صفحه شخصی علیرضا حاج محمدی   
 
نام و نام خانوادگی: علیرضا حاج محمدی
استان: خراسان شمالی
رشته: کارشناسی ارشد عمران
شغل:  نقشه بردار کاداستر ثبت اسناد و املاک
تاریخ عضویت:  1392/07/24
 روزنوشت ها    
 

 تحلیل کاربری اراضی و پوشش زمین با استفاده از سنجش از دور ـ بخش دوم بخش نقشه برداری

4

از آنجا که بازبینی های ماهواره ای نادر از ترکیب داده با وضوح خوب(مورد II) مخالف بکار گیری تمام سینها به عنوان پیکسل های داده منحصر به فرد در داده با وضوح مناسب است. بنابراین هر چند هنوز خطاهای رادیومتریک وجود دارند در شکلهای مختلف گرفته می شوند.ن خست آلودگی هوا است که محدودیت کمتری دارد، چون غالبا سین های عاری از مه و ابر (ترجیحا کمتر از 10%) برای این منظور استفاده شده است.دوما مشکلات غیر مستقیم کمتر هستند به ویژه در مورد سنسور های جستوی نادیر به یک میدان دید باریک مانند سنجنده نقشه برداری موضوعی لندست(TM) و یا ماهواره های با وضوح بالای تصویر برداری که در سیستم (SPOT HRV) در حالت نادیر قابل مشاهده هستند.
مقدار قابل توجهی از پژوهش حاضر در منطقه ای انجام شد که از نظر برابری رادیومتریک در سراسر سینهای مرکب یکسان بود.به طور معمول الگوریتم به کار گرفته شده برای همپوشانی سین های مجاور از فاکتور های تصحیح استفاده کرده است.این تصحیحات به صورت تعاملی انجام شده و یا می توان آن را به صورت خودکار انجام داد(چاوز ، ,1988اسکات و همکاران،1988،الویچ و همکاران 1995،آتزبرگر 1996،یوان و الویچ 1996،گویندون 1995).با این حال،تطبیق دادن سین های مجاور در سین های بزرگتر کاملا کافی و امکان پذیر نیست.تصحیحات کلی در سراسر یک سین مرجع که در آن اختلافت و تناقضات رادیومتریک متعادل وجود دارد.با چنین تصحیحاتی اشتباهات رادیومتریک در سراسر سین و بر پایه شناسایی میزان تفاوتها در مناط مختلف می تواند به حد اقل برسد. این تفاوتها به راحتی می تواند با استفاده از همپوشانی سین های مجاور و یا مدارهای آنها شناسایی شوند، از آنجا که روابط مقیاس بین اندازه سینها و اندازه مناطق بالای فشار اتمسفر باعث می شود سینهای مجاور در امتداد مدار غالبا مشابه آلایندگی ابرهای باشند. حتی در سین تصحیحی ایجاد شده بعضی از نویز ها(اختلالات) باقی می ماند.
2.4.2 طبقه بندی
اطلاعات پوشش زمین می تواند از تصاویر ماهواره ای جمع آوری شده و از ویژگیهای طیفی و فضایی منحصر به فرد بر اساس نوع پوشش برخوردار باشد،برخی از تفاوتها بین تصحیحات داده با وضوح مناسب و خوب به طور عمده از این دو نوع ویژگی یک اهمیت نسبی وجود دارد. از آنجا که کاهش وضوح بعد طیفی از مهمترین منبع نوع پوشش اطلاعات در تصاویر با وضوح مناسب است.برای داده با وضوح خوب اهمیت نسبی در ابعاد فضایی بالاتر است،هر چند هنوز محتوای طیفی در بسیاری از موارد غالب است.در ادامه بحث خواهیم دید که هیچ تفاوتی بین دو نوع داده وجود ندارد.
1.2.4.2 طبقه بندی دیجیتال(رقومی)
تکنیکهای عددی برای طبقه بندی تصاویر ماهواره ای یک سنت طولانی است و قدمت آن به اوایل دهه هفتاد بر می گردد، به رغم پیشرفتهای اخیر دو روش تکامل یافته اند که بعنوان گزینه های اصلی باقی مانده اند. و با فرضیات ساخته شده در مورد آگاهی از سین ها طبقه بندی می شوند. در طبقه بندی نظارت شده،دانش پیشین از تمام انواع پوشش برای نقشه برداری در سین ها طبقه بندی شده است. این دانش برای شناسایی امضای طیفی کلاسهای مورد علاقه به کل سین استفاده می شود. در طبقه بندی نظارت نشده هیچ اطلاعات قبلی در مورد انواع پوشش زمین با توزیع آنها مورد نیاز نیست.روش های طبقه بندی نظارت نشده تقسیم سین ها به بیشتر و یا کمتر اختصاص دادن خوشه طیفی است.به طور معمول توسط پارامترهای از پیش تعریف شده و توصیف خصوصیات آماری این خوشه و روابط بین خوشه های مجاور مشخص می گردد.تخصیص برچسب پوشش زمین به خوشه های طیفی منحصی به فرد که پس از آن بر اساس اطلاعات زمی ساخته شده است و در مکان توسط تنیجه خوشه بدست آمده مشخص شده است. در سالهای اخیر تعداد زیادی از این دو روش طبقه بندی باید طراحی و توسعه یابد.این خدمات شامل درخت های تصمیم گیری(هانسن و همکاران، 1996)شبکه های عصبی(فودی و همکاران،1997)طبقه بندی فازی(فودی،1998و منان و همکاران،1998) و مدل سازی مخلوط (ون در مر،1995)برای طبقه بندی نظارت شده; و طبقه بندی با روش تعمیم(چیلار و همکاران، 1998) طبقه بندی از طریق افزایش و تنظیمات پس پردازش (لارک، 1995) برای تکنیک نظارت نشده.
به نظر می رسد که زمانی که کسی می داند کلاسهای مورد نظر کجا رخ می دهند(حداقل به عنوان نمونه)استراتژی طبقه بندی نظارت شده ترجیح داده می شود.با این حال در مناطق گسترده توزیع طبقات پیش بینی نشده است.این موضوعات توسط رویدادهای فضایی در امضاهای طیفی شناسایی می شوند،در نتیجه مشکل گسترش امضای طیفی به خوبی شناخته می شود.این پیچیدگی نمونه ارائه شده خیلی مشکل و غالبا دلخواه است.بنابراین، جایی که اطلاعات توصیفی فضایی در دسترس نیست، به عنوان مثال، زمانی که نقشه برداری یک منطقه بزرگ گذشته شناخته شده ای ندارد.مسلما طبقه بندی نظارت نشده بهترین استراتژی خواهد بود،هرجند روش نظارت شده غالبا مثل یک جعبه استفاده شده است(هانسن و همکاران،2000).طبقه بندی نظارت نشده اطلاعات جامع تری را در خصوص ویژگیهای طیفی از منطقه ارائه می دهد، ارائه خوشه های طیفی خالص مرحله برچسب زدن، و این فرصت را به تحلیلگر می دهد که گروه خوشه های مشابه را به تعداد کمتری از خوشه های پوشش زمین تخصیص دهد.شاید مشکل عمده با طبقه نظارن نشده اثر پارامترهای کنترل است(به عنوان مثال،تعداد خوشه ها ، پراکندگی مجاز اطراف خوشه)برای مجموعه داده های مشابه و تغییرات در این حیطه می توان خوشه های نهایی را تهیه کرد.تعداد زیادی از خوشه ها زمانی که با گامهای ادغام کردن مشخص شوند. طرز عمل ادغام کردن را می توان بر اساس سنجش های آماری بررسی کرد(به عنوان مثال،نمونه برداری نظارت نشده) و یا می توان توسط تحلیلگر تعاملی سازنده برقرار کرد.

عامل مهم در طبقه بندی پوشش زمین ثبات و قابلیت تکثیر است به نحوی که همان نتیجه توسط تحلیلگران مختلف و با توجه به داده های ورودی و یا حتی با داده های ورودی مختلف از همان منطقه بدست آمده است.در عمل این بدان معنی است که تا آنجا که ممکن است تجزیه و تحلیل کاملا با هدف انجام شود.از سوی دیگر تحلیلگر نمیتواند به طور کامل از این روند کنار گذاشته شود چرا که هر طبقه بندی توسط یک ساختار انسانی مانند تحمیل یک طرح مصنوعی در جهان طبیعی است. پیشنهاد ادغام هر دو طیفی و مکان مبنی بر روابط جفت خوشه باقی مانده است.به این ترتیب تعداد خوشه ها را می توان بدون نیاز به اطلاعات زمینی(معمولا 70 تا 120) کاهش داد.
