Forest is an important natural resource that should be carefully protected and rationally managed. In recent years, deforestation and forest land degradation have become the main concern for forest specialists as well as policy and decision-makers dealing with environment issues. It has been found that much of the existing forests have been destroyed, mainly by shifting cultivation, timber preparation, legal and illegal logging, and forest fires. To protect and conserve the deteriorating forest, it is very important to conduct forest-related risk assessment and map the outcomes in a spatial domain. The aim of this research is to conduct a forest fire risk assessment mapping of Tujiin Nars National Park using geographic information system (GIS) and remote sensing (RS) techniques. The research approach is based on an empirical model. It includes three parameters (i.e. geomorphology, vegetation cover combustibility and human activity) that are crucial for the forest fire assessment. The results of the study can be used for different decision making processes.

To define spectral knowledge of the features presented in the multisource remotely sensed datasets, in most cases, signature-based analyses are applied. The  features are considered to be distinguishable if they are separable in a multidimensional  feature space. The aim of this research is to conduct signature-based backscatter analyses  using L and С-band Alos Palsar-2 and Sentinel-1B radar images and investigate  the separability of the available land cover classes. As a test site, Ulz gol basin situated in the northern part of Dornot aimag has been selected, and 8 different land cover classes were  chosen. The result of the backscatter analyses revealed that the selected land cover types in the study area could be somehow separable in different radar wavelengths.    Радарын L, С-Сувгийн Мэдээний Онцлог болон Сарнилын Тайлал      Хураангуй: Зайнаас тандсан олон эх сурвалжийн дүрс мэдээнд агуулагдаж байгаа янз бүрийн  спектрийн мэдлэгийг тодорхойлохын тулд, ихэнх тохиолдолд биет, юмсын сигнатурт дүн шин-  жилгээ хийх бөгөөд олон хэмжээст огторгуйд сигнатурууд саланги байх тохиолдолд дүрс мэдээн  дээрх биес өөр хоорондоо илүү сайн ялгагддаг. Энэхүү судалгааны ажлын зорилго нь, радарын  долгионы L ба С-сувгийн мужид хос туйлшралаар хүлээн авсан Alos Palsar-2 болон Sentinel-1B  дагуулын мэдээг тус тус ашиглан, газрын бүрхэвчийн сигнатур дээр суурилсан сарнилын ме-  ханизмын тайлал хийж, улмаар уг ангиуд өөр хоорондоо сарнилаараа хэрхэн ялгагдаж байгааг  харуулахад оршино. Судалгааны загвар талбай болгон Дорнод аймгийн хойд хэсэгт орших Улз  голын сав нутгийг сонгон авч, нийт 8 ангийг тодорхойлсон бөгөөд сарнилын тайллын дүнгээс  харахад, ангиуд өөр хоорондоо тодорхой хэмжээнд ялгагдаж байлаа. Дүн шинжилгээнд, ENVI  5.2 программ хангамжийг ашигласан болно.  Түлхүүр үгс: Alos Palsar-2, Sentinel-1B, радарын долгион, сигнатур, дүн шинжилгээ

Machine-learning offers the potential for effective and efficient classification of remotely sensed imagery. The strength of the machine-learning include the capacity to handle data of high dimensionality and to map classes with very complex characteristics. This study aimed to apply the machine-learning method for an improved land cover classification.  For this purpose, multispectral Sentinel-2 data along with 3 vegetation indices (NDVI -normalized difference vegetation index, TSAVI-transformed soil adjusted vegetation index, and MTVI-modified triangular vegetation index) were acquired in July 2021 around Zuunburen soum, Selenge province, and analysed to classify and compare land cover using random forest (RF) and support vector machine (SVM) techniques. For the actual classifications, three vegetation indices, NDVI, TSAVI, and MTVI, which were derived from the visible and infrared bands of Sentinel-2a, were used. As the result, the land cover was classified into 5 classes including forest, cropland, grass, soil, and water, and the overall accuracy of the machine-learning method was above 87%. Газрын бүрхэвчийг машин сургалттай ангиллын арга болон ургамлын индексүүд ашиглан ангилах нь ХУРААНГУЙ Машин сургалттай ангиллын арга нь зайнаас тандсан мэдээг илүү үр дүнтэй, нарийвчлалтай сайтай ангилах боломжийг олгодог. Уг ангиллын давуу тал нь их хэмжээний өгөгдөлтэй ажиллах, маш нарийн төвөгтэй шинж чанар бүхий ангиудыг ангилахад оршино.  Энэхүү судалгаа нь Сэлэнгэ аймгийн Зүүнбүрэн сумын нутгийн Sentinel-2 хиймэл дагуулын олон бүсчлэлийн мэдээнд санамсаргүй форест, тулах векторын зэрэг машин сургалттай ангиллын аргуудыг ашиглан,  газрын бүрхэвчийн ангилал хийж, харьцуулсан дүгнэлт хийх зорилготой бөгөөд ангилалд NDVI, TSAVI, MTVI гэсэн 3 төрлийн ургамлын индексийг ашигласан болно. Дүн шинжилгээнд, газрын бүрхэвчийг ус, ой, тариалан, ногоон ургамал, хөрс гэсэн 5 ангид хуваан ангилсан ба эцсийн үр дүнгээс харахад машин сургалттай аргуудын ерөнхий нарийвчлал 87%-иас дээш байлаа. Түлхүүр үгс: Газрын бүрхэвчийн ангилал, Машин сургалт, Санамсаргүй форест, Тулах векторын арга

No abstract

No abstract