شد. تمام نقاطی که در آب قرار داشتند، زیر میانگین جزر و مد پایین، حذف شدند. کار میدانی از فوریه 2012 تا ژوئن 2012 انجام شد، که در آن هر ترانسکت بررسی شد، مکان های GPS (افقی و عمودی) ثبت شد، یک عکس گرفته شد، و کلاس زیستگاه و یادداشت های تکمیلی ثبت شد ( شکل 3)). در مجموع، 659 نقطه جمع‌آوری شد و 9 مورد از این نقاط در عکس‌برداری 2002 در آب قرار گرفتند، بنابراین برای تجزیه و تحلیل طبقه‌بندی نظارت شده حذف شدند ( جدول 2 ). GRP ها به طور تصادفی به دو شکل فایل جدید برای ایجاد مجموعه ای از سایت های آموزشی و مجموعه ای از نقاط ارزیابی دقت تقسیم شدند. سپس نقاط محل آموزش در ENVI برای طبقه‌بندی‌های حداکثر احتمال نظارت شده استفاده شد.
Ijgi 03 00297 g003 1024
شکل 3. منطقه مطالعاتی سیستم ذخیره‌گاه تحقیقاتی مصب ملی ماسونبورو با نقاط مرجع زمینی در امتداد 35 ترانسکت به‌طور تصادفی انتخاب شده در فاصله 50 متری از هم.
جدول
جدول 2. طرح طبقه بندی زیستگاه و تعداد نقاط مرجع زمینی (اقتباس از [ 4 ]).

2.4. ارزیابی دقت

ارزیابی دقت برای تجزیه و تحلیل طبقه‌بندی سنجش از راه دور صدا اجباری است زیرا نشان می‌دهد که چگونه پیکسل‌ها به طور مؤثر در کلاس‌های صحیح گروه‌بندی شده‌اند با اعتبارسنجی آنها با داده‌های واقعی [ 35 ]]. GRP های جغرافیایی مرجع با نقشه طبقه بندی برای ایجاد یک ماتریس سردرگمی استفاده می شوند که تعداد و درصد نقاط به طور صحیح و نادرست طبقه بندی شده برای هر کلاس، خطاهای حذف و کمیسیون، دقت کلی و ضریب کاپا را خلاصه می کند. دقت کاربر (که به عنوان خطای کمیسیون نیز شناخته می‌شود) به تعداد یا درصد امتیازهای موجود در یک کلاس اشاره دارد که نباید می‌بود. دقت تولید کننده (یا خطای حذف) به نکاتی اشاره دارد که باید در یک کلاس گنجانده می شد، اما نبود. این آمار دقت در تعیین میزان طبقه بندی صحیح هر کلاس مفید است، در حالی که دقت کلی به درصد پیکسل هایی که به درستی برای تصویر طبقه بندی شده اند، اشاره دارد. ضریب کاپا دقت کلی و صحت کلاس فردی را به عنوان وسیله ای برای ارزیابی توافق واقعی بین طبقه بندی و مشاهده زمینی در نظر می گیرد و بین 0 و 1 قرار دارد که 0 نشان دهنده توافق فقط به دلیل شانس و 1 نشان دهنده توافق کامل بین حقیقت پایه و طبقه بندی شده است. تصویر آمار کاپا به طور سنتی به عنوان یک معیار آماری پیچیده‌تر برای توافق طبقه‌بندی‌کننده استفاده می‌شود و ممکن است ارزیابی بین طبقاتی بهتری نسبت به دقت کلی ارائه دهد، اما در مورد اندازه‌گیری واقعی دقت نقشه نیز بحث‌های زیادی وجود داشته است.35 ، 36 ]. از آنجایی که تشخیص تغییر تصاویر طبقه بندی شده را مقایسه می کند، مهم است که دقت را آزمایش کنیم، و بنابراین، به دقت طبقه بندی تصاویر جداگانه بستگی دارد [ 9 ].
ماتریس های سردرگمی برای هر یک از تصاویر طبقه بندی شده ایجاد شد. به منظور آزمایش اینکه آیا ناهمگنی تصاویر طبقه بندی شده ممکن است بر دقت تأثیر بگذارد، یک فیلتر اکثریت 3×3 برای هر تصویر طبقه بندی شده اعمال شد. این رویکرد سلول های جدا شده را با کلاسی که مربوط به اکثر سلول های درون یک ماتریس 3×3 است جایگزین می کند. سپس هر تصویر طبقه بندی شده فیلتر شده برای صحت آزمایش شد.
تمام تصاویر بدون نظارت و نظارت، همه ترکیب‌های باند و سه نوع تصویر از نظر دقت ارزیابی شدند. از آزمون ناپارامتری مک نمار برای مقایسه نقشه های طبقه بندی استفاده شد، زیرا نشان داده شده است که این تکنیک ساده و در عین حال قوی است [ 36 ، 37 ]. آزمون مک نمار شبیه به آزمون مجذور کای است که در آن تعداد پیکسل‌های طبقه‌بندی نادرست (بر اساس نقاط مرجع زمین) بین دو نقشه طبقه‌بندی مقایسه می‌شوند. تحقیقات نشان داده است که آزمون مک نمار نسبت به آماره کاپا که معمولاً مورد استفاده قرار می گیرد، شاخص بهتری برای دقت نقشه است [ 36 ]. Rozenstein و Karnieli [ 36 ] نیز آزمون مک نمار را با استفاده از این معادله ترجیح می دهند:

Ijgi 03 00297 i001

که در آن b و c قطرهای خارج هستند، به این معنی که این تعداد پیکسل‌هایی است که در یک نقشه طبقه‌بندی نشده‌اند در مقایسه با طبقه‌بندی صحیح در نقشه دیگر.

2.5. تشخیص تغییر زیستگاه

تجزیه و تحلیل تشخیص تغییر برای شناسایی مکان هایی که طبقات زیستگاه در طول زمان تغییر کرده اند مفید است. نتایج مقدار و نرخ تغییر، توزیع فضایی تغییرات و مسیرهای بالقوه تغییر را می‌توان محاسبه کرد [ 38 ]. تشخیص تغییر پس از طبقه‌بندی، نقشه‌های موضوعی چند زمانی طبقه‌بندی‌شده را سلول به سلول مقایسه می‌کند. ابزار ArcMap برای جدول بندی تغییرات در بهترین نقشه های NERRS و جزیره Masonboro در سال های 2002 و 2010 استفاده شد. برای مقایسه تاریخ‌ها، نقشه‌ها زمانی که دو نقشه با وضوح‌های مکانی متفاوت بودند، به نقشه درشت‌تر نمونه‌برداری شدند. روش مرسوم ارزیابی تغییر با استفاده از ماتریس تشخیص یا طبقه‌بندی تغییر به طور گسترده استفاده می‌شود، اما تخمینی از احتمال اینکه نتایج مشاهده‌شده می‌توانستند به‌طور تصادفی به دست آمده باشند را ارائه نمی‌کند ( یعنی، اهمیت آماری). بنابراین پونتیوس و همکاران. [ 39 ] روش‌هایی را برای گسترش ماتریس طبقه‌بندی به تغییرات مهم یا بیشتر از حد انتظار توسعه دادند.

