Spatial distribution of Persian Oak decline using a combination of geostatistical techniques and remote sensing (Case study: Barm plain, Fars province)
Subject Areas : Agriculture, rangeland, watershed and forestryRaziyeh Bagheri 1 , Yousef Erfanifard 2
1 - MSc. Student of Desert Management, Faculty of Agriculture, Shiraz University, Iran
2 - Assoc. Prof. Department of Remote Sensing and Geographical Information System, Faculty of Geography, University of Tehran, Iran
Keywords: RapidEye image, Decline map, Persian oak, geostatistic, Spatial variation,
Abstract :
Zagros arid woodlands are among the most important and valuable areas of Iran΄s natural resources that due to the dieback of trees in recent years, it seems necessary to manage and rehabilitate this vegetation. This research was aimed to study the spatial distribution map dieback of Persian oak trees (Quercus brantii Lindl), analyze and describe the spatial distribution using a combination of geostatistical techniques and remote sensing in Barm plain, Fars province. First, the RapidEye satellite image was classified into two categories of healthy and dried trees with the supervised classified algorithm including maximum likelihood. The overall accuracy and Kappa coefficients were 80% and 73%, respectively. The data were then collected in circular sample plots of 2000 m2 (with a radius of 25.24 m) based on a 300×300 meter network in a randomized manner. After preparing the point map, the percentage of drying of the classified image was determined by simple, ordinary, and universal Kriging interpolation method, which were evaluated using three models: Exponential, spherical, Gaussian. After evaluating the data using the cross-evaluation results, the most accurate fitting was shown by the simple Kriging method with the exponential model (mean estimation error of 0.023). Dieback map was obtained with classes of zero to 10, 10-20, 20-30, 30-40 and more than 40%. The largest area was related to class 20% to 30% with 493.9 ha and the smallest area was for zero to 10%, with 70.46 ha. The present study showed that it is possible to obtain maps of the spatial distribution of Persian oak dieback and recognize the focal points using geostatistical techniques and remote sensing.
_||_
پهنهبندی خشکیدگی درختان بلوط ایرانی در دشتبرم استان فارس با استفاده از تلفیق سنجشازدور و زمینآمار
چکیده
جنگلهای زاگرس ازجمله مناطق مهم و باارزش منابع طبیعی ایران هستند که با توجه به خشکیدگیهای درختان در سالهای اخیر بررسی، مدیریت و احیای این درختان دارای اهمیت است. این پژوهش بهمنظور تهیه نقشه پراکنش مکانی خشکیدگی درختان بلوط ایرانی (Quercus brantii Lindl.)، تجزیهوتحلیل، تشریح پراکنش مکانی درختان خشکیده با استفاده از تلفیق فنون زمینآمار و سنجشازدور در دشتبرم استان فارس انجام شد. ابتدا تصویر ماهوارهای RapidEye با طبقهبندی نظارتشده به روش حداکثر احتمال به دوطبقه درختان سالم و خشکیده طبقهبندی شد. صحت کلی و ضریب کاپا به ترتیب 80 و 73 درصد به دست آمد. درصد خشکیدگی در قطعهنمونههایی دایرهای شکل به مساحت 2000 مترمربع (با شعاع 24/25 متر) بر اساس شبکهای به ابعاد 300 × 300 متر با روش منظم –تصادفی جمعآوری شد. پس از تهیه نقشه نقطهای درصد خشکیدگی تصویر طبقه‌بندی‌شده از روشهای درونیابی کریجینگ ساده، معمولی، و عام استفاده شد که با استفاده از سه مدل نمائی، کروی و گوسی ارزیابی شدند. دقیق‌ترین بردارش را روش کریجینگ ساده با مدل نمایی نشان داد (میانگین خطای برآورد 023/0). نقشه خشکیدگی در طبقههای صفرتا 10، 10-20، 20-30، 30-40 و > 40، درصد ترسیم شد. بیشترین سطح خشکیدگی به طبقه 20% تا 30 % با 9/493 هکتار، (37/36 %) و کمترین به طبقه صفرتا 10 % با 46/70 هکتار (20/5 %) تعلق داشت. پژوهش پیشرو نشان داد با استفاده از زمینآمار (کریجینگ) و سنجشازدور میتوان پراکنش مکانی خشکیدگی بلوط ایرانی در منطقه موردمطالعه را در قالب نقشه ارائه داد و کانون خشکیدگی را شناسایی کرد.
واژههای کلیدی: بلوط، تغییرات مکانی، تصویر ماهوارهای RapidEye، کریجینگ، نقشه خشکیدگی.
مقدمه
بوم‌سازگان‌های طبیعی باارزش جنگلهای غرب ایران تنوع زیادی از گونههای گیاهی و جانوری دارند. وسیعترین ناحیه رویشی ایران با حدود پنج میلیون هکتار مساحت، که حدوداً معادل ۴۰ درصد از کل جنگلهای ایران است به جنگلهای زاگرس تعلق دارد. این ناحیه رویشی که در طبقه جنگلهای خشک و نیمهخشک قرار دارد و یکی از مهم‌ترین منابع تولید آب کشور به شمار میرود سالانه ۱۴۵ میلیارد مترمکعب آب در آن تولید میشود (12 و 40). همچنین این جنگلها بیشترین تأثیر را در حفظ خاک و حیاتوحش، تعدیل آب‌وهوا و تعادل اقتصادی- اجتماعی کشور، جلوگیری از سیلابهای مخرب، تولید میوه و محصولات جانبی دارند ( 11، 16 و 31). بنابراین مدیریت جنگلهای این ناحیه رویشی بهعنوان بومسازگانی حساس و شکننده، نیازمند انجام تحقیقاتی فراگیر بهمنظور حفظ، احیا، تداوم ثمربخشی و توسعه پایدار این مناطق است. بهمنظور مدیریت پایدار این جنگلها و به عبارتی اولین اقدام مؤثر در این زمینه، آگاهی از وضعیت موجود منطقه، دسترسی به دادههای کمی، بهروز و دارای صحت مناسب است (21 و 29).