در نواحی بزرگ برنامه های کاربردی و نقشه برداریهای مکرر و با قدرت تفکیک مکانی بالا در حال حاضر بسیار نادر است. داده های ماهواره های با وضوح بالا به طور معمول در نواحی بزرگ به کار گرفته می شوند، به عنوان مثال ارزیابی سالانه محصول (دبیوسازن و همکاران، 1993) به عنوان نمونه موردی می توان نام برد.حداقل فرکانس زمانی برای نقشه برداری پوشش زمین در حال حاضر حدود 5 سال است(اهرن و همکاران، 1998 ، GCOS ،1998) . با این حال مطلوب است بدانیم که تغییر در ترکیبات پوشش زمین هر چند این تغییرات برای مقاصد سیاسی نباشد و برای اقناع مقررات گزارش مورد نیاز باشد، برای ارزیابی تاثیر مدیریت و یا دیگر دلایل باشد.تصویر 2.2 نشان می دهد، نقشه پوشش زمین و کاربری اراضی ایجاد شده از طریق طبقه بندی دیجیتال و با استفاده از داده ماهواره های چند طیفی ممکن می شود. مطالعات متعدد از ترکیب تصاویر با وضوح خوب و مناسب نشان می دهد برای تخمین یک منطقه از یک کلاس خوب است، مانند جنگلها، (مایوکس و لامبین، 1995،1997 ، دیفرس و همکاران 1997، مایوکس و همکاران، 1998)هنگام برخورد با بسیاری از کلاسها روش های سنجش پیچیده تر می شود(والش و بارک، 1993 ، مودی و وودکوک،1996).با توجه به رزلوشن مناسب در نقشه هر منطقه(دامنه) ممکن استه به صورت طبقه طبقه با یک دامنه مشترک و سپس این نمونه با دادهای با رزلوشن بالا مورد استفاده قرار گیرد. پیدا کردن طبقه بندی مناسب و چارچوب نمونه گیری با استفاده از پوشش دامنه به طور موثر یک چالش است.

2.2.4.2 طبقه بندی به صورت دستی
طبقه بندی بصری و یا دستی برای طبقه بندی داده های سنجش از دور یک روش موثر برای طبقه بندی پوشش زمین بویژه زمانی که تحلیلگر با منطقه در حال طبقه بندی آشنا باشد.در این روش از مهارتهایی استفاده می شود که در اصل برای تفسیر عکسهای هوایی توسعه داده شده اند. مفسر برای نشانه های بصری مانند تن،بافت،شکل،الگو و ارتباط اشیاء دیگر براساس شناسایی طبقات مختلف پوشش گیاهی متکی است(تصویر3.2). نخست، برتری تفسیر دستی بهره گیری از مغز برای شناسایی ویژگیها در تصویر و ارتباط پان با عوارض روی زمین است.مغز هنوز هم می تواند در شناسایی دقت عوارض روی تصویر محاسبه کند.
حرکت نزولی تفسیر دستی در مقایسه با طبقه بندی خودکار خسته کننده و کند است.مشکل دیگر آن است که تنها با ترکیب سه باند داده از تصاویر ماهواره ای است که با استفاده از یک تصویر رنگی متشکل از سه رنگ اولیه افزایشی قرمز،سبز و آبی است.
روش مورد استفاده در تفسیر دستی نسبتا ساده است.تحلیل و تفسیر مشاهدات تصویر روی نمایشگر هر دو کامپیوتر یا رخوجی چاپ شده و سپس ترسیم چند ضلعی در اطراف مناطق که به عنوان یک نوع پوشش خاص شناسایی شده اند.اگر شرح و بسط پوشش زمین روی صفحه نمایشگر کامپیوتر منجر به ایجاد نقشه پوشش اراضی در خلال فرایند شرح گردد.اگر تفسیر روی یک تصویر چاپ شده انجام شود نتیجه باید به فرمت قابل خواندن توسط ماشین رقومی شود.
3.2.4.2 روش ترکیبی
این روش ترکیبی است از نتایج روشهای دستی و اتوماتیک برای تولید نقشه پوشش زمین، که بهتر است فقط از یک روش استفاده شود. یکی از مواد روش ترکیبی، استفاده از روشهای طبقه بندی خودکار برای انجام طبقه بندی اولیه است و سپس با استفاده از روش دستی اقدام به اصلاح طبقه بندی درست می کردد.

با این رویکرد یک طبقه بندی منطقی خوب می تواند با روش اتوماتیک و سپس روشهای دستی به سرعت می تواند مورد استفاده قرار گیرد، مخصوصا برای کلاسهایی که برچسب درست نگرفته اند.
فرایند ویرایش مستلزم آن است که تحلیلگر قادر به مقایسه نقشه طبقه بندی با تصویر ماهواره ای اصلی و دیگر تصاویری است که می تواند برای شناسایی عوارض پوشش زمین استفاده شود. برای مقایسه نقشه طبقه بندی شده با تصاویر، دسترسی به نرم افزارهایی که اجازه می دهد تحلیلگر بین دو عکس (تصویر پوشش زمین و تصویر اصلی ماهواره ای) و یا اسلاید یک تصویر با تصویر دیگر روی صفحه نمایش کامپیوتر با تکنیکهایی که غالبا نامبرده شده است(کشیدن).با انجام این مقایسه تحلیلگر می تواند کیفیت طبقه بندی را حس کند.زمانی که خطاها مشاهده می شوند می توان با استفاده از ابزارهای عمومی در بسیاری از بسته های نرم افزاری پردازش تصویر اقدام به ویرایش تصویر کرد.در اغلب موارد، با ویرایش بصری یک نقشه طبقه بندی شده دقت نهایی محصول بهبود داده شده است.
3.4.2 دیگر روشهای طبقه بندی
طیف گسترده ای از روشها برای استنتاج درجه پوشش گیاهی از داده های سنجش از دور وجود دارد.این روشها در پیچیدگی، تحریف و دقت محدوده گسترده ای دارند. مطرح کردن تفاوت ها زمان ایجاد کردن و یا ترکیب کردن دیتاهای گیاهان جهت مطالعات بیشتر برای محققین مهم هستند. از آنجا که اختلاف دقت بین تکنیکها به خوبی مستند شده است، این روش برای تعیین دقیق نحوه اندازه گیری بین دو نمونه گیاهی مهم است، و در مقایسه با یک روش پیچیده تر در دسترس بوده و آسان تر هستند.
غالبا استفاده گسترده از این تکنیکها با شاخص نرمال شده پوشش گیاهی (NDVI) یک عمل ساده است،نیاز به کمی زمان،تخصص،یا ظرفیت پردازش با استفاده از دو باند داده ها برای تولید شاخص فراوانی نسبی پوشش گیاهی لازم است.تجزیه و تحلیل ترکیب طیفی (SMA) پیچیده تر است، با استفاده از تمام باندهای تصویر ایجاد شده می توان درصد پوشش گونه های مختلف زمین را در هر پیکسل بررسی کرد.متاسفانه اطلاعات درست برای برسی در دسترس بودن دقت مطلق هر یک از تکنیکها موجود نیست.به هر حال، یک ارزیابی خوب ممکن است بر اساس مقایسه داده ها،تفسیر جزئیات تصویر، بررسی منابع خطاهای ممکن و بررسی آثار در مورد هر یک از این تکنیکها لازم است.



1.3.4.2.شاخص پوشش گیاهی نرمال(NDVI)
روش غالب برای شناسایی پوشش گیاهی با داده های سنجش از دور و با استفاده از شاخص های پوشش گیاهی است. شاخص های گیاهی الگوریتم هایی هستند که با هدف ساده کردن داده هایی که از بازتاب های متعدد باند ها به یک ارزش واحد مرتبط با پارامترهای فیزیکی پوشش گیاهی است منتج می شوند(مانند زیست توده،بهره وری و حاصلخیزی،شاخص سطح برگ و یا درصد پوشش گیاهی زمین)(توکر،1979). این شاخص های پوشش گیاهی بر اساس ویژگیهای طیفی منحصر به فرد اسناد خوبی با مشاهده طول موجهای مادن قرمز برای تشخیص سلامت گیاهان هستند.
پوشش گیاهی سبز سالم نشان دهنده انرژی کم خورشیدی در طول موج مرئی(0.4-0.7 μm) با یک افزایش شدید در بازتاب طول موج مادون قرمز نزدیک((0.7-1.1 μm این لبه قرمز برای پوشش گیاهی به عنوان یک مواد سطحی منحصر به فرد است. پوشش گیاهی پیر یا مرده و خاک به طور کلی نشان دهنده میزان انعکاس انرژی در طول موج مرئی و طول موج مادون قرمز نزدیک است.این ویژگی منحصر به فرد طیفی از پوشش گیاهی در شاخص های مختلف اعم از پیچیدگی در استفاده از ضریب همبستگی برای مقادیر روشنایی باند مادون قرمز نزدیک به چند باند با الگوریتم های پیچیده ترکیب شده است.مسلما موفق ترین و معمولا موثر ترین تکنیک شاخص پوشش گیاهی نرمال است(NDVI).
