بررسی توانایی مدل های سنجش از دور آماری در تهیه نقشه درصد پوشش گیاهی مناطق بیابانی

اندازه گیری و پایش درصد پوشش گیاهی در بسیاری از مطالعات زیست محیطی از اهمیت خاصی برخوردار است. با آنکه تکنیک های سنجش از دوری در اندازه گیری این پارامتر موفق نشان داده اند، ولی هنوز هم سنجش از راه دور این پارامتر در نواحی بیابانی با مشکلات خاصی روبرو می باشد. در این تحقیق سعی شده است، با اندازه گیری های میدانی درصد پوشش گیاهی در یک ناحیه بیابانی، رابطه بازتاب در باندهای مختلف سنجنده LISSIII، TM و درصد پوشش گیاهی مورد بررسی قرار گیرد. مطابق با یافته های این تحقیق در صورت خطی در نظر گرفتن این رابطه، درصد پوشش گیاهی تنها با باند مادون قرمز نزدیک آنهم در سطح 5 درصد دو طرفه رابطه معنی داری نشان می دهد. در حالیکه در صورت غیرخطی فرض کردن این رابطه، تمامی باندها با درصد پوشش گیاهی رابطه معنی داری در سطح 1 درصد نشان خواهد داد. همچنین با توجه به نتایج حاصله مشخص گردید در صورت استفاده از یک معادله رگرسیونی چند متغیره خطی، می توان این رابطه را در تمامی سطوح معنی دار نمود و تا اندازه ی زیادی دقت مدل پیش بینی را بهبود بخشید. حتی مشاهده گردید با تغییر در نوع مدل رگرسیونی مورد استفاده و تبدیل آن به یک مدل رگرسیونی چند متغیره غیر خطی، می توان ضریب تعیین و ضریب همبستگی میان برآوردهای حاصله و اندازه گیری های میدانی درصد پوشش گیاهی را به طور محسوسی افزایش داد، به گونه ای که در این تحقیق در بهترین حالت ضریب همبستگی 917/0 و ضریب تعیین 841/0 میان برآوردهای پوشش گیاهی و مقادیر اندازه گیری شده آن بدست آمد. بر اساس نتایج حاصله در این تحقیق برای افزایش دقت مدلسازی و غیر خطی نمودن رابطه درصد پوشش گیاهی و بازتاب در باندهای ماهواره ای بهترین روش استفاده از شبکه عصبی مصنوعی می باشد. در این تحقیق با ورود داده ها در ساختار شبکه عصبی در دقت مدل سازی بهبود قابل ملاحظه ای ایجاد شد به گونه ای که ضریب تعیین در بهترین حالت حتی از 9/0 هم عبور کرد. همچنین بر اساس یکصد تکرار مدلسازی شبکه عصبی در این پژوهش می توانیم اشاره نماییم مدل شبکه عصبی با تابع شعاعی محور توان بهتری از شبکه عصبی با حسگر چند لایه ای در تعیین درصد پوشش گیاهی مناطق خشک به کمک تصاویر ماهواره ای دارد.