متأسفانه باوجود فواید بی‌شماری که این جنگلهای ارزشمند برای مردمان زاگرس نشین و سایر مناطق کشور به ارمغان داشتهاند، امروزه شاهد تخریب کمی و کیفی جنگلهای این ناحیه رویشی هستیم (9). عاملهای متعددی باعث خسارت به جنگلهای زاگرس شده است که منشأ آن‌ها طبیعی و یا دخالت انسان بوده و در برخی مواقع هرکدام میتواند زمینهساز دیگری باشد ازآنجایی‌که خشکیدگی بلوط یکی از مشکلاتی است که باعث از بین رفتن بخشی از جنگلهای زاگرس شده است، درنتیجه مطالعه شناسایی، و پایش مداوم کانونهای خشکیدگی و دسترسی به نقشه مکانی درصد خشکیدگی برای برنامهریزی جهت مهار آن امری ضروری است.
در حال حاضر یکی از کارآمدترین روشهای موجود برای تهیه اطلاعات ارزشمند از جنگلها با هزینه کم در مدت‌زمان کوتاه، استفاده از فنون سنجشازدور است که اخیراً بهعنوان ابزاری قدرتمند در کنار مطالعات میدانی به کار گرفته میشود (8 و 33). در مطالعات متعددی ثابت‌شده است که روشهای سنتی مانند عملیات میدانی، مطالعات متون، تفسیر نقشه و تجزیهوتحلیل دادههای فرعی، به دلیل وقتگیر بودن، بسیار قدیمی و در اکثر اوقات بیشازحد گران میباشند، درنتیجه برای تهیه نقشه پوشش گیاهی مؤثر نیستند (34). درصورتی‌که مطالعات سنجشازدور یک ابزار علمی و مقرونبهصرفه در مطالعات پوشش گیاهی است (22 و 45). به‌طورکلی آگاهی از وضعیت تراکم درختی و ویژگیهای توده‌های جنگلی یکی از نخستین اقدامات در مدیریت جنگل است بنابراین اگر بتوان با استفاده از روشی مناسب و کم‌هزینه پهنهبندی دقیقی از این متغیرها در جنگل انجام داد، بی‌شک در برنامهریزی و مدیریت این جنگلها نقش بسزایی خواهد داشت(19). استفاده از سنجشازدور به دلیل ویژگیهایی آن امکان، پذیرش تغییرات در سلامتی گیاهان مثل خشکیدگی درختان را فراهم میکند. فنون سنجشازدور و تفسیر دادههای ماهوارهای یکی از روشهای مفید مطالعه جوامع گیاهی است و بر اساس طیف بازتابی از عوارض موجود در منطقه، گیاهان موجود در سطح زمین، دریافت و تشخیص آن‌ها توسط سنجندههای ماهوارهای عمل میکنند که در تهیه نقشه پوشش گیاهی در پژوهشهای پیشین مورد تائید قرارگرفته است (6، 18، 38 و 41). استفاده از تصاویر ماهوارهای در مطالعه بیماریهای گیاهی به‌کاررفته است (22 و 27). هرچند سنجشازدور در مطالعه خشکیدگی درختان و تهیه نقشه آن دارای محدودیت است زیرا تنها میتوان با سنجشازدور موقعیت درختان خشکیده و سالم را تهیه کرد و امکان پهنهبندی درصد خشکیدگی روی تصاویر ماهوارهای بهتنهایی ممکن نیست (7) درحالی‌که مدیران منابع طبیعی به نقشههایی نیاز دارند که تغییرات درصد خشکیدگی را نشان داده و در شناسایی کانونهای خشکیدگی برای هرگونه اقدام بعدی به ایشان کمک کند.
یکی از روشهای تولید نقشه در علوم منابع طبیعی استفاده از زمینآمار 1 است. به‌طورکلی استفاده از زمینآمار ابزاری مناسب برای تجزیهوتحلیل تغییرات مکانی و همچنین محاسبهی ویژگیهایی است که وابستگی مکانی دارند (44). ازآنجایی‌که ایجاد نقشه فقط با آماربرداری صد درصد از منطقه امکانپذیر است و نمیتوان با نمونهبرداری به نتیجهی دلخواه دست‌یافت بنابراین انتخاب روش مناسب با دقت بالا امری ضروری است (3). در پژوهش انجام‌شده توسط احمدی و همکاران (1) در راستای تهیه نقشه خشکیدگی بلوط ایرانی با استفاده از زمینآمار نشان دادند که میتوان تغییرات مکانی، خطای برآورد و احتمال پیشبینی خشکیدگی درختان بلوط زاگرس را در قالب نقشه ارائه و کانون خشکیدگی را بررسی کرد. همچنین در بررسی انجام‌شده در منطقه کاکارضای خرمآباد لرستان، با استفاده از دو روش کریجینگ و وزن دهی معکوس بهمنظور پهنهبندی تراکم و تاج پوشش جنگل بلوط نشان داده شد که میتوان نقشه توزیع مکانی متغیرهای تراکم و تاجپوشش را با دقتی مناسب تولید کرد (4). کوهل و همکاران (32) از زمینآمار برای ارزیابی خسارات وارده به جنگلهای سوئیس استفاده کردند و بیان شد روش زمینآمار برای تشریح توزیع مکانی خسارات جنگل بسیار مناسب است. وییرا و همکاران (42) کریجینگ با مدل کروی را مناسبترین مدل برای دادههای خاک و گیاه معرفی کردند. با توجه به مطالعات پیشین، استفاده از زمینآمار در تهیه نقشه خسارات وارد به جنگل مانند خشکیدگی درختان تأییدشده است. هرچند تهیه دادههای میدانی در قطعات نمونه که برای زمینآمار موردنیاز است مهم‌ترین موضوع در استفاده از فنون زمینآمار است. علاوه بر زمانبر بودن اندازه‌گیری‌ها در قطعات نمونه، تعیین موقعیت مکانی دقیق آن‌ها از اهمیت بسیار زیادی برخوردار است زیرا تهیه یک نقشه مطلوب در زمینآمار به ثبت دقیق مکان قطعات نمونه وابسته است (44).