NDVIشاخص سنتی پوشش گیاهی است که توسط محققیق برای تعیین فراوانی پوشش گیاهی از طریق سنجش از دور استفاده شده است(توکر، 1979). این تقسیمات تفاوت بین مقادیر انعکاس قابل مشاهد در طول موج های قرمز و مادون قرمز نزدیک است(توکر، 1979). در اصل این الگوریتم افزایش چشمگیری در طول موجهای قرمز و مادن قرمز نزدیک دارد و عادی جلوه داده آن بوسیله تقسیم روشنایی کلی در هر پیکسل در این طول موجها است.به طور اخص NDVI هست:
NDVI = IR-Red / IR+Red
که ارزشها در هر باند از مقادیر DN خام و اولیه به درخشندگی تابش الکترو مغناطیسی خورشید تبدیل شده است، نتیجه این الگوریتم مجموعه ای دیتا از یک باند است که رنج آن از 1- تا 1 است که با مقادیر فراوانی فتوسنتز پوشش گیاهی مرتبط است. NDVI به طور وسیع و در یک مقیاس گسترده در سراسر جهان برای اندازه گیری های پوشش گیاهی استفاده می شود، و همچنین در مقیاس های خیلی بزرگ جنگلی و در ارزیابی مطالعات محصولات از آن استفاده می شود(پیترسون و همکاران،1987-اسراء و همکاران، 1984) که از آن برای تهیه نقشه های هفتگی پوشش گیاهی استفاده شده است، نظارت بر محصولات در مناطق وسیع، نظارت بر تعییرات پوشش گیاهی در بسیاری از مناطق استوایی و تخمین زیست توده از دیگر استفاده های NDVI است.
همچنین مطالعات نشان داده است که رنگ خاک زمینه و مخصوصا در سین های ناهمگن تحت تاثیر NDVI قرار دارد(هئوته،1988).زیرا تفاوت بین باندها توسط روشنایی کلی از دو باند تقسیم شده است، تغییرات مفرط در درخشندگی پس زمینه زمین می تواند به صورت مصنوعی باعث بالا یا پایین شدن مقادیر NDVI شود. به صورت تئوری پیکسل با پس زمینه خاک تیره مانند تکه های سنگ بازالت یک روشنایی کلی پائین تری دارند.بنابراین مقادیر NDVI در این مناطق به صورت مصنوعی به عنوان تفات بین باند مرئی و مادن قرمز نزدیک که به کمتر تقسیم شده است بالاتر خواهد بود.به طور مشابه پس زمینه خاک روشن بالاتر خواهد بود از سرتاسر سطوح روشن در نتیجه مقادیر پوشش گیاهی افزایش یافته است.این اثر پس زمینه خاک علاوه براین با اثرات پراکندگی چندگانه بین پوشش گیاهی و خاک متفاوت است(هئوته،1988).
در حالی که NDVI نشان داده که همبستگی خوب بین فراوانی کم و یا متوسط پوشش گیاهی با پارامترهای مختلف زیست محیطی وجود دارد(مانند شاخص سطح برگ و زسیت توده برگ سبز)(اندرسون و همکاران،1993).در مقالات چاپ شده پیشنهاد شده است که در بعضی از محیطهای خاص انواع خاصی از تغییرات در پوشش گیاهی که ممکن نیست عینا با NDVI مشخص گردد(اسراء،1984-پیترسون و همکاران،1987).
2.3.4.2 تجزیه و تحلیل طیفی مرکب
بسیاری از ابزارهای تعیین کمیت پوشش گیاهی از طریق داده حسگرهای سنجش از دور توسعه یافته است،یکی از امیدوار کننده ترین آنها تجزیه و تحلیل طیفی مرکب است(SMA)، تکنیک پیچیده تری که با بکار گیری همه باندهای در دسترس هر پیکسل را به کسری از پوشش گیاهی زمین تخصیص می دهد(هئوته،1986). مدل مفهومی برای توسعه(SMA) که اکثر پیکسل ها در سین های مرکب مقدار کمی از پوشش گیاهی را بخصوص در مناطق خشک و محیط های ترکیبی کاربری اراضی شامل می شود.اگر طیف خالص اجسام پوشش زمین اولیه در طیفهای مجزا باشند(به عنوان مثال،پوشش گیاهی،آب و خاک) را در یک سین می توان یافت،یک مجموعه داده را می توان به کسری از هر پیکسل برای پوشش زمین از پیش تعریف شده اختصاص داد(آدامز و همکاران،1995-هئوته،1986).
نتایج حاصل از SMA درصد پوشش از هر یک از اجسام پوشش زمین یا عضو نهایی در هر پیکسل است.این روش دارای مزیت های است که نه تنها پوشش گیاهی را استخراج می کند بلکه همچنین بخش های پوشش زمین را برای اعضاء نهایی استفاده می کند. علاوه بر این، داده بر اساس نسبت اندازه گیری های فیزیکی ایجاد شده است و در نتیجه به راحتی به عنوان اندازه گیری های درصد پوشش زندگی به جای یک شاخص و اندازه گیری نسبی تعیین می شود.
با وجود سودمندی و دقت این روشها محدودیتهایی برای SMA وجود دارد.علاوه براین در این محدوده تعداد اعضاء نهایی ممکن است کم باشند. SMA با توجه به نوع اعضاء نهایی که می تواند استفاده شود محدود است، مخصوصا هنگامی که با داده چند طیفی استفاده شود(آدامز و همکاران،1995-روبرتوهمکاران،1993).بنابراین بدون داده هایپراسپیترال،ممکن است روشی برای ایجاد کسری از انواع مختلف فتوسنتز پوشش گیاهی استفاده شود.به طور کلی محققان پوشش گیاهی در مواردی چون، خاک،شن ، ماسه و سایه در هنگام استفاده از تصاویر ماهواره ای چند طیفی محدودیت دارند.علاوه بر این فرایند نیازمند توانایی پردازش و تخصص در جهت پیدا کردن طیف خالص و مناسب در هر سین هستند.به هر حال مهم است که با تکیه بر نتایج مجموعه داده های افزوده از سطح پوشش عضو نهایی که با استفاده از SMA تولید می شود و برای استخراج اطلاعات بیشتر از سینهای شاخص پوش گیاهی استفاده می شود.
.5.2. جمع آوری داده های زمینی
اگر چه نقشه پوشش اراضی بدون مراجعه به زمین انجام می شود،دلایل خوبی وجود دارد که چرا باید بازدید میدانی انجام شود.دو دلیل اصلی برای بازدید از منطقه وجود دارد که عبارتند از: برای آموزش الگوریتم و یا تفسیر و یا داده هایی که بتواند برای ارزیابی نقشه پوشش زمین و تخمین دقت کلاس ها تهیه شود باید بازدید میدانی صورت پذیرد(فرایندی به نام اعتبار سنجی). حداقل این داده ها می تواند در یک بار بازدید جمع آوری گردد اما غالبا دو یا چند بازدید برای جمع آوری با استفاده از طرح نمونه برداری بر اساس نتایج طبقه بندی ترجیح داده می شود به نحوی که اطلاعات اعتبار سنجی بتواند سیستماتیک شود.داده های جمع آوری شده باید زمین مرجع شده به نحوی که نقطه ای که در آن داده جمع آوری شده روی تصاویر تعیین موقعیت شود. به طور معمول گیرنده های GPS برای ثبت محل این اطلاعات استفاده می شوند.برخی از جزئیات اطلاعاتی که می تواند ثبت شود شامل: نوع پوشش گیاهی،شیب،جهت شیب،نوع خاک و دیگر ویژگیهای زیستی-فیزیکی که برای شناسایی نوع پوشش گیاهی مهم هستند.به عنوان مثال شما می توانید اطلاعات در مورد ترکیب گونه ها،ارتفاع درختان و احتمالا کابری زمین را به آن اضافه کنید.
زمانی که نقشه های پوشش اراضی بدون استفاده از داده میدانی از منطقه مورد نظر ایجاد شود، پیش بینی دقت نهایی نقشه پوشش زمین مشکل است.یک تحلیلگر با تجربه بالا ممکن است قادر به تولید یک نقشه با کیفیت بالا از پوشش اراضی باشد اما بدون اطلاعات اعتبار سنجی دقت واقعی از کیفیت طبقه بندی تصاویر شناخته شده نیست.