3. نتایج

3.1. منطقه مطالعاتی Masonboro NERRS

در مجموع 44 نقشه طبقه بندی برای منطقه مورد مطالعه بزرگتر NERRS و 124 نقشه فقط برای منطقه جزیره Masonboro (شامل تحلیل ارتفاع و بافت LiDAR) تولید شد. همه نقشه‌ها از نظر دقت طبقه‌بندی با استفاده از نیمی از GRP‌هایی که برای هر طبقه زیستگاه جمع‌آوری شده بود، ارزیابی شدند. در مقایسه تصاویر WV-2، QB، و IK دقیق ترین حسگر WV-2 بود که بر اساس دقت کلی و ضرایب کاپا بود ( جدول 3 ). تصاویر IK بدلیل تیرگی در تصاویر، پایین‌ترین وضوح فضایی واضح و فقدان باند مادون قرمز نزدیک، ضعیف‌ترین عملکرد را داشتند. باندهای طیفی جدید WV-2 نتایج متفاوتی داشتند، اما به طور کلی نتایج را بهبود بخشیدند. اکثر طبقه بندی های نظارت شده دقیق تر از طبقه بندی های بدون نظارت مربوطه بودند ( شکل 4). پان-شارپنینگ دقت نقشه را تنها در 40 درصد از نقشه ها بهبود بخشید ( شکل 5 ) در حالی که صاف کردن تصاویر طبقه بندی شده با استفاده از فیلتر اکثریت 3 × 3 دقت طبقه بندی را در تقریباً همه نقشه ها (77 درصد) بهبود بخشید ( شکل 6 ).
جدول
جدول 3. ارزیابی دقت (در درصد صحیح) و ضرایب کاپا برای طبقه بندی های بدون نظارت و نظارت *.
Ijgi 03 00297 g004 1024
شکل 4. نقشه های طبقه بندی نظارت شده و بدون نظارت برای یک جزیره خراب نمونه. در سمت چپ WV-2 تحت نظارت، بدون تیز، 8 باند، اکثر فیلتر شده (72.56٪ دقیق) و در سمت راست WV-2 بدون نظارت، بدون تیز، 8 باند، اکثر فیلتر شده (64.01٪ دقیق).
Ijgi 03 00297 g005 1024
شکل 5. نقشه های پان تیز و بدون تیز برای بخشی از منطقه ساحل شمالی. در سمت چپ WV-2 تحت نظارت، 8 باند، اکثریت فیلتر شده، بدون شارپ با وضوح فضایی 1.8 متر (72.56٪ دقت) و در سمت راست همان پردازش تصویر با شفاف کردن پانل در وضوح فضایی 0.5 متر (65.85٪ دقیق) است. ).
Ijgi 03 00297 g006 1024
شکل 6. نقشه های بدون فیلتر و فیلتر شده با فیلتر اکثریت 3 × 3 برای یک منطقه مانع پشتی نمونه. در سمت چپ WV-2 نظارت شده، بدون فیلتر، بدون تیز، 8 باند (66.77٪ دقیق) و در سمت راست همان طبقه بندی با فیلتر اکثریت (72.56٪ دقیق) است.
آمار مک نمار برای هر یک از نتایج طبقه بندی با بالاترین دقت محاسبه شد تا مشخص شود کدام نقشه ها منطقه مورد مطالعه را به بهترین شکل نشان می دهند. برای WV-2، سه بهترین طبقه بندی (همه تحت نظارت) مقایسه شدند و تنها یک ترکیب تفاوت معنی داری را نشان داد. بالاترین دقت نقشه WV-2 با استفاده از هر 8 باند (72.56٪) بود، اما تفاوت معنی داری (در سطح 95٪) با نقشه NIR/G/B (در 71.34٪) و یا لبه قرمز/ نداشت. نقشه زرد/آبی ساحلی (در 71.95%). با این حال، نقشه همه 8 به طور قابل توجهی GRP های طبقه بندی نادرست نادرست در 25 در مقابل نقشه لبه قرمز/زرد/آبی ساحلی در 42 GRP نادرست و NIR/G/B در 35 GRP نادرست داشت. بنابراین نقشه all-8 به عنوان بهترین نقشه برای نمایش تاریخ 2010 انتخاب شد.
در مقابل، همه مقایسه‌های نقشه QB با اطمینان 95 درصد به طور قابل‌توجهی متفاوت بودند. از این میان، 4 باند، نقشه نظارت شده، بدون تیز، اکثر فیلتر شده (با دقت 61.8٪) کمترین GRP های نادرست را داشتند. بنابراین، به عنوان نقشه ای انتخاب شد که به بهترین شکل منطقه مورد مطالعه NERRS را در سال 2002 نشان داد.

3.2. منطقه مطالعاتی جزیره ماسونبورو

با توجه به اینکه داده های LiDAR فقط برای جزیره Masonboro در دسترس بود، این طبقه بندی تصاویر با استفاده از GRP هایی که در جزیره قرار داشتند ارزیابی شدند ( جدول 4 ). به طور مشابه در کل منطقه NERRS، تکنیک نظارت شده نتایج دقیق تری را در مقایسه با نقشه های طبقه بندی بدون نظارت ایجاد کرد. بهترین نتیجه تصویر 8 باندی تحت نظارت، بدون تیز، اکثریت فیلتر شده WV-2 بود (80.39٪، 0.7417 Kappa). دقیق ترین حسگر برای جزیره Masonboro WV-2 بود ( شکل 7 ) و QB نتایج دقت بالاتری در مقایسه با IK داشت.
پان شارپنینگ دقت طبقه بندی را تنها در 46 درصد از نقشه های WV-2 و 58 درصد از نقشه های QB بهبود بخشید. این نتایج در مقایسه با کل منطقه مورد مطالعه NERRS بهتر است، که به دلیل افزودن داده های LiDAR است. ترکیب LiDAR و باندهای طیفی جدید WV-2 منجر به نتایج بهتری در هنگام شارپ کردن تصاویر شد. صاف کردن طبقه بندی جزیره میسونبورو با استفاده از فیلتر اکثریت 3 × 3 نیز دقت کلی را بهبود بخشید. افزودن داده های ارتفاع و بافت LiDAR گاهی اوقات دقت طبقه بندی کلی را بهبود می بخشد، اما نه در همه موارد. به عنوان مثال، با WV-2، به وضوح تکنیک بهتر نظارت شد، و افزودن ارتفاع، دقت را در 75٪ از نقشه ها بهبود بخشید. با این حال، زمانی که نقشه‌هایی که شامل داده‌های ارتفاعی بودند اکثراً فیلتر شدند، نتایج تنها با نیمی از بهبود با داده‌های ارتفاع مخلوط می‌شوند. نکته مهم این است که نقشه بالاترین دقت (در 80.39٪) از داده های LiDAR استفاده نمی کند.
داده های بافت به وضوح نتایج را بهبود نمی بخشد و در واقع نتایج بدتری با همه نقشه ها داشت. جالب اینجاست که داده های ارتفاعی دقت را با تصاویر IK بهبود می بخشد. با توجه به عملکرد ضعیف کلی تصاویر IK، تسلی کوچکی است که داده های ارتفاع به نتایج کمک کردند. بنابراین، از این نتایج واضح است که داده های LiDAR به طور قابل توجهی یا به طور مداوم دقت نقشه ها را بهبود نمی بخشد. با این حال، ارزش بررسی بیشتر را دارد زیرا دقت طبقه بندی تصاویر WV-2 را بهبود بخشید.
جدول
جدول 4. ارزیابی دقت (در درصد صحیح) و ضرایب کاپا برای طبقه بندی های بدون نظارت و نظارت برای بخش جزیره ماسونبورو از منطقه مورد مطالعه NERRS.
آمار مک نمار برای هر یک از نتایج طبقه‌بندی با بالاترین دقت محاسبه شد تا مشخص شود کدام نقشه‌ها منطقه مورد مطالعه Masonboro را از سال 2010 (WV-2) و 2002 (QB) به بهترین شکل نشان می‌دهند. برای WV-2، دقیق ترین نقشه (نظارت شده، بدون تیز، اکثریت فیلتر، 8 باند، 80.39٪) با شش نقشه دیگر مقایسه شد و هیچ یک از آنها در سطح اطمینان 95٪ تفاوت معنی داری نداشتند. با توجه به اینکه تفاوت معنی‌داری بین بهترین نقشه‌های طبقه‌بندی وجود نداشت، نقشه با بالاترین دقت برای تجزیه و تحلیل تشخیص تغییر انتخاب شد زیرا کمترین نقشه‌برداری نادرست GRP را نیز داشت.
دقیق ترین نقشه QB (نظارت شده، 4 باند + ارتفاع، پان-شارپن، اکثریت فیلتر شده، در 75.18٪) با چهار بهترین نقشه بعدی مقایسه شد و دوباره هیچکدام در سطح اطمینان 95٪ تفاوت معنی داری نداشتند. دقیق ترین نقشه مربوط به کمترین GRP های نادرست بود و به دلیل دقت کلی بالاتر به عنوان بهترین نقشه 2002 انتخاب شد.
Ijgi 03 00297 g007 1024
شکل 7. نقشه های طبقه بندی نظارت شده با استفاده از WorldView-2، QuickBird، و IKONOS برای منطقه نمونه ای از جزیره Masonboro.