یکی از مناطق آسیبدیده در ناحیه رویشی زاگرس، دشتبرم در استان فارس است که درختان بلوط آن دچار خشکیدگی شده و در معرض نابودی قرارگرفته است. دلیل اصلی لزوم حفاظت از دشتبرم قرارگیری بخش گستردهای از این منطقه در ذخیره‌گاه زیستکره ارژن و پریشان و تأثیرگذاری مستقیم جنگل دشتبرم بر تالابهای ارژن و پریشان است به‌نحوی‌که از بین رفتن جنگل دشتبرم، موجب افزایش بیشازپیش مشکلات در این تالابهای بینالمللی میشود. در مطالعات انجام‌شده در مورد خشکیدگی درختان بلوط ایرانی در ناحیه رویشی زاگرس و درختان بلوط در خارج از کشور (1، 6، 11، 18، 19، 21، 38 و 43). از دادهبرداری میدانی استفاده شده است این در حالی است که سنجشازدور میتواند وضعیت خشکیدگی درختان را در تمام نقاط، اعم از نقاط غیرقابل‌دسترس و صعبالعبور تعیین کند. بنابراین به نظر می‌رسد تلفیق سنجشازدور و زمینآمار امکان پهنهبندی درصد خشکیدگی درختان و تهیه نقشه مکانی آن را میتواند فراهم نماید.
مسئله اصلی در این پژوهش تهیه نقشه پراکنش درختان خشکیده است که میتواند برای انجام کارهای اصلاحی و احیایی با زمان و هزینه کم مفید باشد. ازآنجایی‌که تهیه دادههای مناسب برای مطالعه تغییرات مکانی خشکیدگی درختان در عرصه با صرف هزینه زیاد ممکن است میتوان دادههای موردنیاز را از تصاویر ارسال‌شده توسط ماهوارهها تهیه کرد و سپس با استفاده از روشهای زمین‌آماری اقدام به تهیه نقشه تراکم درختان خشکیده نمود. بنابراین این مطالعه بر مبنای این فرضیه انجام شد که تلفیق سنجشازدور و زمینآمار امکان تهیه نقشه مکانی درصد خشکیدگی درختان بلوط ایرانی در دشتبرم استان فارس را فراهم میآورد. با توجه به فرضیه پژوهش، هدف اصلی این مطالعه پهنهبندی خشکیدگی درختان بلوط ایرانی با استفاده از تصاویر ماهواره RapidEye و فنون زمینآمار است. ارزیابی کارایی تصویر ماهواره RapidEye در تعیین موقعیت مکانی درختان خشکیده و تفکیک آن‌ها از درختان سالم و همچنین تعیین مدل بهینه و روش درونیابی مناسب در زمینآمار برای برآورد خشکیدگی درختان از اهداف فرعی این پژوهش قرار گرفت. در مقایسه با مطالعات قبلی، بهره‌گیری از تصاویر ماهواره برای جمعآوری دادهها بهمنظور پهنهبندی خشکیدگی درختان بلوط ایرانی در دشتبرم با استفاده از روشهای زمین‌آماری در مطالعه حاضر از جنبه‌های نوآوری آن در مقایسه با مطالعات قبلی است.
مواد و روشها
منطقه موردمطالعه
منطقه موردنظر در 20 کیلومتری شمال شرقی شهرستان کازرون و در مسیر کازرون به شیراز با مختصات '' 18 ' 49 °51 تا ''4' 52 °51 طول شرقی و ''33 '33 °29 تا ''42 '35 °29 عرض شمالی واقع شده است (شکل1). کمینه ارتفاع از سطح دریا 1184 متر و بیشینه آن 1595 متر است. کمینه شیب در قطعهنمونه صفر و بیشینه آن 81 درصد است. بر اساس داده آمار هواشناسی از سال 1384 تا سال 1397 میانگین دما و بارندگی سالانه به ترتیب 6/24 سانتی‌گراد و 9/317 میلی‌متر است (14). اقلیم منطقه بر اساس روش دومارتن نیمهخشک است. منطقه موردمطالعه دارای مساحت 3/1358 هکتار است. بیشترین گونه منطقه را بلوط ایرانی (Quercus brantti) تشکیل میدهد و ازآنجایی‌که بیشترین گزارش خشکیدگی در این محدوده بود مرز منطقه با توجه به نظر کارشناسان اداره منابع طبیعی استان فارس تهیه شد.
(الف) | (ب) | (ج) |
شکل1- ایران، استان فارس (الف)، موقعیت دشتبرم در استان فارس (ب)، موقعیت منطقه موردمطالعه در دشتبرم استان فارس.
روش تحقیق
تصویر ماهوارهای RapidEye
ماهوارههای RapidEye (متعلق به شرکت آلمانی RapidEye) دارای پنج ماهواره مشابه است، که در تاریخ 29 اوت در سال 2009 میلادی شروع به کارکردند. این تصاویر دارای 5 باند طیفی (آبی، سبز، قرمز، لبهقرمز، مادون‌قرمز نزدیک) است که باند طیفی لبهقرمز بهمنظور بررسی وضعیت سلامت پوششهای گیاهی مورداستفاده قرار میگیرد چراکه باند لبهقرمز به تغییرات کلروفیل حساس بوده و بر اساس نتایج به‌دست‌آمده این باند میتواند در بررسی سلامت پوشش گیاهی، تفکیک گونه، کمک به اندازهگیری پروتئین و نیتروژن در زیتوده مؤثر واقع شود (30 و 39).