.6.2. ارزیابی دقت
هیچ پروژه طبقه بندی پوشش زمینی بدون ارزیابی دقت کامل نخواهد بود.ممکن است به خوبی ملاحظه شود که نگرانی در مورد دقت نقشه طبقه بندی پوشش زمین قبل از ظهور روشهای مبتنی بر ماهواره و تفسیر عکس بر اساس نقشه وجود ندارد(به عنوان مثال: موجودی جنگل). نیاز به ارزیابی دقت در ابتدا به عنوان قسمتی از الگوریتم توسعه بوجود آمد و آنرا به یک ابزار مهم برای استفاده محصولات پوشش زمین توسعه داده است.مقالات فراوانی در خصوص دقت ارزیابی نوشته شده است و دقت اندازه گیری های مختلف تعریف شده است(هورد و بونر،1986-ادوارد و همکاران،1998). از این نقطه نظر،اصول ارزیابی دقت شناخته شدند اما مقررات ایده آل بر اساس تئوری نمونه برداری، ملاحظات علمی راجع به دسترسی،منابع و غیره محدود به مطلوب است.
به عنوان مثال کالخان و همکاران(1998) با استفاده از ترکیب عکسهای هوایی و یک نمونه از داده های در دسترس زمینی به منظور ارزیابی دقت جزئیات انواع پوشش زمین از ماهواره با 200 نمونه در مرحله اول اقدام نموده است که فقط 25 مورد از این نمونه ها را شرح داده است. بنابراین به احتمال زیاد در عمل ارزیابی دقت موضوعی است بین ایده آل و مقرون به صرفه بودن، یا A تعادلی است بین آنچه از نظر آماری و آنچه عملا قابل دست یافتن است.


7.2. مسائل نقشه برداری پوشش زمین و کاربری اراضی
از آنجا که تغییرات پوشش زمین با عواملی مثل، کیفیت زمانی با در نظر گرفتن انتخاب مناسب نوع داده در آن موثر است.شکل 2.4. روابط بین داده های ماهواره ای با رزلوشن زمانی و رزلوشن مکانی را به تصویر می کشد.نقطه چین دامنه اصلی است که سهم داده های ماهواره را در نقشه برداری پوشش زمین مشخص می کند.غالبا چنین نقشه ای برای مناطق کوچک با تکرار بسیار مناسب نیست(قسمت سمت چپ پائین تر از تصویر).بنابراین گستردگی حوزه استفاده از دامنه بین دو حد نهایی:وضوح درشت در فواصل مدت زمانی مکرر (قسمت پایین سمت چپ تصویر) و رزلوشن خوب در فواصل طولانی(بالا سمت چپ). لازم به ذکر است برچسب های درشت و خوب نسبی هستند و اینکه هر پوشش یک رنج از رزلوشن دارد.به عنوان مثال درشت برای AVHRR که وضوح 8 کیلومتری دارد خوب است اما برای MODIS که رزلوشن250 تر دارد خوب نیست. شرایط برای استفاده اجمالی جهت دسته بندی سنسور ها است که صلاحیت آنها باید به صورت پایدار در ذهن حفظ شود.
در حوزه بین دو محدوده بالا تکنیکهای سنجش از دور پیوسته است.از لحاظ تئوری کل محدوده را می توان به استفاده از داده های ماهواره ای از گوشه سمت چپ محدوده وارد کرد.به عنوان مثال اغلب داده های بدست آمده با رزلوشن فضایی بالا.به هر حال، این یک امکان علمی است و یک راه حل بی اثر در هر زمان است، چرا که تغییرات دره ای پوشش زمین در مکان کافی نیست. بنابراین یک رویکرد واقع بینانه است که به طور وسیعی از ابزارهای گسترده استفاده کند.
منطقه A در شکل غالبا نشان دهنده نقشه های بدست آمده از داده های با وضوح درشت است. با چنین داده های ممکن است برای آماده سازی مجموعه داده ها در سطح بالاتر از روش ترکیب پیکسل ها امکان پذیر است(هلبن، 1986).بنابراین نقشه های پوشش اراضی جهانی برای ایجاد فاصله های کوتاه اجازه می دهد.در منطقهB داده با وضوح خوب به ندرت بدست می آید.بنابراین همراه با آلودگی ابر و اثرات رشد فصلی مجموعه داده های مناسب برای تجزیه و تحلیل پوشش زمین تنها در دوره های زمانی طولانی تر اجتناب ناپذیر است.پوشش مناطق بزرگ که نتیجه ترکیب سینهای تولید شده است به عنوان مثال موزاییک کردن تصاویر منحصر به فرد.منطقه c می تواند محصولات تولید شده در منطقه A وB را بکار گیرد.تا کنون رویکرد این بوده که تا بکار گیری A برای نقشه برداری و B برای آموزش و اعتبار سنجی به کار گرفته شده است(به عنوان مثال-چیلار و بوبین،1998، دفرایس و همکاران1998،هانسن و همکاران،2000).منطقه D بزرگترین چالش را ارائه می دهد، نیاز به پوشش مکرر با رزلوشن خوب.در صورتی که در حال حاضر ممکن نیست در مناطق بزرگ،و برای ترکیب محصولات قطعات A وB امکان پذیر گیرد.نقشه برداری مناطق بزرگ بر مبنای داده های سنجش از دور غالبا در منطقه Aاست زیرا که درخواست محاسبات قابل کنترل و داده ها در دسترس هستند.نقشه پوشش زمین با رزلوشن 8 کیلومتر از داده پوشش جهانی AVHRR آماده شده است(دیفریس و تونشد،1994، دیفریس و همکاران،1998 ).نقشه های دورنمای مناطق(چیلار و همکاران،1997، استایبرت و همکاران،1997، لاپورته و همکاران،1998) یا مناطق بزرگ( لاولند و همکاران،1991،1995،چیلار و بیوبین،1998)در سالهای اخیر با داده AVHRRبا رزلوشن یک کیلومتر تولید شده است.با در دسترس بودن AVHRR جهانی با مجموعه داده های های با یک کیلومتر و فعالیتهای متمرکز منجر به تولید محصولات جهانی با همان وضوح شده است(لاولند و بلوارد،1997،هانسن و همکاران،2000،لاولند و همکاران،2000). تا کنون نقشه منطقه A به ندرت تولید شده است.با این حال، برخی تکنیکها می تواند برای تولید نقشه های پوشش اراضی در فواصل زمانی کوتاه تر انجام شود.کوتاه به عنوان حداقل مدت ترکیب و در نتیجه یک مجموعه داده قابل استفاده باشد.



1.8.2. پیش پردازش
با فرض اینکه طیف وسیعی از نیازهای نقشه برداری پوشش زمین با چهار منطقه ازA-D نشان داده شود، تمرکز نیازها با حفظ و بهبود روشهای بهینه با استفاده از داده های خوب و مناسب با سنسورهای با کیفیت بالا ممکن است.برای سنسورهای وضوح درشت این بدان معنی است که روشها برای اصلاحات تصویر مخصوصا،جو،هندسه سنجنده و آلایندگی پیکسل بهبود یافته است.برای تولید یک تصویر ترکیبی عاری از ابر که دارای خواص رادیومتریکی باشد و تثبیت تصویر رادیومتریک در خلال همان دوره بدست آمده است. دسترسی به کیفیت بالا،اطلاعات کالیبراسیون MODIS،مریس،VGT و GLI پیشرفت های عمده ای را ممکن خواهد شد.به این هدف نمی توان به طور کامل برای بسیاری از سنسورها دست یافت، چراکه رزلوشن فضایی با زاویه دید هر چند در برخی موارد در حال تغییر است(به عنوان مثال،SPOT VGT ، سینت 1992) و رزلوشن مشاهدات مستقل از زاویه است.راههای خلاقانه را برای تعریف و پیاده سازی الگوریتم های قوی برای تولید محصولات ترکیبی برتر را باید شناخت.کار بیشتر برای ترکیب الگوریتم ها نتیجه ای است که به نظر می رسد که با حداکثر شاخص NDVI در همه جا به عنوان مبنایی برای استفاده مقایسه است که تضمین شده است. این به معنی کالیبراسیون دقیق سنسور و تصحیحات جوی است،هر چند این اقدامات به تنهایی کافی نیست.اثرات اتمسفری محلی (ابرهای رقیق،مه ، دود)تاثیرات دو طرفه و یا تغییرات کوچک رشد ممکن است عملکرد راه حلهای الگوریتم داشته باشد اما آنها چالش قابل توجهی دارند.