3.3. دقت کلاس زیستگاه

آمار ارزیابی دقت برای بهترین نقشه های 2002 و 2010 نشان می دهد که دقت کلاس های فردی متفاوت است ( شکل 8). در حالی که دقت نقشه کلی برای نقشه های NERRS کمتر بود، دقت طبقه زیستگاه فردی بین دو منطقه مورد مطالعه متفاوت بود. به عنوان مثال، باتلاق جزر و مدی NERRS 2010 با دقت 83 درصد در مقابل دقت 59 درصد در جزیره ماسونبورو نقشه برداری شد. با این حال، نقشه جزیره Masonboro دقت بالاتری در هر طبقه زیستگاه دیگر داشت. شن و ماسه به طور مداوم بیش از 80٪ در بهترین نقشه ها دقیق بود. مرداب سوپراتیدال و بوته بوته در نقشه‌های NERRS در مقایسه با نقشه‌های جزیره ماسونبورو ضعیف طبقه‌بندی شدند. این ممکن است به این دلیل باشد که زیستگاه‌های مرداب پشت سد تمایل به تشکیل در مناطق مجزا در مجاورت آب دارند، و این امر باعث می‌شود که آنها راحت‌تر از زیستگاه‌های مرداب کوچک‌تر و خطی‌تر در اطراف جزایر خراب طبقه‌بندی شوند. علف‌های تالاب نوظهور معمولاً در میان زیستگاه بوته‌ها یافت می‌شوند. و اغلب بلندتر از اسکراب بودند، اما به اندازه کافی متراکم نبودند که بر منطقه نزدیک تسلط داشته باشند. توصیه می شود که NERRS و تحلیلگران آینده از یک طبقه مختلط برای این مناطق استفاده کنند که ترکیبی از زیستگاه های جزر و مدی و فوق جزر و مدی است که هم از چمن ها و هم از بوته های چوبی تشکیل شده است تا به کاهش این مشکل کمک کنند. طرح طبقه بندی مورد استفاده در این مطالعه هیچ گزینه ای برای تعیین کلاس “مخلوط” نداشت.
نقشه WV-2 NERRS با وضوح بالاتر (1.8 متر) دقیق تر از نقشه QB NERRS (2.4 متر) در تمام طبقات زیستگاهی به جز بوته-بوته های فوق جزر و مدی بود. بیشترین اختلاف در طبقه باتلاق فوق جزر و مدی بود که عمدتاً به عنوان علفزار مرتفع در QB طبقه بندی شد. برای جزیره Masonboro، WV-2 (رزولوشن 1.8 متر) از QB (1 متر) تنها در سه طبقه زیستگاه دقیق تر بود: شن و ماسه، مرتع مرتفع، و بوته-بوته های مرتفع.
Ijgi 03 00297 g008 1024
شکل 8. دقت طبقه زیستگاه برای بهترین نقشه ها برای سال های 2002 و 2010 برای منطقه مورد مطالعه NERRS و جزیره Masonboro.

3.4. تجزیه و تحلیل تغییر زیستگاه

بهترین تصاویر طبقه بندی برای هر تاریخ (2010 و 2002) و هر منطقه (کل منطقه مورد مطالعه NERRS و منطقه جزیره Masonboro) با استفاده از تجزیه و تحلیل تشخیص تغییر مقایسه شدند. نقشه WV-2 با وضوح فضایی بالاتر (1.8 متر) برای مطابقت با وضوح فضایی QB (2.4 متر) مجدداً نمونه برداری شد. ArcGIS برای ترسیم تغییرات و محاسبه آمار تشخیص تغییر از تصویر قبلی (QB 2002) به بعد (WV-2 2010) استفاده شد. هر ماتریس تغییر تغییر از هر کلاس به کلاس دیگر را نشان می دهد و همچنین میزان تغییر نکردن هر کلاس را نشان می دهد. تغییر کل مجموع سود و زیان است (هر دو عدد مثبت هستند)، تغییر خالص تفاوت سود و زیان است (مقدار مطلق این فقط برای تغییر منطقه مورد مطالعه استفاده می شود، نه تغییر طبقه فردی).
نتایج تشخیص تغییر نشان می‌دهد که تقریباً 20 درصد از منطقه مورد مطالعه NERRS از سال 2002 تا 2010 تغییر کرده است ( جدول 5 ). خالص تغییر (مقدار مطلق تفاوت سود و زیان) تنها 5٪ از NERRS بود، اما تغییر سوآپ (تفاوت تغییر کل و خالص تغییر) بیش از 14٪ را به خود اختصاص داد. طبقات زیستگاه به ترتیب کاهش مساحت کل و درصد تغییر کل (به استثنای آب) به ترتیب زیر تغییر کردند: مرداب جزر و مدی (2.25 کیلومتر مربع ، 11.50٪)، ماسه (1.11 کیلومتر مربع ، 5.70٪)، مرتع مرتفع (0.79 کیلومتر مربع ، 4.02٪). )، بوته زار فوق جزر و مد (0.78 کیلومتر مربع ، 4.01٪)، مرداب فوق جزر و مدی (0.59 کیلومتر مربع ، 3.02٪)، و درختچه های مرتفع (0.57 کیلومتر مربع ، 2.93٪) (جدول 6 ).
بیشترین تغییر کل، تغییر خالص و تغییر مبادله در کلاس زیستگاه مرداب های جزر و مدی رخ داده است که با هر دو منطقه طبقه فردی (2.25 کیلومتر مربع کل ، 0.44 + کیلومتر مربع خالص و 1.81 کیلومتر مربع تغییر مبادله) و درصد (11.5٪ کل، 2.26) اندازه گیری شده است. ٪ خالص و 9.24٪ تغییر مبادله) NERRS که تغییر کرد. باتلاق جزر و مدی بیشتر از آب (0.71 کیلومتر مربع ) و پس از آن ماسه (0.27 کیلومتر مربع ) و بوته‌های سوپراتیدال (0.21 کیلومتر مربع ) به دست آمد.
به استثنای آب، مرداب جزر و مدی بزرگترین طبقه زیستگاه در منطقه مورد مطالعه (6.39 کیلومتر مربع در سال 2010) است و بیشترین تغییر را داشته است. شن و ماسه بزرگ‌ترین منطقه بعدی (1.21 کیلومتر مربع در سال 2010) را پوشانده و بیشترین تغییر کلی و خالص بعدی (به ترتیب 1.11 کیلومتر مربع یا 5.7 درصد و 0.40- کیلومتر مربع یا 2.05- درصد) را تجربه کرده است. مرداب (به ترتیب 0.26 کیلومتر مربع و 0.21 کیلومتر مربع ) . بوته بوته های مرتفع در مساحت 84 درصد از 0.57 کیلومتر مربع به 0.95 کیلومتر مربع افزایش یافته است. بیشتر این تغییرات در امتداد جزایر اسپویل رخ داده است که در طول این دوره زمانی به‌عنوان مکان‌های ته‌نشینی زباله‌های لایروبی تا حد زیادی غیرفعال بوده‌اند.شکل 9 ).
جدول
جدول 5. درصد تغییر هر نوع زیستگاه در سراسر منطقه مورد مطالعه NERRS و در جزیره Masonboro.
جدول
جدول 6. درصد تغییر در زیستگاه ها در NERRS از 2002 تا 2010.
نتایج تشخیص تغییر متمرکز بر منطقه جزیره Masonboro از NERRS نشان می‌دهد که بیش از 30 درصد از این منطقه از سال 2002 تا 2010 تغییر را تجربه کرده‌اند ( جدول 7 ). برای مقایسه این دو نقشه، نقشه QB تیز شده (1.0 متر) با وضوح نقشه WV-2 درشت تر (1.8 متر) نمونه برداری شد. از این میان، بیش از 16 درصد مربوط به تغییر سوآپ و 14 درصد به دلیل خالص تغییر است. طبقات زیستگاه به ترتیب کاهش مساحت کل و درصد تغییر کل (به استثنای آب) به ترتیب زیر تغییر کردند: مرداب جزر و مدی (0.99 کیلومتر مربع ، 17.35٪)، شن و ماسه (0.58 کیلومتر مربع ، 10.21٪)، بوته های فوق جزر و مدی (0.51 کیلومتر مربع ، 8.90٪، مرتع مرتفع (0.42 کیلومتر مربع ، 7.40٪)، مرداب فوق جزر و مدی (0.35 کیلومتر مربع )، 6.08٪، و درختچه های مرتفع (0.15 کیلومتر مربع ، 2.59٪).
مرداب جزر و مدی بیشترین تغییر کل و خالص (به ترتیب 0.99 کیلومتر مربع یا 17.35 درصد و 0.52 کیلومتر مربع یا 9.14 درصد) را با 0.47 کیلومتر مربع ( 8.21 درصد) تغییر مبادله تجربه کرد ( شکل 10 ). ماسه بیشترین تغییر مبادله (0.50 کیلومتر مربع یا 8.84 درصد) را شاهد بود و حدود 0.22 کیلومتر مربع از آب به دست آورد، در حالی که حدود 0.21 کیلومتر مربع را نسبت به علفزارهای مرتفع از دست داد. بسیاری از شن و ماسه به دست آمده در سال 2010 از آب سال 2002 در انتهای جنوبی جزیره در امتداد ورودی ساحل کارولینا، جایی که نوک جنوب شرقی ماسونبورو تا حدود 200 متر فرسایش یافت، و شن و ماسه در امتداد ساحل رو به شرق ایجاد شد ( شکل 11 ).
Ijgi 03 00297 g009 1024
شکل 9. افزایش (آبی) و از دست دادن (قرمز) در بوته‌های مرتفع برای کل منطقه مطالعه *.
جدول
جدول 7. درصد تغییر در زیستگاه ها در جزیره ماسونبورو از سال 2002 تا 2010.
Ijgi 03 00297 g010 1024
شکل 10. تغییر در باتلاق جزر و مدی از سال 2002 تا 2010 در مکان نمونه سد عقب. افزایش در مرداب (آبی) و ضرر در مرداب (قرمز) در مجاورت نزدیک اتفاق می افتد.
Ijgi 03 00297 g011 1024
شکل 11. تغییر شن و ماسه در انتهای جنوبی جزیره ماسونبورو در مجاورت ورودی ساحل کارولینا. فرسایش شن و ماسه (قرمز) و برافزایش (آبی) را می توان همراه با تغییر کلی از سال 2002 (خط سیاه نازک) تا 2010 (خط سیاه ضخیم) مشاهده کرد.
نتایج تشخیص تغییر را می توان با استخراج تفاوت بین تغییر مشاهده شده و تغییری که انتظار می رود رخ دهد بیشتر بررسی کرد [ 39 ]. برای سود و زیان، تغییرات مورد انتظار به ترتیب به صورت زیر محاسبه شد:

Ijgi 03 00297 i002
Ijgi 03 00297 i003
تجزیه و تحلیل بسیار شبیه به آزمون مجذور کای است که در آن موارد مشاهده شده و مورد انتظار مقایسه می شوند. داده ها ابتدا به درصد تغییر از زمان 1 تا 2 (مثلاً 2002 تا 2010) تبدیل می شوند و سپس درصد سود و درصد ضرر محاسبه می شود.
Ijgi 03 00297 g012 1024
شکل 12. نسبت انحراف به تغییر مورد انتظار برای سود (آبی) و از دست دادن (قرمز) برای طبقات زیستگاه انتخاب شده. کلاس در عنوان بیش از حد انتظار نسبت به کلاس های امتداد محور x سود و باخت داشت.
ماتریس‌های تغییر طبقه‌بندی برای تعیین کمیت تغییرات مفید هستند، اما اهمیت این تغییرات را شناسایی نمی‌کنند. بنابراین، محاسبات اضافی برای استخراج تغییرات بیشتر یا کمتر از حد انتظار مورد نیاز است. درصدهای مورد انتظار از دست دادن و سود با مقایسه درصدهای مشاهده شده از هر نوع زیستگاه در زمان 1 محاسبه می شود (مثلاً 2002). سپس آمار کای دو با محاسبه تفاوت بین درصدهای مشاهده شده و مورد انتظار (که انحراف نامیده می شود) و نسبت این مقدار به درصد مورد انتظار بدست می آید. زمانی که نسبت انحراف/انتظار بیشتر از 3.84 باشد، سود یا زیان در سطح اطمینان 95% قابل توجه است. این مقادیر به طور قابل توجهی از سود یا زیان مورد انتظار انحراف دارند و برای چهار طبقه از بزرگترین تغییرات غیرمنتظره برجسته می شوند.شکل 12 ).
در سراسر منطقه مورد مطالعه، ضرر به طور قابل توجهی بیشتر از حد انتظار بود تا سود. به عنوان مثال، با Intertidal Marsh، تلفات بیش از حد انتظار برای Supratidal Marsh، Supratidal Scrub-Shrub و Upland Scrub-Shrub وجود داشت. برعکس، تقریباً هیچ افزایش قابل توجهی بیشتر از حد انتظار در Intertidal Marsh وجود نداشت. Supratidal Marsh و Upland Scrub-Shrub بیشترین تغییرات کلی را داشتند و بیشترین سود و زیان ناشی از مبادله Supratidal Marsh، Supratidal Scrub-Shrub و Upland Grass بود. این نتایج حاکی از سود و زیان بیشتر از حد انتظار از سوپراتیدال ماش است که با توجه به محل حاشیه این نوع زیستگاه منطقی است. Upland Grass همچنین تغییراتی بیشتر از حد انتظار به Supratidal Marsh، Sand و Upland Scrub-Shrub داشت. با تجمع رسوب در اطراف جزایر اسپویل و سد پشتی Masonboro (فن‌کش‌های overwash)، این ارتفاع را به اندازه‌ای افزایش می‌دهد که زیستگاه Scrub-Shrub را گسترش دهد و سوپراتیدال مارش و چمن‌های مرتفع را کوچک کند. در مقایسه تلفات همه انواع زیستگاه، جالب است که طبقات مرتفع در Masonboro در مقایسه با NERRS به عنوان یک کل، که تلفات قابل توجهی را در تمام انواع زیستگاه به جز چمنزارهای مرتفع و باتلاق جزر و مدی متحمل شدند، تلفات قابل توجهی داشتند. این نشان می دهد که جزیره ماسونبورو به نیروهای فرسایشی مانند فعالیت طوفان های بزرگ حساس تر است. جالب است که طبقات مرتفع در Masonboro در مقایسه با NERRS به عنوان یک کل، که تلفات قابل‌توجهی را در تمام انواع زیستگاه‌ها به جز علفزارهای مرتفع و باتلاق جزر و مدی تجربه کردند، تلفات قابل‌توجه‌تری داشتند. این نشان می دهد که جزیره ماسونبورو به نیروهای فرسایشی مانند فعالیت طوفان های بزرگ حساس تر است. جالب است که طبقات مرتفع در Masonboro در مقایسه با NERRS به عنوان یک کل، که تلفات قابل‌توجهی را در تمام انواع زیستگاه‌ها به جز علفزارهای مرتفع و باتلاق جزر و مدی تجربه کردند، تلفات قابل‌توجه‌تری داشتند. این نشان می دهد که جزیره ماسونبورو به نیروهای فرسایشی مانند فعالیت طوفان های بزرگ حساس تر است.