جدول 1- خصوصیات تصاویر RapidEye (www.dlr.de)
اطلاعات | خصوصیات | ||
5 | تعداد ماهوارهها | ||
7سال | عمر فضاپیما | ||
630 کیلومتر( مدار خورشید آهنگ) | ارتفاع مدار | ||
تقریباً 11:00 قبل از ظهر | زمان عبور از خط استوا | ||
تصویربرداری چندطیفی Pushbroom | نوع سنجنده | ||
440-510 | آبی | باندهای طیفی | |
520-590 | سبز | ||
630-685 | قرمز | ||
690-730 | لبهقرمز | ||
760-850 | مادون‌قرمز نزدیک | ||
5 متر | ابعاد پیکسل | ||
آماده‌سازی و پیشپردازش تصاویر ماهوارهای
بهمنظور تصحیح هرگونه خطای رایج در سیستم تصویربرداری و یا شرایط اتمسفر در هنگام سنجش، پردازش اولیه بر روی دادههای خام صورت میگیرد. با توجه به نوع سنجنده، سکوی حامل سنجنده، چرخش زمین و دیگر عوامل ناخواسته، ممکن است در تصویر ایجادشده خطای رادیومتریک و ژئومتریک دیده شود (13). پیش از تجزیهوتحلیل و طبقهبندی دادهها، فرآیند تصحیح هندسی (به روش نزدیک‌ترین همسایه و بهصورت تصویر به تصویر با دقت 5/0 پیکسل) و رادیومتریک بر روی تصویر اعمال گردید.
طبقهبندی تصاویر ماهوارهای
گام اول در طبقهبندی تصاویر ماهوارهای تصحیح‌شده انتخاب نمونههای تعلیمی است که بهمنظور تهیه نمونههای تعلیمی، شناسایی و بررسی درختان خشکیده و سالم عملیات میدانی صورت میگیرد. نمونههای تصادفی و استفاده از روش نزدیک‌ترین همسایه در جهت انتخاب تک‌درختان بیرون از توده‌های درختی، و پراکنش مناسب نمونهها در تمام سطح منطقه مورداستفاده قرار گرفت. با توجه به اهداف پژوهش، تصویر موردنظر با استفاده از باندهای مادون‌قرمز نزدیک و لبهقرمز ایجاد شد. بر روی این تصویر با توجه به اطلاعات میدانی فراهم‌شده از بازدیدهای انجام‌شده، تعداد 90 نمونه تعلیمی انتخاب شد که 61 نمونه روی تاج درختان خشکیده و 29 نمونه روی تاج درختان سالم قرار گرفت. پس از انتخاب نمونههای تعلیمی بهمنظور طبقهبندی تصویر از روش طبقهبندی نظارتشده با الگوریتم حداکثر احتمال استفاده شد. با توجه به اهداف پژوهش و سادگی طبقهبندی، تصویر در دوطبقه درختان خشکیده و سایر پدیدهها طبقهبندی شد چراکه کاربرد روش حداکثر احتمال برای طبقهبندی تصویر ماهوارهای با تعداد طبقات محدود در مطالعات قبلی تأیید شده است (24 و 36).
میزان احتمال درستی هر پژوهش با صحت آن سنجیده میشود (15). طبقهبندی تا زمانی که دقت و صحت آن بررسی نشده کامل نیست (34). بهمنظور بررسی صحت طبقهبندی انجام‌شده، به محاسبه صحت کلی، صحت تولیدکننده، صحت کاربر و ضریب کاپا پرداخته شد که، رابطه 1 نشاندهنده صحت کلی است.
رابطه 1 
OA: صحت کلی، N: تعداد کل پیکسلهای طبقه‌بندی‌شده، 
: مجموع پیکسلهای قطر اصلی ماتریس خطا (تعداد کل پیکسلهای درست طبقه‌بندی‌شده) است.
صحت تولیدکننده از رابطه 2 به دست میآید.
رابطه 2 
: تعداد پیکسلهای درست طبقه‌بندی‌شده (بر روی قطر اصلی) و 
: جمع تعداد پیکسلهایی که بهعنوان نمونه آموزشی آن طبقه مورداستفاده قرار گرفته است (جمع ستون).
صحت کاربر نیز از رابطه 3 به دست میآید و an معرف تعداد پیکسلهای درست طبقهبندی (بر روی قطر اصلی) و 
تعداد کل پیکسلهای طبقه موردنظر است.
رابطه 3 UA = 
سپس ضریب کاپا که توافق شانسی را از صحت کلی نقشههای تولیدشده به روش رقومی و خودکار حذف میکند نیز برای ارزیابی دقیقتر صحت نقشههای حاصل مورد استفاده قرار گرفت که Pr(a) توافق مشاهده نسبی میان ارزیابیها، Pr(e) احتمال فرضی توافق شانسی است.
رابطه 4 
زمینآمار
ازآنجایی‌که بررسی سطح وسیع و گسترده از یک منطقه مشکل و هزینهبر است، معمولاً برای چنین مناطقی، قطعهنمونه بهصورت نقطه انتخاب و سپس با استفاده از توابع خاص، دادههای آن را به کل منطقه مطالعاتی نسبت میدهند. بنابراین زمینآمار امکان درونیابی درصد خشکیدگی درختان بلوط را در فضای بین نمونهها فراهم میکند و امکان تهیه نقشه خشکیدگی را فراهم میآورد. پس از تهیه نقشه مکان درختان خشکیده و تفکیک آن‌ها از درختان سالم، اقدام به نمونهبرداری روی تصویر طبقهبندی شد. با توجه به وسعت منطقه که حدود 3/1358 هکتار است نیاز به تعداد مناسب قطعهنمونه است. که درنهایت با استفاده از رابطه 5، 150 قطعهنمونه برای اندازهگیری به دست آمد که هر نقطه مرکزی معرف درختان خشکیده از مساحت دایره است.