2.8.2. طبقه بندی
چیلار و همکاران در سال 1998 پیشنهاد کردند که الگوریتم های طبقه ایده آل باید الزامات زیر را برآورده سازد:دقت،تکرارپذیری توسط دیگران با توجه به همان داده ورودی،اعتبار(عدم حساسیت به تغییرات کوچک در داده های ورودی)توانایی کامل در استخراج اطلاعات از داده ها،کاربرد یکنواخت در کل دامنه،وابسطه به تصمیم گیری های تحلیلگر نباشد.بسیاری از روشهای طبقه بندی های تصاویر رقومی در حال حاضر با این ظوابط و هیچ از آنها مطابقت ندارد.با این حال چنین معیارهای اساسی بر مبنای یک روش علمی است.برخی از پیامدهای آن به طور خلاصه به شرح ذیل اعلام می گردد.علاقه و نوآوری در روشهای طبقه بندی تصاویر ،به عنوان یک تنش خلاق بین روشهای نظارت شده و نظارت نشده و انواع آن در سالهای اخیر ادامه دارد. بدون شک این کار مسلما ادامه خواهد یافت و این یک فرایند سالم و مفید است که باید برای الگوریتم های بهتر هدایت شود.کار بویژه در خصوص محدودیت های هر دو روش پایه نظارت شده و نظارت شده که ناشی از فرض اساسی است نیاز است(شاویکو و شانگلتون،1998،بوئر و همکاران،1994،لیلسباند،1996).
اگر چه در ابتدا ارزشهای طیفی رقومی با ورودی اصلی برای طبقه بندی انواع مختلف دیتا اخیرا در هنگام طبقه بندی در نظر گرفته شده است(دیفرس و همکاران،1995) یا در مرحله برچسب زدن(برون و همکاران،1993). این یک نیاز مداوم خواهد بود به خصوص که بعنوان افزایش باندها و یا باند های جدید ممکن است محتوی اطلاعات منحصر به فرد را حمل کند(به عنوان مثال اوا و همکاران، 1998).یک نیاز قوی برای استفاده بهتر از اطلاعات مکانی وجود دارد.پس از همه نقشه های کاربری اراضی مفید به تنهایی از این ویژگیها قبل از ظهور عکاسی رنگی و طبقه بندی دیجیتال تولید شده اند.
چالش اصلی در مجزا کردن طبقه بندی تصاویر و در صورت امکان به حد اقل رساندن نقش تحلیلگر در طبقه بندی است. این مهم است زیرا تکرار پذیری یک نیاز اساس برای هر روش و یا محصول است.هنگامی که ورودی تحلیلگر در کل روند طبقه بندی توزیع شده است تنیجه تکرار نمی شود.از سوی دیگر، تا زمانی که مجزا است(به این ترتیب تا حدی مصنوعی است) راهنماهای طبقه بندی برای استفاده ادامه دارند،نقش تحلیلگر به دیل تفاوتهای کلاس بندی نمی تواند حذف شود.با این حال ممکن است یک نقش بیشتر به تحلیلگر اختصاص یابد و برای محدود کردن این ورود ها بخش خاصی از روش طبقه بندی را به خود اختصاص می دهد.این کل فرایند تکرار پذیری را بهبود می دهد، و تاثیر تصمیمات تحلیلگر را برجسته می کند.طیف وسیعی از انتخاب ها اینجا ممکن است،در روش طبقه بندی فازی نقش تحلیلگر را می توان ترکیب قابل قبولی از هر کلاس از نظر اجزاء منحصر به فرد در نظر گرفت.
گام بعدی در کاهش مولفه های ذهنی برای طبقه بندی است که برای ساختن یک محصول بیوفیزیکی خاص با متغیرهای پیوسته است. به عنوان مثال رانینگ و همکاران در سال 1995سه متغیر را پیشنهاد کردند(تداوم زیست توده زندگی روی زمین،شاخص سطح برگ،طول عمر برگ)مشخص کردن پوشش زمین با پوشش گیاهی.اگر این چنین محصولات به صورت جداگانه از داده های ماهواره اخذ گردد، کاربران شخصی می توانند یک راهنمای طبقه بندی بهینه شده را برای همه انواع پوشش زمین و با شرایط موجو در منطقه و با رابط خاص تولید کنند. با این حال،نیازهای این منطقه به دلیل دستاوردهای بالقوه در ابزار از اطلاعات ماهواره ای اخذ شده است. تا کنون کار در دو یا چند کلاس انجام شده است(اورسون و همکاران،1994،ژو و همکاران،1994،دیفرنس و همکاران،1998)نیاز به تعمیم انواع پوشش متعدد است.
اگرچه برای سین های مرکب(منطقهB تصویر 2.4)یک رویکرد مطلوب برای طبقه بندی کل موزائیک بعنوان یک وجود،و آن محتمل است که محدودیت های داده در بسیاری از موارد ممکن خواهد شد.بنابراین تصحیحات محلی برای دستیابی به نتایج مطلوب لازم خواهد بود. این موضوعات باید بر اساس کیفیت تصویر ورودی آشکار شده باشند اما الگوریتم های مورد نیاز برای فرایند تکرار و سازگاری لازم هستند.


.9.2. تغییر پوشش زمین و کاربری اراضی
تغییرات در پوشش زمین و کاربری اراضی متاثر از هر دو کیفیت محیط زیست و کیفیت زندگی است دو جنبه که در سلامت انسان موثر است.تغییرات در زیستگاه،آب و کیفیت هوا و کیفیت زندگی عوامل محیطی، دغدغه های اجتماعی و اقتصادی در ارتباط با تغییرات پوشش زمین و کاربری اراضی.
زیستگاه: استفاده از زمین توسط انسان منجر به تغییراتی می گردد مه می تواند تاثرات منفی زیست محیطی داشته باشد.تبدیل جنگلهای طبیعی و چمنزارها به مصارف توسعه ای باعث کاهش مقدار زیستگاهای در دستری می شود.غالبا الگوی انسانی کاربری زمین منجر به تکه تکه شده چشم انداز و مناظر و همچنین ریز ریز شدن سکونتگاهها می گردد.برخی از گونه های گیاهان و جانوران عمل جزء جزء کردن محیط را بهتر انجام می دهند،در حالی که دیگران به مناطق بزرگ متوالی نیازمند هستند.
کیفیت آب:تغییرات در کاربری زمین می تواند حجم،زمان،کیفیت روان آبها را تحت تاثر قرار دهد.کاربری اراضی پیشرفته نسبت بالاتری از سطح غیر قابل نفوذ دارند(مناطقی که آب نمی تواند به زمین رسوخ کند،مانند، جاده ها،پارکینگها و سقف های ساختمان).به عنوان افزایش سطح مقدار غیر قابل نفوذ، باران شدید که منجر به افزایش حجم روان آب گردد، باعث افزایش خطر سیل و افزایش مقدار آلودگی قابل حمل در جریانهای آبی و رودخانه ها می گردد. معمولا استفاده های انسانی از زمین پوشش زمین طبیعی را بر هم می زند و باعث افزایش فرسایش خاک و جرایانهای آبی به سوی دریاچه ها یا برکه ها می گردد.
کیفیت زندگی (تراکم،زیبایی شناسی،سرگرمی) : تغییرات پوشش زمین و کاربری اراضی می تواند کیفیت زندگی را تحت تاثیر قرار دهد هنگامی که اشخاصی تحت تاثیر تغییرات چشم انداز هایی که دارای ارزش زیبایی شناختی است(مناظر) و یا زمانی که کیفیت و کمیت چشم اندازها در مناطق کاهش می یابد که برای مناطق تفریحی جذاب هستند.غالبا تغییرات در پوشش اراضی و کاربری زمین می تواند بر الگوهای ترافیکی و اثرات مثبت و یا منفی بر تراکم تاثیر داشته باشد.
کیفیت هوا:الگوی کاربری زمین در یک منطقه می تواند تاثیری بر کیفیت هوا داشته باشد.اگر مناطق مسکونی دور از مناطق خرید و مراکز کار باشند استفاده از خودرو و در نتیجه گازهای گلخانه افزایش می یابد.اگر جنگل یا مناطق طبیعی که تصویه کننده هوا هستند توسعه یابد،کیفیت هوای محلی می تواند بهتر شود.
چرخه کربن جهانی: چشم اندازهای بیشتر طبیعی می تواند کاهش مقدار دی اکسید کربن در اتمسفر را از کربن خاک تسخیر و ذخیره کند.اگر پوشش گیاهی قطع یا خاک فرسایش یابد کربن ذخیره شده در خاک می تواند به اتمسفر برگردد.مطالعات متعددی عوامل اجتماعی و اقتصادی تغییر پوشش زمین و کاربری اراضی را بررسی کرده اند.شامل:
رشد یا کاهش جمعیت: به عنوان رشد جمعیت یک منطقه،ساکنان جدید به مسکن نیاز دارند،همچنین مکانهای کار و فروشگاهی،در یک منطقه با کاهش جمعیت کاهش ساخت و سازهای خانه و کسب و کار را خواهد داشت.