4. بحث و نتیجه گیری

فرض بر این بود که WV-2 دقیق ترین تصویر است و به طور قابل توجهی نتایج دقیق تری را در مقایسه با QB و IK ایجاد می کند. عوامل اولیه ای که دقت نقشه بیشتر این سنسور را متمایز می کند، ترکیبی از تعداد باندهای طیفی، عرض باریک باندها (رزولوشن طیفی بالاتر)، وضوح فضایی بالاتر و وضوح رادیومتری بیشتر بود. باندهای NIR برای WV-2، QB و IK پهنای باند بسیار مشابهی را پوشش می‌دهند، اما نوارهای سبز و به‌ویژه آبی باریک‌تر هستند، که ممکن است WV-2 را قادر به تشخیص دقیق‌تر مقدار بازتاب گیاهی کند. این نتایج کار قبلی با تصاویر QB را تأیید می کند که در آن سنسور دقت نقشه تنها 62٪ را در زیستگاه های مرداب ساحلی تولید کرد [ 20 ]]. نقشه برداری از گونه های مرداب پیچیده با QB به دلیل وضوح طیفی و فضایی پایین مشکل است. پوشش گیاهی مرداب اغلب با طبقات دیگر در هم آمیخته است و وضوح فضایی بالا در نقشه برداری پوشش گیاهی ساحلی از وضوح طیفی بالا مهمتر است [ 20 ]. مطالعه‌ای که قابلیت‌های حسگرهای WV-2 و QB را برای نقشه‌برداری از گونه‌های مانگرو ساحلی مقایسه می‌کند، با استفاده از WV-2 قابلیت تفکیک طیفی بهتری را نشان داد [ 40 ]. یک مطالعه مشابه با مقایسه قابلیت‌های طبقه‌بندی پوشش زمین WV-2 و QB نشان داد که در 10 طبقه‌بندی از 16 طبقه‌بندی، باندهای جدید WV-2 به دستیابی به مقادیر کاپا بالاتر کمک کردند [ 41 ]]. از اختلاط طیفی ممکن است برای ارزیابی ترکیب زیستگاه زیرپیکسل برای مطالعات آینده استفاده شود، اما طرح طبقه‌بندی NERRS به طور کلی اجازه می‌دهد که حداقل 25٪ از منطقه و تا 75٪ ( یعنی از هر پیکسل) مخلوط شود. با کلاس های دیگر دو دلیل اصلی برای نتایج طبقه‌بندی رضایت‌بخش با تصاویر IK، فقدان باند NIR و مه جوی بود که نمی‌توان آن را از تصاویر حذف کرد.
توجه به این نکته مهم است که تصاویر همه در یک تاریخ تقویم به دست نیامده اند ( جدول 2 را ببینید ) و بنابراین دقت کلی نقشه و تجزیه و تحلیل تغییرات حاصل ممکن است تحت تأثیر دوره های فنولوژیکی کمی متفاوت باشد. به نظر نمی‌رسد که این مشکل بالقوه بر طبقه‌بندی تصویر یا نتایج تشخیص تغییر تأثیر بگذارد، اما توصیه می‌شود در صورت امکان بهتر است از تصاویری استفاده کنید که مربوط به همان فصل هستند. همچنین هنگام ترسیم طبقات زیستگاه های جزر و مدی، گرفتن تصاویر در همان دامنه جزر و مد، مطمئن شدن از در نظر گرفتن داده های جزر و مد، و در نظر گرفتن رویدادهای بارش اخیر و چگونگی تأثیر آنها بر سطح آب و آب ایستاده در منطقه مورد مطالعه و اطراف آن بسیار مهم است. . در این مطالعه همه تصاویر در رژیم های جزر و مدی بسیار نزدیک گرفته شده اند (نگاه کنید بهجدول 2 ) و هیچ رویداد بارندگی بزرگی قبل از گرفتن تصاویر نداشت. سطوح جزر و مد در طول ثبت تصاویر 1.10 متر (QB) و 1.06 متر و 1.18 متر (هر دو تصویر WV-2) بود. با این حال، با توجه به نقش برجسته جزیره، حتی یک تفاوت جزر و مدی کوچک بین تصاویر می تواند به طور بالقوه بر نقشه برداری زیستگاه تأثیر بگذارد. بنابراین، ارتفاع جزر و مد و طبقه‌بندی زیستگاه با استفاده از داده‌های LiDAR که نزدیک‌ترین زمان را با تاریخ‌های کسب تصاویر مطابقت داشت، مقایسه شد ( شکل 13).). داده‌های LiDAR دارای دقت عمودی 0.15 ± متر بودند، بنابراین درصد زیستگاه در سطوح جزر و مد و محاسبه دقت عمودی منجر به درصد بسیار کمی از مساحت زیستگاه نقشه‌برداری شده شد. در واقع یادآوری این نکته مهم است که زیستگاه های مرداب در این منطقه مورد مطالعه نوظهور هستند، نه زیر آب، و بنابراین این نوع پوشش گیاهی با توجه به اینکه چندین متر بالاتر از سطح آب امتداد دارد، در سطح دریا و زیر سطح دریا نقشه برداری می شود. با توجه به اینکه زمانی که سطح جزر و مد بسیار بالاتر از سطح دریا باشد، می توان نوع زیستگاه را ترسیم کرد، رژیم های جزر و مدی با توجه به تلورانس ها برای دقت عمودی یکسان بوده و درصد بسیار کمی از منطقه ای که در این ارتفاع قرار دارد، نتیجه می شود. که رژیم جزر و مدی در طول گرفتن تصویر هیچ تاثیری بر نتایج نقشه برداری زیستگاه و تشخیص تغییر نداشت.
Ijgi 03 00297 g013 1024
شکل 13. داده های ارتفاعی LiDAR برای سال 2005 (بالا سمت چپ) و 2010 (بالا سمت راست) تغییرات ارتفاع را نسبت به سطح دریا در طول این دوره برای یک منطقه انتخابی از جزیره ماسونبورو نشان می دهد. تفاوت در محدوده جزر و مد (0.08 متر؛ “محدوده جزر و مد”) بین تصاویر مورد استفاده در تشخیص تغییر در بالای ارتفاع 2010 (پایین سمت چپ) و بالای نقشه تشخیص تغییرات نهایی (پایین سمت راست) قرار گرفته است. این منطقه تنها 0.36٪ از منطقه نمونه را شامل می شود، و نشان می دهد که چرا تفاوت های جزر و مدی در نظر گرفته شد که بر نتایج مطالعه تأثیر نمی گذارد.
فرض بر این بود که تکنیک طبقه بندی نظارت شده در مقایسه با روش بدون نظارت، نتیجه نقشه برداری دقیق تری را ارائه می دهد. اکثر طبقه بندی های نظارت شده دقیق تر از طبقه بندی های بدون نظارت مربوطه بودند. آزمایش‌های مک‌نمار بر روی بهترین نقشه‌ها برای هر حسگر اجرا شد و 10 مورد از 14 (71٪) مقایسه بین نقشه‌های نظارت شده و بدون نظارت در سطح اطمینان 95٪ معنی‌دار بود. بنابراین، در این محیط ساحلی و با استفاده از این حسگرها، تکنیک پردازش تصویر بهینه بر طبقه‌بندی نظارت شد. طبقه بندی نظارت شده نیاز به دانش عمیق از منطقه مورد مطالعه دارد، اما نقشه های طبقه بندی بهبود یافته قابل توجهی را نسبت به روش های بدون نظارت ایجاد می کند. مرداب سوپراتیدال و بوته بوته در نقشه‌های NERRS در مقایسه با نقشه‌های جزیره ماسونبورو ضعیف طبقه‌بندی شدند. این ممکن است به این دلیل باشد که زیستگاه‌های مرداب پشت سد تمایل به تشکیل در مناطق مجزا در مجاورت آب دارند، و این امر باعث می‌شود که آنها راحت‌تر از زیستگاه‌های مرداب کوچک‌تر و خطی‌تر در اطراف جزایر خراب طبقه‌بندی شوند. علف‌های تالاب نوظهور معمولاً در میان زیستگاه بوته‌های بوته‌ای یافت می‌شوند و اغلب بلندتر از بوته‌ها بودند، اما به اندازه کافی متراکم نبودند که بر منطقه نزدیک تسلط داشته باشند. توصیه می شود که NERRS و تحلیلگران آینده از یک طبقه مختلط برای این مناطق استفاده کنند که ترکیبی از زیستگاه های جزر و مدی و فوق جزر و مدی است که هم از چمن ها و هم از بوته های چوبی تشکیل شده است تا به کاهش این مشکل کمک کنند. طرح طبقه بندی مورد استفاده در این مطالعه هیچ گزینه ای برای تعیین کلاس “مخلوط” نداشت. طبقه بندی آنها را آسان تر از زیستگاه های مرداب کوچکتر و خطی تر اطراف جزایر