رابطه 5 
در رابطه 5، t معادل 96/1 و اشتباه معیار (S%) معادل 66 و خطای قابل‌قبول (E%) 10 است.
برای نمونهبرداری از قطعات نمونه با شکل دایره استفاده شد. شکل دایره به دلیل کمترین سطح و بیشترین فشردگی از میان اشکال هندسی انتخاب شد، که کمترین مرز را نسبت به سایر اشکال هندسی دارا است. مساحت تاج درختان خشکیده در 150 قطعهنمونه دایرهای شکل به مساحت 2000 مترمربع (با شعاع 24/25 متر) بر اساس شبکهای به ابعاد 300 × 300 متر با روش منظم تصادفی جمعآوری شد. سپس با توجه به مساحت تاج درختان خشکیده در هر قطعهنمونه و مساحت آن قطعهنمونه درصد خشکیدگی محاسبه شده و به نقطهای فرضی در مرکز هر قطعهنمونه اختصاص داده شد. نتیجه این مرحله یک نقشه نقطهای بود که هر نقطه حاوی اطلاعات مربوط به درصد خشکیدگی است. پس از محاسبه میانگین خشکیدگی درختان در قطعهنمونه، بهمنظور بررسی نرمال بودن دادهها از نمودار Q-Q Plot، و روند کلی دادهها با ابزار Trend analysis، بررسی شد. میزان نیمتغییرنما بستگی به فاصله بین مقدارهای یک متغیر ناحیهای در دو نقطه دارد. درصورتی‌که این مقادیر به جهت نیز وابسته باشد، واریوگرام ناهمسانگرد 2 و در غیر این صورت همسانگرد نامیده میشود. سپس بهمنظور تهیه بهترین مدل واریوگرام، ساختار همبستگی مکانی دادهها مورد بررسی و بهترین روش درونیابی پس از انتخاب مدل واریوگرام بهینه انتخاب شد (با توجه به دادهها هرچه میزان ساختار مکانی بیشتر باشد دادههای آن قویتر است همچنین هرچه میزان اثر قطعهای به آستانه کمتر باشد دادهها دارای همبستگی مکانی قویتری است و آستانهی بیشتر نمایانگر خطای بیشتر است. پس بهترین مدل، مدلی است که اثر قطعهای، آستانه و اثر قطعهای به آستانه کمتر، و ساختار مکانی بیشتری داشته باشد).
در این پژوهش مدلهای کروی، گوسی و نمایی استفاده شدند که علت استفاده از این سه مدل از میان مدلهای متنوع دیگر این بود که این سه مدل بیشترین کاربرد را در مطالعات منابع طبیعی و پوشش گیاهی داشتند (4، 10 و 44). روشهای درونیابی کریجینگ ساده 3 ، کریجینگ معمولی 4 ، کریجینگ عام 5 استفاده شد زیرا عمومیترین روشهای کریجینگ در علوم محیطزیست هستند (24 و 42). پس از پهنهبندی خشکیدگی درختان بلوط ایرانی از روشهای درونیابی با استفاده از آمارههای میانگین خطای برآورد 6 جذر میانگین مربعات خطای برآورد 7 و میانگین خطای معیار کریجینگ 8 ارزیابی شدند. در حالتی که برآوردها صحیح باشند و بهدرستی محاسبه شده باشد باید میزان جذر میانگین مربعات خطای برآورد و میانگین خطای معیار کریجینگ به هم نزدیک باشند (26).
رابطه 6 MPE = 
رابطه 7 RMSPE =
رابطه 8 AKSE = 
پارامتر 
، مقدار برآوردی متغیر ناحیهای Z در نقطه Xi، N تعداد نمونهها، 
واریانس کریجینگ در ناحیه 
، متغیر موردبررسی است.
نتایج
بعد از انجام پردازشهای لازم بر روی تصویر خام، طبقهبندی به روش پیکسلپایه و با استفاده از الگوریتم حداکثر احتمال مطابق شکل 2 صورت گرفت. بهمنظور بررسی خشکیدگی، طبقهبندی در مرحله اول به سه طبقه درختان سالم، خشک و سایر پدیدهها تقسیم شد و در پایان تنها نقاط خشکیده در نقشه تهیه شد که نشاندهنده 5/202 هکتار مساحت تاج درختان خشکیده و 91/14 درصد درختان خشکیده در کل منطقه موردمطالعه با مساحت 3/1358 هکتار است.
|
شکل 2- نقشه پراکنش خشکیدگی درختان با استفاده از طبقهبندی حداکثر احتمال بر روی تصاویر RapidEye دشتبرم.
جدول 2- نتایج بررسی صحت طبقهبندی به روش پیکسلپایه در دو طبقه درختان سالم و خشکیده
شاخصهای ارزیابی | درختان خشکیده (%) | درختان سالم (%) |
صحت کلی
صحت تولیدکننده
خطای صحت تولیدکننده
صحت کاربر خطای صحت کاربر ضریب کاپا
| 80 75
25
86
14
73 | 80 85
15
77
23
73 |
ضریب کاپا و صحت کلی نشاندهنده دقت قابل قبولی در طبقهبندی انجام‌شده در شکل 2 است. با قرار دادن لایهها و جادهها روی نقشه مکانی درختان خشکیده و تفسیر بصری آن، مشاهده شد که هرچه از جاده به سمت ارتفاعات پیش میرویم میزان خشکیدگی کاهش مییابد. همچنین نتایج مربوط به درصد خشکیدگی در 150 قطعهنمونه نشان داد حداقل میزان درصد خشکیدگی صفر و حداکثر درصد خشکیدگی 88/61 با میانگین 94/13 و انحراف معیار 71/12 است که 21 پلات بدون خشکیدگی و یک پلات دارای خشکیدگی بیشتر از 60 درصد است.