رشد اقتصادی:اقتصاد پر رونق منطقه منجر به ساخت و سازهای تجاری، صنعتی و فعالیتهای خانه سازی تاثیر دارد.همانطور که اقتصاد رشد می کند،مشاغل جدید که کارگر جذب می کند بیشتر می شود،منجر به رشد جمعیت می شود و در نهایت منجر به ساخت مکانهای جدید برای خانه سازی و خرید می گردد.با افزایش درآمد خانوار،منجر به ساخت خانه های جدید می شود و خانه های قدیمی متروک می شود.
جمعیت:متوسط جمعیت ساکن در یک خانوار در طول زمان در حال کاهش است.از این رو،واحد مسکونی بیشتری به تعداد مردمان ساکن در آنجا مورد نیاز است.تعداد خانوار های بازنشسته رو به افزایش است و این خانواده ها به کاهش جمعیت تمایل دارند.ضمناً نسبت خانوار غیر سفید پوست رو به افزایش است.این خانوار ها تمایل به داشتن اعضای بیشتر نسبت به متوسط خانوارهای سفید پوست دارند.
محصولات کشاورزی و جنگلی:تغییر در قیمت محصولات کشاورزی یا جنگلی مالکین زمین را تحت تاثیر قرار می دهد،مخصوصا تصمیم گیری در مورد نگه داشتن زمین و یا استفاده از آن.سیاستهایی با هدف حمایت از قیمت محصولات کشاورزی باعث ایجاد انگیزه جهت حفظ زمین های کشاورزی می گردد.
سیاست ها و برنامه ریزی محلی و منطقه ای:مناطق می تواند تحت تاثیر نرخ تغییرات کاربری اراضی و پوشش زمین از طریق ابزارهای مختلف قرار گیرد.
نتیجه گیری:مشاهدات زمین دارای پتانسیل تقاضاهای فوری و روبه رشد دقیق و به موقع اطلاعات پوشش زمین در مناطق بزرگ است.در گذشته ای نزدیک نقشه برداری پوشش زمین از ماهواره از طریق تحقیقات در موضوعات مختلف راجع به پیش پردارش داده ها،طبقه بندی و ارزیابی دقت، اطلاعات جدید و منحصر به فرد،محصولات پوشش زمین در حال تولید با تکنیکهای قبلی در حال انجام بوده است.بسیاری از محدودیتهای فنی مانع پیشرفت در نقشه برداری پوشش زمین مخصوصا در کیفیت داده های ماهواره ای می گردد(بهبود کالیبراسیون،رزلوشن طیفی و مکانی،پوشش طیفی،دقت مکان های جغرافیایی)و قابلیت محاسبات و متکی به دانش جمع آوری شده و تجربه در استفاده از روشهای تجزیه و تحلیل رقومی است.فعالیتهای تحقیقاتی مداوم و قوی مستلزم طرحهای جدید جهت تولید نقشه پوشش اراضی است.پژوهش های آینده در زمینه مطالعات کاربری زمین و پوشش اراضی مستلزم آدرس برای اخذ بهترین نتایج از ماهواره جهت تهیه پایگاه داده پوشش اراضی از طریق تکنیکهای مدل سازی تغییر در کاربری زمین و پوشش اراضی که ارائه دهنده نتایج مهم ورودیها برای مطالعات در مناطق در حال ظهور نظارت بر محیط زیست که منجر به گرم شدن زمین و تغییرات آب و هوایی می گردد.

References
Adams JB, Sabol DE, Kapos V, Filho RA, Roberts DA , Smith MO and Gillespie AR, 1995, Classification of Multispectral
Images based on Fractions of Endmembers: Application to land-cover change in the Brazilian Amazon, Remote
Sensing of the Environment, 52 :137-154.
Agarwal C, Green GM, Grove JM , Evans T and Schweik C, 2000, A review and assessment of land-use change
models: Dynamics of space, time, and human choice, Paper presented in the Fourth International Conference on
Integrating GIS and Environmental Modeling (GIS/EM4), September 2–8, Banff, Canada.
Ahern FJ, Janetos AC and Langham E, 1998, Global Observation of Forest Cover: a CEOS’ Integrated Observing
Strategy, Proceedings of 27th International Symposium on Remote Sensing of Environment,Troms,Norway, p.
103–105.
43
Alcamo J, 1994, IMAGE 2.0: Integrated Modeling of Global Climate Change, Kluwer Academic Publishers, Dordrecht,
Germany.
Anderson GL, Hanson JD and Haas RH,1993, Evaluating landsat thematic mapper derived vegetation indices for
estimating above–ground biomass on semiarid rangelands, Remote Sensing of Environment, 45: 165–175.
Anderson JR, Hardy EE , Roach JT and Witmer RE, 1976: A land use and land cover classification system for use with
remote sensor data, US Geological Survey Professional Paper 964, 28 pp.
Asrar G, Fuchs M, Kanemasu ET and Hatfield JL, 1984, Estimating absorbed photosynthetic radiation and leaf area
index from spectral reflectance in wheat, Agronomy Journal, 76: 300-306.
Atzberger CG, 1996, The spectral correlation concept: an effective new image-based atmospheric correction methodology
over land areas, In Progress in Environmental Remote Sensing Research and Applications, edited by
Parlow A (Rotterdam: Balkema), 125–132.
Balling RJ, Taber JT, Brown M and Day K, 1999, Multi-objective urban planning using a genetic algorithm, ASCE
Journal of Urban Planning and Development, 125 (2) : 86-99.
Balzter, H, P W Braun and W Kohler, 1998, Cellular automata models for vegetation dynamics, Ecological Modelling,
107 (2/3): 113-125.
Barnes W L, Pagano TS and Salomonson VV, 1998, Prelaunch characteristics of the Moderate Resolution Imaging
Spectrometer (MODIS) on EOS-AM/1, IEEE Transactions on Geoscience and Remote Sensing, 36: 1088–1100.
Brown JF, Loveland TR, Merchant J W, Reed BC and Ohlen, DO, 1993, Using multisource data in global land cover
characterization: concepts, requirements and methods, Photogrammetric Engineering and Remote Sensing, 59:
977–987.
Burk TE, Ek AR, Coppin PR, Lime SD, Walsh TA, Walters DK, Befort W and Heinzen DH, 1994, Satellite inventory of
Minnesota forest resources, Photogrammetric Engineering and Remote Sensing, 60: 287–298.
Carpenter GA, Gjaja MN, Gopal S and Woodcock CE, 1997, ART neural networks for remote sensing: vegetation
classification from Landsat TM and terrain data, IEEE Transactions on Geoscience and Remote Sensing, 35:
308–325.
Chavez P, 1988, An improved dark-object subtraction technique for atmospheric scattering correction of multispectral
data, Remote Sensing of Environment, 24: 459–479.
Chavez P,1989, Radiometric calibration of Landsat Thematic Mapper multispectral images, Photogrammetric Engineering
and Remote Sensing, 55: 1285–1294.
Chuvieco E and Congalton RG,1988, Using cluster analysis to improve the selection of training statistics in classifying
remotely sensed data, Photogrammetric Engineering and Remote Sensing, 54: 1275–1281,
Cihlar J, 2000, Land cover mapping of large areas from satellites: status and research priorities, International Journal
of Remote Sensing, 21(6-7): 1093-1114.
Cihlar J, 1996, Identification of contaminated pixels in AVHRR composite images for studies of land biosphere,
Remote Sensing of Environment, 56: 149–163.
Cihlar J and Beaubien J, 1998, Land Cover of Canada 1995, Version 1.1. Digital data set documentation, Natural
Resources Canada, Ottawa, Ontario.
Cihlar J, Latifovic R, Chen J and Li Z, 1999, Near-real time detection of contaminated pixels in AVHRR composites,
Canadian Journal of Remote Sensing, 25: 160–170.
Cihlar J, Ly H and Xiao Q, 1996, Land cover classification with AVHRR multichannel composites in northern environments,
Remote Sensing of Environment, 58: 36–51.
Cihlar J, Xiao Q, Beaubien J, Fung K and Latifovic R, 1998, Classification by Progressive Generalization: a new
automated methodology for remote sensing multichannel data, International Journal of Remote Sensing, 19:
2685–2704.
Colwell RN, (editor) 1960, Manual for Photographic Interpretation, The American Society of Photogrammetry, Washington,
D.C.
44
Congalton RG, 1991, A review of assessing the accuracy of classifications of remotely sensed data, Remote Sensing
of Environment, 37: 35–46.
Congalton RG, 1996, Accuracy assessment: a critical component of land cover mapping, In Gap Analysis: A Landscape
Approach to Biodiversity Planning, edited by Scott JM, Tear THandDavis F (Bethesda, Maryland: American
Society for Photogrammetry and Remote Sensing), 119–131.
Conte R, Hegselmann R and Terna P, eds., 1997, Simulating Social Phenomena, Springer, Berlin.