خراب می کند. علف‌های تالاب نوظهور معمولاً در میان زیستگاه بوته‌های بوته‌ای یافت می‌شوند و اغلب بلندتر از بوته‌ها بودند، اما به اندازه کافی متراکم نبودند که بر منطقه نزدیک تسلط داشته باشند. توصیه می شود که NERRS و تحلیلگران آینده از یک طبقه مختلط برای این مناطق استفاده کنند که ترکیبی از زیستگاه های جزر و مدی و فوق جزر و مدی است که هم از چمن ها و هم از بوته های چوبی تشکیل شده است تا به کاهش این مشکل کمک کنند. طرح طبقه بندی مورد استفاده در این مطالعه هیچ گزینه ای برای تعیین کلاس “مخلوط” نداشت. طبقه بندی آنها را آسان تر از زیستگاه های مرداب کوچکتر و خطی تر اطراف جزایر خراب می کند. علف‌های تالاب نوظهور معمولاً در میان زیستگاه بوته‌های بوته‌ای یافت می‌شوند و اغلب بلندتر از بوته‌ها بودند، اما به اندازه کافی متراکم نبودند که بر منطقه نزدیک تسلط داشته باشند. توصیه می شود که NERRS و تحلیلگران آینده از یک طبقه مختلط برای این مناطق استفاده کنند که ترکیبی از زیستگاه های جزر و مدی و فوق جزر و مدی است که هم از چمن ها و هم از بوته های چوبی تشکیل شده است تا به کاهش این مشکل کمک کنند. طرح طبقه بندی مورد استفاده در این مطالعه هیچ گزینه ای برای تعیین کلاس “مخلوط” نداشت. توصیه می شود که NERRS و تحلیلگران آینده از یک طبقه مختلط برای این مناطق استفاده کنند که ترکیبی از زیستگاه های جزر و مدی و فوق جزر و مدی است که هم از چمن ها و هم از بوته های چوبی تشکیل شده است تا به کاهش این مشکل کمک کنند. طرح طبقه بندی مورد استفاده در این مطالعه هیچ گزینه ای برای تعیین کلاس “مخلوط” نداشت. توصیه می شود که NERRS و تحلیلگران آینده از یک طبقه مختلط برای این مناطق استفاده کنند که ترکیبی از زیستگاه های جزر و مدی و فوق جزر و مدی است که هم از چمن ها و هم از بوته های چوبی تشکیل شده است تا به کاهش این مشکل کمک کنند. طرح طبقه بندی مورد استفاده در این مطالعه هیچ گزینه ای برای تعیین کلاس “مخلوط” نداشت.
تحقیقات آینده باید روش‌های مختلفی را که تکنیک پردازش تصویر بهینه را برای هر کلاس شناسایی می‌کنند، به جای استفاده از یک روش، ترکیب کند، که ممکن است برخی از کلاس‌ها را به خوبی شناسایی کند در حالی که دقت سایرین را به خطر می‌اندازد. با ادغام سایر تکنیک‌ها با تکنیک طبقه‌بندی نظارت شده، این احتمال وجود دارد که دقت را از بالاترین میزان که در حال حاضر کمی بیش از 80 درصد است افزایش دهد.
فرض بر این بود که داده های LiDAR (ارتفاع و بافت) برای جزیره Masonboro دقت طبقه بندی را بهبود می بخشد. استفاده از داده های LIDAR برای طبقه بندی زیستگاه ها در پروژه های مشابه مفید بوده است [ 42]، با این حال، در این مطالعه نتایج بین سه حسگر مخلوط شد. داده های ارتفاعی LiDAR به طور قابل ملاحظه ای بیشتر نقشه های WV-2 را بهبود بخشید و تحقیقات بیشتری باید با داده های LiDAR انجام شود تا پتانسیل افزایش طبقه بندی زیستگاه های ساحلی را بیشتر ارزیابی کند. داده‌های بافت در مقایسه با ارتفاع موفقیت کمتری داشتند، اما در برخی از تکنیک‌ها پیشرفت‌های جالبی در دقت وجود داشت، بنابراین باید بیشتر مورد بررسی قرار گیرد. یکی از دلایلی که ممکن است LiDAR موفقیت محدودی داشته باشد این است که از نظر جغرافیایی محدود به بخش جزیره ماسونبورو از منطقه مورد مطالعه است و دامنه ارتفاعات در Masonboro به اندازه دامنه ارتفاعات در جزایر خراب نیست.
نتایج تشخیص تغییر نشان می‌دهد که تقریباً 20 درصد از منطقه مورد مطالعه NERRS و بیش از 30 درصد از جزیره Masonboro تغییر را از سال 2002 تا 2010 تجربه کرده‌اند. تغییر خالص 5 درصد از NERRS و 14 درصد از جزیره مانع بود، اما تغییر مبادله بیش از این را به خود اختصاص داد. بیش از 14 درصد از NERRS و 16 درصد از کل جزیره مانع تغییر می کند. این مقدار قابل توجهی از تغییر در یک دوره زمانی نسبتا کوتاه است. یک مطالعه نشان داد که تپه های شنی ساحلی، که پوشش گیاهی به زودی به آنها اضافه می شود، می توانند به سرعت از نظر اندازه و وسعت – از 13 متر مربع به 3000 متر مربع در 10 سال – با نوسانات بین سالانه افزایش پیدا کنند [ 42 ]. تحقیقات قبلی با استفاده از تجزیه و تحلیل تشخیص تغییر، تغییر خالص کمتر از 7٪ داشتند، اما کل تغییرات از یک کلاس به کلاس دیگر بیشتر از 28٪ بود [ 43 ].]. این نتایج با این مطالعه قابل مقایسه هستند و تأیید می‌کنند که هنگام انجام یک تحلیل تغییر مهم است که نه تنها تغییرات کلی، بلکه طبقاتی یا مبادله‌ای را بررسی کنیم که می‌تواند تغییرات بزرگ‌تری را در چشم‌انداز نشان دهد.
طبقات زیستگاهی که بیشترین تغییر را در درصد کلی منطقه مورد مطالعه داشتند، باتلاق جزر و مد و ماسه بودند، اما این دو طبقه زیستگاهی نیز بر منطقه مورد مطالعه غالب بودند. آنها تمایل به تعویض با آب داشتند که نشان دهنده فرسایش، برافزایش و شاید افزایش سطح دریا است. بوته بوته های مرتفع تقریباً 84 درصد افزایش یافته است، عمدتاً در امتداد جزایر خراب. این جزایر خراب دارای زیستگاه‌های گیاهی متنوعی هستند که مطالعات محدودی داشته‌اند و باید در آینده تحت نظارت قرار گیرند زیرا جنگل‌ها و جنگل‌ها همچنان در حال توسعه هستند.
واضح است که زیستگاه جزیره سد Masonboro متفاوت از جزایر اسپویل تغییر می کند. دو تغییر اولیه که در جزیره مانع رخ داد، فرسایش شن و ماسه و جذب پوشش گیاهی برای شستشوی بیش از حد فن ها و تپه های شنی بود. شایع ترین تغییرات در نواحی جزیره خراب شامل تغییر مرداب به طبقات دیگر بود. در سراسر NERRS، به نظر می رسد مرداب جزر و مدی بیشتر در مرکز منطقه مورد مطالعه بین جزیره سد مرتفع و جزایر اسپویل منطقه ای به دست آورده است، با این حال، به نظر می رسد این زیستگاه در امتداد جزایر اسپویل و مرداب سد پشتی در جایی که در آن قرار دارد، بیشترین از دست دادن را داشته است. در مجاورت ارتفاعات بالاتر وجود داشت. زیستگاه مرداب جزر و مدی بیشترین میزان تغییر مبادله را داشت و بنابراین باید تحقیقات بیشتری برای جداسازی دلیل این تغییرات انجام شود.20 ].
این مطالعه انواع تکنیک‌های سنجش از دور و تحلیل GIS را با استفاده از تصاویر جدید و داده‌های LiDAR که می‌تواند در سایر مناطق ساحلی اعمال شود، بررسی کرد. نتایج به طور مستقیم برای مدیریت ساحلی و پروژه‌های نقشه‌برداری زیستگاه آتی قابل استفاده است. توصیه می شود که تصاویر WorldView-2 در این محیط ساحلی نسبت به IKONOS و QuickBird برتری داشته باشد و در صورت امکان جمع آوری نقاط مرجع زمینی، بهتر است از روش نظارت شده طبقه بندی زیستگاه استفاده شود.