نقشه خشکیدگی درختان بلوط ایرانی در دشتبرم استان فارس در طبقههای صفر تا 10، 10-20، 20-30، 30-40، و بیشتر از 40 درصد با توجه به پراکنش خشکیدگی و نقشهی تهیهی شده با استفاده از مطالعات میدانی که توسط اداره منابع طبیعی به‌دست‌آمده بود، تهیه شد. با توجه به شکل 3 بیشترین فراوانی درصد خشکیدگی در طبقه صفر تا 10 درصد با 72 داده و کمترین فراوانی مربوط به طبقه بیشتر از 40 با 6 داده است.
شکل 3- فراوانی درصد خشکیدگی درختان بلوط ایرانی در منطقه موردمطالعه
نتایج ارزیابی نرمال بودن درصد خشکیدگی با استفاده از نمودار Q-Q Plot نشان داد که نتایج حاصل از نمونهبرداری روی تصویر طبقه‌بندی‌شده نرمال بودند زیرا خط تغییرات متغیر در امتداد خط فرضی قرار گرفت (شکل 4 الف). همچنین عدم وجود روند در دادهها با توجه به مسطح بودن نمودار شرقی-غربی و شمالی –جنوبی مشاهده شد (شکل 4 ب). همچنین مشاهده شد که دادهها در سمت شمال غربی به جنوب شرقی دارای ناهمسانگردی هندسی هستند (شکل 4 ج).
(الف)
| (ب)
| (ج)
|
شکل 4- ارزیابی دادهها (نرمال بودن دادهها (الف)، بررسی روند (ب)، بررسی همسانگردی (ج))
با توجه به نتایج مناسبترین مدل برای محاسبه درصد خشکیدگی مدل نمایی است زیرا دارای کمترین میزان اثر قطعهای، آستانه و اثر قطعهای به آستانه و بیشترین ساختار مکانی در مقایسه با سایر مدل‌ها بود (جدول 3). همچنین نمودار بهینه واریوگرام نشان میدهد که مقادیر درصد خشکیدگی تا فاصلهی معینی از هم تأثیر میپذیرند و با بیشتر شدن فاصله از حدود 1100 متری میزان همبستگی خشکیدگی درختان بلوط کاهش مییابد (شکل 5).
جدول3- دادههای مدلهای واریوگرافی و انواع روشهای درونیابی برای منطقه موردمطالعه.
اثر قطعهای/آستانه (%) | ساختار مکانی (%) | آستانه (%)2
| آستانه نسبی (%)2 | دامنه تأثیر (متر) | اثر قطعهای (%)2
| واریوگرافی_درونیابی
| ||
64/70 44/71 80/72 64/70 44/71 80/72 62/1 48/1 76/1 | 37/29 10/27 04/22 36/29 10/27 05/22 76/25 42/32 09/19 | 94/160 46/165 71/173 94/160 46/165 71/173 04/48 97/47 11/48 | 26/47 74/43 77/35 26/47 74/43 77/35 27/0 34/0 20/0 | 83/1077 19/1536 83/1077 83/1077 19/1536 83/1077 07/1167 47/1101 65/1085 | 68/113 21/118 45/126 68/135 21/118 45/126 79/0 71/0 85/0 | معمولی – کروی معمولی – نمایی معمولی – گوسی عام – کروی عام – نمایی عام – گوسی ساده – کروی ساده – نمایی ساده – گوسی | ||
شکل5- نمودار بهینه واریوگرام (نمایی) خشکیدگی درختان بلوط ایرانی منطقه موردمطالعه
در ادامه کار با توجه به نتایج جدول 3 بهترین مدل، مدل نمایی و با مقایسه نمودار RMSPE، MPE، AKSE در شکل 6 مناسبترین روش درونیابی کریجینگ، روش ساده، با کمترین مقدار خطا انتخاب شد که از این مدل و روش برای تهیه نقشه پراکنش مکانی درصد خشکیدگی استفاده شد.
(الف)
| (ب)
| (ج)
|
شکل 6- تغییرات (MPE شکل (الف)، RMSPE شکل (ب)، AKSE شکل (ج)) مدل واریوگرافی و انواع روشهای درونیابی
جدول 4 نتایج کمی حاصل از نقشه پهنهبندی را نشان میدهد که کمترین میزان درصد خشکیدگی مربوط به طبقه صفر تا 10 درصد و بیشترین مساحت درختان خشکیده مربوط به طبقه 20 تا 30 درصد است. در ادامه با استفاده از مدل بهینه انتخاب‌شده (نمایی) و روش درونیابی بهینه (ساده) نقشه پهنهبندی خشکیدگی با استفاده از روش زمینآمار شکل 7 الف ترسیم شد.
جدول4- نتایج کمی نقشه پهنهبندی خشکیدگی درختان بلوط ایرانی در دشتبرم؛ استان فارس
طبقه خشکیدگی |
0-10% |
10-20% |
20-30% |
30-40% |
40%< |
مساحت(هکتار) مساحت (%) | 5/70 2/5 | 6/430 7/31 | 9/493 4/36
| 1/262 3/19 | 2/101 4/7 |
|
|
شکل 7- نقشه پهنهبندی درصد خشکیدگی درختان بلوط ایرانی در منطقه موردمطالعه دشتبرم با استفاده از مدل نمایی و روش درونیابی ساده (الف)، نقشه اشتباه معیار پهنهبندی انجام‌شده به روش کریجینگ (ب).