Coppin, Pol R and Marvin E Bauer, 1996, Digital Change Detection in Forest Ecosystems, Remote Sensing Reviews,
13207-234.
Costanza R, Sklar FH and JDay W Jr., 1986, Modeling spatial and temporal succession in the Atchafalaya/Terrebonne
Marsh/estuarine complex in South Louisiana, P, 387-404 in D, A, Wolfe, ed, Estuarine Variability, Academic Press.
Cracknell A P and Paithoonwattanakij K, 1989, Pixel and sub-pixel accuracy in geometrical image correction of AVHRR
imagery, International Journal of Remote Sensing, 10: 661–667.
Cromley RG and Hanink DM, 1999, Coupling land-use allocation models with raster GIS, Journal of Geographic
Systems, 1: 137-153.
De Boissezon H, Gonzales G, Pus B and Sharman M, 1993, Rapid estimation of crop acreage and production at a
European scale using high resolution imagery—operational review, Proceedings of the International Symposium
‘Operationalization of Remote Sensing’, ITC Enschede, The Netherlands, 94–105.
DeFries RS, Hansen M and Townshend JRG, 1995, Global discrimination of land cover types from metrics derived from
AVHRR Pathfinder data, Remote Sensing of Environment, 54: 209–222.
DeFries R S, Hansen M, Townshend JRG and Sohlberg R, 1998, Global land cover classification at 8 km spatial
resolution: the use of training data derived from Landsat imagery in decision tree classifiers, International Journal
of Remote Sensing, 19: 3141–3168.
DeFries R, Hansen M, Steininger M, Dubayah R, Sohlberg R and Townshend J, 1997, Subpixel forest cover in central
Africa from multisensor, multitemporal data, Remote Sensing of Environment, 60: 228–246.
DeFries RS and Townshend JRG, 1994, NDVI-derived land cover classification at global scales, International Journal
of Remote Sensing, 15: 3567–3586.
DeFries RS, Bounoua L and Collatz GJ, 2002, Human modification of the landscape and surface climate in the next fifty
years, Global Change Biology, 8: 438-458.
Dickinson RE, Henderson-Sellers A, Kennedy PJ and Wilson MF, 1986, Biosphere-atmosphere transfer scheme
(BATS) for the NCAR community climate model, NCAR Technical Note NCAR/TN275+STR, Boulder, CO, USA.
Elmore, Andrew J, Mustard, John F, Manning, Sara J, Lobell and David B, 2000, Quantifying Vegetation Change in Semi-
Arid Environments: Precision and Accuracy of Spectral Mixture Analysis and the Normalized Difference Vegetation
Index, Remote Sensing of the Environment, 73(1): 87 - 102.
Elvidge CD, Yuan D, Weerackoon RD and Lunetta RS, 1995, Relative radiometric normalization of Landsat Multispectral
Scanner (MSS) data using an automatic scattergram-controlled regression, Photogrammetric Engineering
and Remote Sensing, 61: 1255–1260.
Eva HD, Malingreau JP, Gregoire JM, Belward AS and Mutlow CT, 1998, The advance of burnt areas in Central Africa as
detected by ATSR-1, International Journal of Remote Sensing, 19: 1635–1637.
Foody GM, 1998, Sharpening fuzzy classification output to refine the representation of sub-pixel land cover distribution,
International Journal of Remote Sensing, 19: 2593–2599.
Foody GM, Lucas RM, Curran PJ and Honzak M, 1997, Non-linear mixture modeling without end-members using an
artificial neural network, International Journal of Remote Sensing, 18: 937–953.
Friedmann DE, 1981, Operational resampling for correcting images to a geocoded format, Proceedings of the Fifteenth
International Symposium Remote Sensing of Environment, Ann Arbor, MI (Environmental Research Institute
of Michigan), 195–199.
GCOS, 1997, GCOS/GTOS plan for terrestrial climate-related observations, Report GCOS-32, WMO/TD-No. 796, World
Meteorological Organization.
45
Gong P, Marceau DJ and Howarth PJ, 1992, A comparison of spatial feature extraction algorithms for land-use
classification with SPOT HRV data, Remote Sensing of Environment, 40: 137–151.
Guindon B, 1995, Utilization of Landsat Pathfinder data for the creation of large area mosaics, Proceedings of the 1995
ACSM/ASPRS Conference, Charlotte, NC (American Society of Photogrammetry and Remote Sensing), 2: 144–
153.
Hammond TO and Verbyla DL, 1996, Optimistic bias in classification accuracy assessment, International Journal of
Remote Sensing, 17: 1261-1266.
Hansen MC, DeFries RS, Townshend, JRG and Sohlberg R, 2000, Global land cover classification at 1 km spatial
resolution using a classification tree approach, International Journal of Remote Sensing, 21: 1331–1364.
Hansen M, Dubayah R and DeFries R, 1996, Classification trees: an alternative to traditional land cover classifiers,
International Journal of Remote Sensing, 17: 1075–1081.
HolbenB, 1986, Characteristics of maximum-value composite images from temporal AVHRR data, International Journal
of Remote Sensing, 7: 1417–1434.
Homer CG, Ramsey RD, Edwards T C Jr. and Falconer A, 1997, Landscape cover type modeling using a multi-scene
Thematic Mapper mosaic, Photogrammetric Engineering and Remote Sensing, 63: 59–67.
Hord RM, and Brooner W, 1976, Land-use map accuracy criteria, Photogrammetric Engineering and Remote Sensing,
42: 671–677.
Houghton RA , 1999, The annual net flux of carbon to the atmosphere from changes in land use 1850-1990, Tellus
Series B-Chemical And Physical Meteorology, 51: 298-313.
Howitt RE, 1995, Positive mathematical programming, American Journal of Agricultural Economics, 77 (2): 329-42.
Huete AR,1986, Separation of Soil-plant Spectral Mixtures by Factor Analysis, Remote Sensing of the Environment, 19:
237 - 251.
Huete AR, 1988, A soil-adjusted vegetation index (SAVI), Remote Sensensing of Environment, 25: 295-309.
IGBP,1990, The International Geosphere-Biosphere Programme: a study of global change, The initial core projects,
IGBP Report #12, Stockholm, Sweden.
Intergovernmental Panel on Climate Change (IPCC), 2000, Land use, Land-use Change, and Forestry: A Special
Report, R Watson et al. (Eds.), Cambridge University Press, Cambridge, U.K.
Iverson LR, Cook EA and Graham RL, 1994, Regional forest cover estimation via remote sensing: the calibration
center concept, Landscape Ecology, 9: 159–174.
Janetos AC and Justice CO, 2000, Land cover and global productivity: a measurement strategy for the NASA programme,
International Journal of Remote Sensing, 21: 1491-1512.
Janssen M A and Jager W, 2000, The human actor in ecological economic models, Ecological Economics, 35 (3):
307-310.
Kalkhan M A, Reich RM and Stohlgren TJ, 1998, Assessing the accuracy of Landsat Thematic Mapper classification
using double sampling, International Journal of Remote Sensing, 19: 2049–2060.
Kartikeyan B, Sarkar A and Majumder KL, 1998, A segmentation approach to classification of remote sensing imagery,
International Journal of Remote Sensing, 19: 1695–1709.
Lambin EF, 1994, Modelling Deforestation Processes: A Review, European Commission, Luxemburg.
Lark RM, 1995a, A reappraisal of unsupervised classification, I: correspondence between spectral and conceptual
classes, International Journal of Remote Sensing, 16: 1425–1423.
Lark RM, 1995b, A reappraisal of unsupervised classification, II: optimal adjustment of the map legend and a
neighbourhood approach for mapping legend units, International Journal of Remote Sensing, 16 : 1445–1460.
Lee RG, Flamm R, Turner MG, Bledsoe C , Chandler P, DeFerrari C ,Gottfried R , Naiman RJ ,Schumaker N and Wear
D, 1992, Integrating sustainable development and environmental vitality: A landscape ecology approach, pp 499-
521 in R J Naiman, ed. Watershed Management: Balancing sustainability and environmental change, Springer-
Verlag, New York.
46
Leggett CG and Bockstael NE, 2000, Evidence of the effects of water quality on residential land prices, Journal of
Environmental Economics and Management, 39: 121-144.
Li BL, 2000, Fractal geometry applications in description and analysis of patch patterns and patch dynamics, Ecological
Modelling, 132 (1 / 2): 33-50.
Lillesand TM, 1996, A protocol for satellite-based land cover classification in the Upper Midwest, In Gap Analysis: A
Landscape Approach to Biodiversity Planning, edited by Scott JM, Tear TH and Davis F(Bethesda, Maryland:
American Society for Photogrammetry and Remote Sensing), 103–118.