منابع

  1. اداره ملی اتمسفر اقیانوسی جزایر سد: شکل گیری و تکامل. در دسترس آنلاین: http://www.csc.noaa.gov/beachnourishment/html/geo/barrier.htm (در 12 آوریل 2011 قابل دسترسی است).
  2. مقیاس ضربه طوفان Sallenger، AH، Jr. برای جزایر مانع. جی. ساحل. Res. 2000 ، 16 ، 890-895. [ Google Scholar ]
  3. اندروز، بی دی. Gares، PA; Colby, JD Techniques for GIS مدلسازی تپه های ساحلی. ژئومورفولوژی 2002 ، 48 ، 289-308. [ Google Scholar ] [ CrossRef ]
  4. Fear, J. A Comprehensive Site Profile for the North Carolina National Stuarine Research Reserve، 2008. در دسترس آنلاین: http://www.nerrs.noaa.gov/Doc/PDF/Reserve/NOC_SiteProfile. (دسترسی در 10 سپتامبر 2010).
  5. Stutz، ML; Pilkey، OH جزایر مانع اقیانوس باز: تأثیر جهانی تنظیمات آب و هوایی، اقیانوس شناسی و رسوبی. جی. ساحل. Res. 2011 ، 27 ، 207-222. [ Google Scholar ] [ CrossRef ]
  6. Stallings, JA; پارکر، ای‌جی تأثیر برهم‌کنش‌های سیستم‌های پیچیده بر الگوی و فرآیند پوشش گیاهی جزیره تپه‌ای مانع. ان دانشیار صبح. Geogr. 2003 ، 93 ، 13-29. [ Google Scholar ] [ CrossRef ]
  7. Kutcher، طرح طبقه‌بندی پوشش زمین و زیستگاه TE برای سیستم ملی ذخیره‌گاه تحقیقاتی دهانه رودخانه، 2008. در دسترس آنلاین: http://nerrs.noaa.gov/Doc/PDF/Stewardship/NERRClassificationSchemeDoc.pdf (در 1 مه 2011 قابل دسترسی است).
  8. سلرز، جی دی. جولز، مدل‌سازی زیستگاه CL برای آمارانتوس پومیلوس : کاربرد داده‌های تشخیص نور و محدوده (LIDAR). جی. ساحل. Res. 2007 ، 23 ، 1193-1202. [ Google Scholar ] [ CrossRef ]
  9. گراتون، سی. Denno, R. بازسازی مجموعه های بندپایان در باتلاق نمکی اسپارتینا به دنبال حذف گیاه مهاجم Phragmites australis . بازگرداندن. Ecol. 2005 ، 13 ، 358-372. [ Google Scholar ] [ CrossRef ]
  10. لابا، م. داونز، آر. اسمیت، اس. ولز، اس. نیدر، سی. وایت، اس. ریچموند، ام. فیلپات، دبلیو. Baveye, P. نقشه برداری از گیاهان تالاب مهاجم در ذخیره گاه ملی تحقیقات رودخانه هادسون با استفاده از تصاویر ماهواره ای Quickbird. سنسور از راه دور محیط. 2008 ، 112 ، 286-300. [ Google Scholar ] [ CrossRef ]
  11. پنگرا، بی. جانستون، سی. لاولند، تی. نقشه برداری از یک گیاه مهاجم، Phragmites australis ، در تالاب های ساحلی با استفاده از حسگر فراطیفی EO-1 Hyperion. سنسور از راه دور محیط. 2007 ، 108 ، 74-81. [ Google Scholar ] [ CrossRef ]
  12. ژو، اچ. جیان، اچ. ژو، جی. آهنگ، X. یو، اس. چانگ، جی. لیو، اس. جیانگ، ز. جیانگ، ب. نظارت بر تغییر تالاب شهری با استفاده از داده های سنجش از دور با وضوح مکانی بالا. بین المللی J. Remote Sens. 2010 ، 31 ، 1717-1731. [ Google Scholar ] [ CrossRef ]
  13. Gesch، DB تجزیه و تحلیل داده های ارتفاع LIDAR برای شناسایی و ترسیم بهتر زمین های آسیب پذیر در برابر افزایش سطح دریا. جی. ساحل. Res. 2009 ، 53 ، 49-58. [ Google Scholar ] [ CrossRef ]
  14. چست، جی. گالپارسورو، آی. بورجا، ا. فرانکو، جی. Uriarte، A. نقشه برداری زیستگاه ساحلی و دهانه رودخانه، با استفاده از ارتفاع و شدت LIDAR و تصاویر چند طیفی. استوار. ساحل. Shelf Sci. 2008 ، 78 ، 633-643. [ Google Scholar ] [ CrossRef ]
  15. ژاریکوف، ی. اسکیلیتر، GA; Loneragan، NR; تارانتو، تی. کامرون، BE نقشه برداری و توصیف مناظر دهانه رودخانه نیمه گرمسیری با استفاده از عکاسی هوایی و GIS برای کاربرد بالقوه در حفاظت و مدیریت حیات وحش. Biol. حفظ کنید. 2005 ، 125 ، 87-100. [ Google Scholar ] [ CrossRef ]
  16. براک، جی سی. رایت، CW; سلنجر، ق. کرابیل، WB; Swift، RN Basin و روش‌های نقشه‌بردار توپوگرافی هوابرد ناسا بررسی‌های LiDAR برای مطالعات ساحلی. جی. ساحل. Res. 2002 ، 18 ، 1-13. [ Google Scholar ]
  17. بلوکو، ای. کامفو، ام. فراری، اس. مودنس، ال. سیلوستری، اس. مارانی، ع. مارینی، م. نقشه برداری پوشش گیاهی باتلاق نمکی با سنجش از دور چند طیفی و فراطیفی. سنسور از راه دور محیط. 2006 ، 105 ، 54-67. [ Google Scholar ] [ CrossRef ]
  18. DigitalGlobe. مزایای 8 باند طیفی WorldView-2. در دسترس آنلاین: http://www.digitalglobe.com (در 20 سپتامبر 2012 قابل دسترسی است).
  19. DigitalGlobe. QuickBird: برگه داده. در دسترس آنلاین: http//:www.digitalglobe.com (در 20 سپتامبر 2012 قابل دسترسی است).
  20. Ghioca-Robrecht، DM; جانستون، کالیفرنیا؛ Tulbure، MG ارزیابی استفاده از تصاویر پرنده سریع چند فصلی برای نقشه برداری گونه های مهاجم در باتلاق ساحلی دریاچه ایری. Wetlands 2008 , 28 , 1028-1039. [ Google Scholar ] [ CrossRef ]
  21. فین، اس. رولفسما، سی. دکر، ا. براندو، وی. Anstee، J. نقشه برداری گونه های علف دریایی، پوشش و زیست توده در آب های کم عمق: ارزیابی سیستم های تصویربرداری فوق طیفی چند طیفی و هوابرد ماهواره ای در خلیج مورتون (استرالیا). سنسور از راه دور محیط. 2008 ، 112 ، 3413-3425. [ Google Scholar ] [ CrossRef ]