در شکل 7 ب مشاهده میشود که اطراف نقاط نمونهبرداری شده، میزان خطا کمتر و با دور شدن از این نقاط بر میزان خطا افزوده میشود.
با استفاده از روش ارزیابی متقابل، صحت برآورد کریجینگ ساده موردبررسی قرار گرفت و میزان خطای برآورد (023/0)، جذر میانگین مربعات خطای برآورد (21/12) و میانگین خطای معیار کریجینگ (20/12) برای درصد خشکیدگی درختان بلوط در منطقهی موردمطالعه محاسبه شد. شایان ذکر است که با توجه به نزدیکی میزان جذر مربعات میانگین خطا و میانگین خطای معیار، بهدرستی میزان درصد خشکیدگی درختان بلوط ایرانی برآورد شدهاند.
بحث و نتیجهگیری
در دهههای اخیر جنگلهای منطقه زاگرس همچون سایر مناطق جنگلی کشور با خطر متعددی ازجمله خشک‌سالی، آتشسوزی، تغییر کاربری، قطع درختان، چرای بیشازحد دام و بهویژه حمله آفات و بیماریهای گیاهی روبرو بودهاند. مجموع این عوامل درنهایت موجب کاهش سطح جنگلها، کم شدن تراکم پوشش گیاهی در عرصههای طبیعی، کاهش و یا عدم زادآوری گونههای گیاهی مهم و پراکنش نامناسب سنی درختان، از بین رفتن برخی از گونههای کمیاب گیاهی و جانوری موجود در جنگلها و محیطهای طبیعی، فرسایش خاک، عدم ذخیره نزولات جوی و افت سطح آب‌های زیرزمینی و تهی شدن آبخوان و نشست اراضی میشود (3، 11 و 19).
نتایج تفسیر بصری طبقهبندی تصویر RapidEye نشان داد که پدیده خشکیدگی در ارتفاعات و اطراف آبراههها کمتر دیده‌شده و با تغییر کاربری مانند ساختوساز و کشاورزی، میزان خشکیدگی افزایش‌یافته که میتواند به دلیل کاهش افت آب زیرزمینی بوده باشد (شکل 2). در مطالعات انجام‌شده توسط حمزهپور و همکاران (11) کاهش باراندگی و تغییرات آب‌وهوایی را عامل تخریب پوشش گیاهی دانستهاند و همچنین محمدیاری و همکاران (18) به تأثیر تخریب پوشش گیاهی بر عوامل زیستمحیطی اشاره کردهاند. بهمنظور بررسی شاخص افزایش زیتوده درختان سرخشکیدگی جنگل بلوط در اطراف دریای مدیترانه طی پژوهشی به این نتیجه رسیدند که مرگومیر و افزایش زیتوده در بالای سطح زمین به‌خوبی با بارندگی همبستگی دارد (37) درنتیجه عوامل انسانی، عوامل طبیعی و حشرات نیز میتوانند از عوامل خشکیدگی این درختان باشند. پس مدیریت صحیح و بهرهبرداری پایدار در هر اکوسیستم مستلزم درک صحیح از منطقه و عوامل محیطی آن است و به دلیل اهمیت و نقش جنگلهای زاگرس، اطلاعات مفید، کمی و دقیق برای برنامهریزی نیاز است که استفاده از عملیات میدانی پرهزینه و زمانبر است و ازآنجایی‌که این جنگلها فاقد درآمد هستند صرف زمان و هزینه زیاد صرفه اقتصادی ندارد و یافتن روشی مناسب برای تهیه نقشههای ویژگیهای پوشش این منطقه با اندک هزینه و زمان امری ضروری است (4، 8، 25 و 34).
باندهای مادون‌قرمز و لبهقرمز به تغییرات محتوای کلروفیل حساس هستند و بر اساس مطالعات به‌دست‌آمده این باندها میتوانند در نظارت بر سلامت پوشش گیاهی، جداسازی گونه و تشخیص خشکیدگی کمک کنند(30 و 39). نتایج شکل 2 نشان داد 91/14 درصد از منطقه موردمطالعه را درختان خشکیده بلوط ایرانی تشکیل میدهد. بهترین طبقهبندی زمانی است که صحت کلی و ضریب کاپا هر دو بالا باشد که نشان‌دهنده‌ی توافق و همسویی بین طبقهبندی و واقعیت زمینی است. با توجه به صحت کلی و ضریب کاپا و قدرت تفکیک مکانی بالا میتوان نتیجه گرفت که تصاویر RapidEye برای این منظور مناسب بوده است (جدول 2). تفسیر بصری نتایج شکل 2 نشان داد درختانی که در مسیر آبراهه بودهاند نسبت به تنشهای محیطی مقاومترند و کمتر دچار خشکیدگی شدهاند. در مطالعهی واسر و همکاران (43) درزمینه طبقهبندی مرگومیر گونه درختی زبان‌گنجشک با استفاده از تصاویر ماهوارهای WorldView-2 با داشتن 7 طبقه دقت کلی را 83 درصد و برای طبقهبندی چهارگانه 73 درصد به دست آوردند که بیان کردند افزایش میزان صحت کلی، دقت بالای طبقهبندی را نشان میدهد که این صحت کلی بیشتر نسبت به پژوهش پیشرو میتواند به دلیل قدرت تفکیک مکانی و نوع تصویر باشد. همچنین در پژوهش انجام‌شده توسط ایمانیفر و همکاران (6) بهمنظور تعیین وسعت و شدت پدیده زوال بلوط در جنگلهای شهرستان ملکشاهی در استان ایلام با استفاده از تصاویر لندست نشان دادند که زوال دارای الگوی هستهای بوده و از مرکز منطقه موردمطالعه شروع‌شده و در طی زمان به