Liu J, Chen JM, Cihlar J and Park W, 1997, A process-based boreal ecosystem productivity simulator using remote
sensing inputs, Remote Sensing of Environment, 62: 158–175.
Loveland TR and Belward AS, 1997, The IGBP-DIS global 1 km land cover dataset, DISCover: first results, International
Journal of Remote Sensing, 18: 3289–3295.
Loveland TR, Merchant JW, Brown JF, Ohlen DO, Reed BC, Olson P and Hutchinson J, 1995, Seasonal land-cover
regions of the United States, Annals of the Association of American Geographers, 85: 339–355.
Loveland TR, Merchant JW, Ohlen DO and Brown JF, 1991, Development of a land-cover characteristics database for
the conterminous U.S., Photogrammetric Engineering and Remote Sensing, 57: 1453–1463.
Loveland TR, Reed BC, Brown JF, Ohlen DO, Zhu Z, Yang L and Merchant JW, 2000, Development of a global land
cover characteristics database and IGBP DISCover from 1-km AVHRR data, International Journal of Remote
Sensing, 21 : 1303–1330.
Macleod RD and Congalton RG, 1998, Photogrammatry Engineering and Remote Sensing, 64: 207–216.
Mannan B, Roy J and Ray AK, 1998, Fuzzy ARTMAP supervised classification of multi-spectral remotely-sensed
images, International Journal of Remote Sensing, 19: 767–774.
Mathews E, 1983, Global vegetation and land use: new high resolution data bases for climate studies, Journal of
Climate and Applied Meteorology, 22: 474–487.
Mayaux P, Achard F and Malingreau JP, 1998, Global tropical forest area measurements derived
from coarse resolution satellite imagery: a comparison with other approaches, Environmental Conservation, 25
: 37–52.
Mayaux P and Lambin EF, 1995, Estimation of tropical forest area from coarse spatial resolution data: a two-step
correction function for proportional errors due to spatial aggregation, Remote Sensing of Environment, 53: 1–16.
Mayaux P and Lambin EF, 1997, Tropical forest area measured from global land-cover classifications: inverse calibration
models based on spatial textures, Remote Sensing of Environment, 59: 29–43.
Mertens B and Lambin EF, 1997, Spatial modelling of deforestation in southern Cameroon, Applied Geography, 17
(2): 143-162.
Metternich GI and Fermont A, 1998, Estimating erosion surface features by linear mixture modeling, Remote Sensing
of the Environment, 64(3): 254-265.
Moody A and Woodcock CE, 1996, Calibration-based models for correction of area estimates derived from coarse
resolution land-cover data, Remote Sensing of Environment, 58: 225–241.
National Remote Sensing Agency, 2004, Manual on National Land use /land Cover mapping on 1:250,000 scale using
multi-temporal IRS P6-AWiFS data, NRSA, Dept. of Space, Govt. of India, Balanagar, Hyderabad.
Peterson DL, Spanner MA, Running SW and Tenber KB,1987, Relationship of Thematic Mapper Simulator data to
Leaf Area, Ecology , 67 (1): 1273-1276.
Rabben EL, 1960, Fundamentals of photo interpretation, In Manual of Photographic Interpretation, edited by
R N Colwell (Washington, DC: The American Society of Photogrammetry), 99–168.
Roberts DA, Smith MO and Adams JB, 1993, Green Vegetation, Nonphotosynthetic Vegetation, and soils in AVIRIS
Data, Remote Sensing of Environment, 44(2-3): 255-269.
Rosenfield GH and Fitzpatrick-Lins K, 1986, A coefficient of agreement as a measure of thematic classification
accuracy, Photogrammetric Engineering and Remote Sensing, 52: 223–227.
47
Rosenzweig C and Hillel D,1998, Climate Change and the Global Harvest: Potential Impacts of the Greenhouse
Effect on Agriculture, Journal of Agricultural and Environmental Ethics, 11 (1): 71-74.
Running SW, Justice CO, Salomonson V, Hall D, Barker J, Kaufmann YJ, Strahler A H, Huette A R, Muller JP, Vanderbilt
V, Wan ZM, Teillet P and Carneggie D, 1994, Terrestrial remote sensing science and algorithms planned for
EOS/MODIS, International Journal of Remote Sensing, 15: 3587–3620.
Running SW, Loveland TR, Pierce LL, Nemani RR and Hunt ER Jr., 1995, A remote sensing based vegetation classification
logic for global land cover analysis, Remote Sensing of Environment, 51: 39–48.
Schott JR, Salvaggio C and Volchok WJ, 1988, Radiometric scene normalization using pseudoinvariant features,
Remote Sensing of Environment, 26: 1–16.
Sellers PJ, Los SO, Tucker CJ, Justice CO, Dazlich DA, Collatz J A and Randall DA, 1994, A global 1o by 1o NDVI data
set for climate studies, Part 2: The generation of global fields of terrestrial biophysical parameters from the NDVI,
International Journal of Remote Sensing, 15: 3519–3545.
Shimabukuro YE, Mello EM K, Moreira JC and Duarte V, 1997, Segmentacao e classi, cacao da imagemsombra do
modelo demistura paramapear des• orestamento na Amazona, Report INPE-6147-PUD/029, InstitutoNacional
de Pesquisas Espacias, Sao Jose dos Campos, Brazil.
Singh HC,1989, Rural Environment Development and Planning, Chugh Publications, Allahabad, India.
Sklar FH and Costanza R, 1991, The development of dynamic spatial models for landscape ecology: A review and
prognosis: in M G Tuner and R H Gardner, eds, Quantitative Methods in Landscape Ecology, Springer-Verlag,
New York, 239-288.
Sommer S, Hill J and Megier J,1998, The Potential of Remote Sensing for Monitoring Rural Land Use Changes and
Their Effects on Soil Conditions, Agriculture Ecosystems & Environment, 67(2-3): 197-209.
Staenz K, Brown RJ and Teillet PM, 1984, Infl uence of the viewing geometry on vegetation measures, Proceedings of
the 8th Canadian Symposium on Remote Sensing, Montreal, QUE, (Canadian Remote Sensing Society), 5–12.
Steyaert LT, Hall FG and Loveland TR, 1997, Land cover mapping, fire regeneration, and scaling studies in the
Canadian boreal forest with 1 km AVHRR and Landsat TM data, Journal of Geophysical Research, 102: 29581–
29598.
Thomas IL and McKallcock G, 1984, Determining the confidence level for a classification, Photogrammetric Engineering
and Remote Sensing, 50: 1491–1496.
Torrens PM and O’Sullivan D, 2001, Cellular automata and urban simulation: Where do we go from here? Environment
and Planning, 28 (2): 163-168.
Townshend JRG, Justice CO, Skole D, Malingreau JP, Cihlar J, Teillet P, Sadowski F and Ruttenberg S, 1994, The 1 km
resolution global data set: needs of the International Geosphere – Biosphere Programme, International Journal
of Remote Sensing, 15: 3417–3441.
Tucker CJ, 1979, Red and photographic infrared linear combinations for monitoring vegetation, Remote Sensing of
Environment , 8: 127-150.
Turner BL II, Mayer WB and Skole DL,1994, Global Land Use and Land Cover Change: Towards an integrated
programme of study, Ambio, 23(1): 91-95.
Van der Meer F, 1995, Spectral unmixing of Landsat Thematic Mapper data, International Journal of Remote Sensing,
16, 3189–3194.
Veldkamp A and Fresco LO, 1996, CLUE: A conceptual model to study the conversion of land use and its effects,
Ecological Modelling, 85 (2/3): 253-270.
Viovy N, Arino O and Belward AS, 1992, The Best Index Slope Extraction (BISE): a method for reducing noise in NDVI
time-series, International Journal of Remote Sensing, 13: 1585–1590.
Vogelmann J E, Sohl T and Howard S M, 1998, Regional characterization of land cover using multiple sources of data,
Photogrammetric Engineering and Remote Sensing, 64: 45–57.
48
Walsh T A and Burk TE, 1993, Calibration of satellite classifications of land area, Remote Sensing of Environment, 46
: 281–290.
Wiegand CL, Richardson AJ, Escobar DE and Gerbermann AH, 1991, Vegetation indices in crop assessments,
Remote Sensensing of Environment, 35: 105-119.
Wigmosta MS, Vail LW and Lettenmaier DP, 1994, A distributed hydrology vegetation model for complex terrain, Water
Resources Research, 30: 1665–1679.
Yuan D and Elvidge CD, 1996, Comparison of relative radiometric normalization techniques, ISPRS Journal of Photogrammetry
and Remote Sensing, 51: 117–126.
Zhu Z and Evans DL, 1994, U,S, forest types and predicted percent forest cover from AVHRR data, Photogrammetric
Engineering and Remote Sensing, 60: 525–531

شنبه 4 دی 1395 ساعت 13:36  
 نظرات