  22. وانگ، ی. ترابر، م. میلستد، بی. استیونز، S. نقشه برداری از پوشش گیاهی آبزی زمینی و غوطه ور در ساحل ملی جزیره آتش با استفاده از داده های سنجش از دور با وضوح مکانی بالا. مار. جئود. 2007 ، 30 ، 77-95. [ Google Scholar ] [ CrossRef ]
  23. شماره گیری، جی. بوون، اچ. گرلاخ، اف. گرودسکی، جی. Oleszczuk، R. IKONOS ماهواره، تصاویر و محصولات. سنسور از راه دور محیط. 2003 ، 88 ، 23-36. [ Google Scholar ] [ CrossRef ]
  24. چست، جی. گرانده، ام. گالپارسورو، آی. اوریارته، ا. بورجا، الف. قابلیت‌های لیدار باتومتری چشم شاهین برای نقشه‌برداری زیستگاه ساحلی: مطالعه موردی در یک مصب باسک. استوار. ساحل. Shelf Sci. 2010 ، 89 ، 200-213. [ Google Scholar ] [ CrossRef ]
  25. لی، SD; شان، جی. ترکیب داده های ارتفاع LIDAR و تصاویر چند طیفی IKONOS برای نقشه برداری طبقه بندی ساحلی. مارس جئول. 2003 ، 26 ، 117-127. [ Google Scholar ]
  26. Woolard، JW; Colby، JD خصوصیات فضایی، وضوح، و تغییر حجمی تپه های ساحلی با استفاده از LIDAR در هوا: کیپ هاتراس، کارولینای شمالی. ژئومورفولوژی 2002 ، 48 ، 269-287. [ Google Scholar ] [ CrossRef ]
  27. Onojeghuo، AO; Blackburn, GA بهینه سازی استفاده از داده های فراطیفی و LIDAR برای نقشه برداری زیستگاه های بستر نی. سنسور از راه دور محیط. 2011 ، 115 ، 2025-2034. [ Google Scholar ] [ CrossRef ]
  28. لو، دی. باتیستلا، ام. Moran، E. طبقه‌بندی پوشش زمین در آمازون برزیل با ادغام داده‌های Landsat ETM+ و Radarsat. بین المللی J. Remote Sens. 2007 ، 28 ، 5447-5459. [ Google Scholar ] [ CrossRef ]
  29. میتاسووا، اچ. اورتون، ام.اف. Recalde، JJ; برنشتاین، دی جی; تحلیل دینامیک زمین ساحلی بر اساس فریمن، CW Raster از داده‌های LIDAR چند زمانی. جی. ساحل. Res. 2009 ، 25 ، 507-514. [ Google Scholar ]
  30. وو، جی. وانگ، دی. اصلاح جوی مبتنی بر تصویر باوئر، ME از تصاویر QuickBird از زمین های زراعی مینه سوتا. سنسور از راه دور محیط. 2005 ، 99 ، 315-325. [ Google Scholar ]
  31. لیلسند، تی. کیفر، آر. Chipman, J. Remote Sensing and Image Interpretation , 6th ed.; John Wiley & Sons, Inc.: Hoboken, NJ, USA, 2008. [ Google Scholar ]
  32. چن، اس. چن، ال. لیو، کیو. لی، ایکس. Tan، Q. سنجش از دور و تجزیه و تحلیل یکپارچه مبتنی بر GIS از تغییرات ساحلی و اثرات زیست محیطی آنها در خلیج Lingding، رودخانه مروارید، جنوب چین. ساحل اقیانوس. مدیریت 2004 ، 48 ، 65-83. [ Google Scholar ] [ CrossRef ]
  33. کراوز، جی. بوک، ام. ویرز، اس. براون، جی. نقشه برداری از سازه های پوشش زمین و حرا با تکنیک های سنجش از دور: کمک به GIS سینوپتیک در حمایت از مدیریت ساحلی در شمال برزیل. محیط زیست مدیریت 2004 ، 34 ، 429-440. [ Google Scholar ] [ CrossRef ]
  34. تیم اصلی R. R: زبان و محیطی برای محاسبات آماری . بنیاد R برای محاسبات آماری: وین، اتریش، 2013. [ Google Scholar ]
  35. اسماعیل، م.ح. Jusoff، K. ارزیابی صحت طبقه بندی داده های ماهواره ای بر اساس مجموعه داده مرجع. بین المللی جی. کامپیوتر. Inf. علمی مهندس 2008 ، 2 ، 96-102. [ Google Scholar ]
  36. Leeuw, JD; جیا، اچ. یانگ، ال. لیو، ایکس. اشمیت، ک. Skidmore، AK مقایسه ارزیابی‌های دقت برای استنباط برتری روش‌های طبقه‌بندی تصویر. بین المللی J. Remote Sens. 2006 ، 27 ، 223-232. [ Google Scholar ] [ CrossRef ]
  37. روزنشتاین، او. Karnieli، A. مقایسه روش‌های طبقه‌بندی کاربری اراضی با استفاده از سنجش از دور و ورودی‌های GIS. Appl. Geogr. 2011 ، 31 ، 533-544. [ Google Scholar ] [ CrossRef ]
  38. لو، دی. ماوزل، پ. برودیزیو، ای. موران، ای. تکنیک های تشخیص تغییر. بین المللی J. Remote Sens. 2003 ، 25 ، 2365-2407. [ Google Scholar ]
  39. پونتیوس، آر.جی. شوس، ای. مک ایچرن، ام. کشاورزی اکوسیستم. محیط زیست 2004 ، 101 ، 251-268. [ Google Scholar ] [ CrossRef ]
  40. هیومن، بی. طبقه‌بندی مبتنی بر شی از حرا با استفاده از رویکرد ماشین بردار پشتیبان درخت تصمیم ترکیبی. Remote Sens. 2011 , 3 , 2440–2460. [ Google Scholar ] [ CrossRef ]
  41. نواک، تی. اش، تی. کوکس، اچ. Stilla، U. مقایسه یادگیری ماشینی بین تصاویر شبیه‌سازی شده جهان‌بینی-2 و پرنده-2 در مورد طبقه‌بندی پوشش زمین شهری مبتنی بر شی. Remote Sens. 2011 , 3 , 2263–2282. [ Google Scholar ] [ CrossRef ]
  42. مونتروی، آ. بولارد، جی. چندلر، جی. Millet, J. Decadal و توسعه فصلی تپه های جنینی در ساحل ماکروتیدال برافزایش: لینکلنشر شمالی، انگلستان. زمین گشت و گذار. فرآیندهای Landf. 2013 ، 38 ، 1851-1868. [ Google Scholar ] [ CrossRef ]
  43. مناندار، ر. عوده، IOA; پونتیوس، GR تجزیه و تحلیل بیست سال انتقال طبقه بندی زمین در شکارچی پایین نیو ساوت ولز، استرالیا. کشاورزی اکوسیستم. محیط زیست 2010 ، 135 ، 336-346. [ Google Scholar ] [ CrossRef ]

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370