زمینه و هدف: اهمیت جنگل های شمال ایران به عنوان یکی از مهمترین و بزرگترین ذخایر کربن و نقش آن در ترسیب کربن اتمسفری در کشورمان برکسی پوشیده نیست. مطالعه بیوماس روزمینی این جنگل ها به عنوان یک ضرورت تلقی می گردد. در سال های اخیر مطالعات زیادی با استفاده از تکنولوژی سنجش چکیده کامل
زمینه و هدف: اهمیت جنگل های شمال ایران به عنوان یکی از مهمترین و بزرگترین ذخایر کربن و نقش آن در ترسیب کربن اتمسفری در کشورمان برکسی پوشیده نیست. مطالعه بیوماس روزمینی این جنگل ها به عنوان یک ضرورت تلقی می گردد. در سال های اخیر مطالعات زیادی با استفاده از تکنولوژی سنجش از دور و شاخص های مختلف برای محاسبات بیوماس روزمینی جنگل ها انجام شده است. هدف پژوهش برآورد بیوماس جنگل های هیرکانی درشمال ایران با استفاده از اطلاعات ماهواره SPOT6 می باشد.
روش بررسی: بیوماس روزمینی این جنگل ها با استفاده از تصاویر ماهواره SPOT6 و مدل های رگرسیونی در سه منطقه انتخابی در استانهای شمالی و در 2 دامنه ارتفاعی در تابستان 1395 بررسی شد. پس از آن که مقادیر متوسط بیوماس روزمینی بر حسب تن در هکتار با استفاده از برداشت های زمینی محاسبه گردید، از 3 شاخص پوشش گیاهی NDVI، RVI و TVI برای برآورد بیوماس بر اساس تصاویر ماهواره ای استفاده شد.
یافته ها: نتایج نشان داد که رابطه بین مقادیر بیوماس روزمینی و شاخص های پوشش گیاهی یک رابطه خطی بوده و شاخص NDVI در سطح تمامی مناطق بیشترین سطح معنی داری و بالاترین ضریب همبستگی با بیوماس روزمینی را داشته است. بنابراین به منظور نقشه سازی بیوماس روزمینی از روابط رگرسیونی این شاخص استفاده شد.
نتیجه گیری: بر اساس نتایج این تحقیق مقادیر بیوماس بین سه منطقه اصلی تحقیق و در طبقات ارتفاعی میان بند و بالابند دارای تفاوت های نسبتاً زیادی می باشند. بیشترین میزان بیوماس در منطقه اسالم و دامنه ارتفاعی بالابند دیده شده است.
پرونده مقاله
زمینه و هدف: با عنایت به وضوح مکانی بالای داده های Geoeye، به دلیل توزیع گسترده تر پیکسل ها، نقشه های خروجی در دو روش طبقه بندی الگوریتم شبکه عصبی و شاخص پوشش جنگلی (FCD)، حساس تر و با جزئیات پیکسلی بیشتر همراه هستند. با توجه به حجم زیاد اطلاعات در سنسورهای جدید، هدف ای چکیده کامل
زمینه و هدف: با عنایت به وضوح مکانی بالای داده های Geoeye، به دلیل توزیع گسترده تر پیکسل ها، نقشه های خروجی در دو روش طبقه بندی الگوریتم شبکه عصبی و شاخص پوشش جنگلی (FCD)، حساس تر و با جزئیات پیکسلی بیشتر همراه هستند. با توجه به حجم زیاد اطلاعات در سنسورهای جدید، هدف این مطالعه توسعه و ارتقاء عملکرد الگوریتم های طبقه بندی پیچیده تر، برای تفسیر داده های ماهواره ای مدرن است.
روش بررسی: طبقه بندی مدل پایه FCDبراساس چهار شاخص اصلی، حساس به سایه، خاک بدون پوشش، شرایط و تراکم پوشش گیاهی، و بدون نیاز به نمونه تعلیمی، عمل می نماید. الگوریتم شبکه عصبی با حساسیت بالایی نسبت به باندهای تصویر اصلی و باندهای ایجاد شده و اضافه شده به تصویر و همچنین نمونه آموزشی معرفی شده، عمل می کند. نمونه های تعلیمی، تابستان 1395و 96 در سری 5 و 6 حوزه آبخیز 30 رامسر، بررسی گردیدند.
یافته ها: با استفاده از روش یاد شده دقت 5/24٪ برای روش FCD و 2/26٪ برای روش شبکه عصبی بدست آمده است. با توجه به اینکه داده های استفاده شده از وضوح بالایی برخوردارند، نقشه خروجی در این روش توسعه یافته، با تراکم بالای پولی گون ها همراه است.
بحث و نتیجه گیری: با توجه به دامنه ظهور پیکسل ها در نقشه های خروجی دو روش یاد شده، روش توسعه یافته ای برای تولید نقشه دقیق تر، با توجه به قدرت تفکیک مکانی زیاد سنجنده Geoeye، ارائه شده است. در این روش با طبقه بندی مجدد در محدوده حداکثر فراوانی پیکسل ها، مرزبندی پولی گون ها در ابعاد بسیار کوچکتر و دقیق تر قابل ملاحظه است.
پرونده مقاله