دلایل مختلف گسترش‌یافته است که میتواند درنتیجه عوامل محیطی مانند آبراهه، پستیوبلندی و یا حتی تغیر کاربری باشد که میتواند با نتایج بصری اشارهشده همسو باشد درحالی‌که احمدیثانی و همکاران (2) بهمنظور تهیه نقشه تراکم جنگل زاگرس با استفاده از تصاویر ماهوارهای ASTER نشان دادند که استفاده از اطلاعات طیفی بهتنهایی نمیتواند موجب تفکیک طبقات درختان تنک شود که این تفاوت در نتایج میتواند به دلیل تفاوت موقعیت منطقه و انتخاب پوششهای تنک و همچنین تفاوت در قدرت تفکیک مکانی باشد چراکه در تصاویر RapidEye و ASTER قدرت تفکیک مکانی به ترتیب پنج و 30 متر است درنتیجه تصاویر RapidEye جزئیات بهتر و دقیقتری را نشان خواهد داد. با توجه به نتایج مطالعات قبلی و پژوهش حاضر میتوان نتیجه گرفت که تصاویر ماهوارهای ازجمله RapidEye که در مطالعه حاضر استفاده شد به دلیل تهیه باند مادون‌قرمز، لبهقرمز میتواند برای شناسایی درختان خشکیده مناسب باشد که با انتخاب مناسبترین باندها میتوان پوشش گیاهی سالم از خشک را بهدرستی تشخیص داد پس میتوان بیان کرد سنجشازدور یک ابزار علمی و مقرونبهصرفه در مطالعات پوشش گیاهی است (33، 41 و 45). پیشنهاد میشود با ایجاد قطعات نمونه ثابت و دائم علاوه بر دسترسی به اطلاعات موردنیاز در پایش تغییرات خشکیدگی نسبت به تعیین صحت نتایج طبقهبندی تصاویر ماهوارهای اقدام نمود.
با ارزیابی دادهها به‌وسیله نمودار Q-Qplot توزیع نرمال دادهها، و با نمودار روند، عدم وجود روند در دادهها مشاهده و بررسی شد (شکل 4). با توجه به نتایج حاصله متغیر خشکیدگی درختان دارای ساختار مکانی متوسط است که عدم وجود ساختار مکانی بسیار قوی در متغیر خشکیدگی، ممکن است به دلیل شرایط محیطی و همچنین برهمکنش متغیرهایی است که ناحیهای نمیباشند. مدل نمایی بهعنوان بهترین مدل واریوگرام با توجه به کمترین میزان اثر قطعهای به آستانه، آستانه و اثر قطعهای، در اعتبارسنجی نقشههای ایجادشده انتخاب شد (جدول 3). شکل 6 نشان داد که درونیابی خشکیدگی با روش کریجینگ ساده، دارای کمترین میزان خطا نسبت به سایر روشهای درونیابی است و در شکل 5 اشاره شد که فاصلهی نمونهها میتواند تا 1100 متر افزایش یابد که نشان‌دهنده‌ی ارتباط متوسط خشکیدگی با تغییرات مکانی است (1). پس‌ازآن نقشه پراکنش خشکیدگی با استفاده از مدل نمایی و روش درونیابی ساده تهیه شد که میتواند در برنامهریزی و مدیریت و احیای جنگلهای آسیبدیده مفید واقع شود (شکل 7 الف). همچنین در این نقشه مناطق بحرانی (بیشترین خشکیدگی) و وسعت آن مشخص‌شده است که میتواند اطلاعات لازم برای برنامهریزی را به کارشناسان ارائه دهد (شکل8 ب). پژوهش پیشرو نشان داد با استفاده از زمینآمار (کریجینگ) و تصاویر ماهوارهای میتوان تغییرات مکانی خشکیدگی درختان را در قالب نقشه ارائه کرد و کانون خشکیدگی را نشان داد و درستی میزان درصد خشکیدگی برآورد شد. این نتایج با نتایج کاویانپور و همکاران (17) که کارایی فن‌های آمار مکانی در ارزیابی تغییرات پوشش تاجی را موردبررسی قراردادند و بیان کردند بهترین مدل واریوگرام، مدل نمایی و بهترین روش درونیابی، روش ساده و معمولی است، همخوانی داشت. در پژوهش انجام‌شده توسط مهدوی و همکاران (20) که به بررسی ساختار مکانی و پهنهبندی متغیر تراکم درختی در جنگلهای بلوط زاگرس پرداخته است وجود ناهمسانگردی را نشاندهنده این مطلب میدانند که متغیر ناحیهای موردنظر دارای وابستگی مکانی بیشتری در جهت خاص است که خود باعث میشود وزنهای اعمالشده در آن جهت نسبت به جهتهای دیگر برای محاسبه نقطه نامعلوم در برآورد کریجینگ بیشتر باشد که با مطالب این پژوهش متناسب است. اگرچه بهترین مدل انتخابی آن‌ها مدل نمائی بود ولی مناسبترین روش درونیابی را روش معمولی بیان کردند که این تفاوت در انتخاب روش میتواند بسته به منطقه و موضوع موردمطالعه و همچنین روش کار متفاوت باشد. در مطالعه احمدی و همکاران (1) بهمنظور تهیه نقشه خشکیدگی با استفاده از زمینآمار و نمونهبرداری میدانی در دشتبرم استان فارس ساختار مکانی متوسط، بهترین مدل واریوگرافی کروی و روش درونیابی کریجینگ معمولی انتخاب شد و بیان کردند عوامل ساختار مکانی بسیار قوی در متغیر خشکیدگی، ممکن است به دلیل عدم همبستگی این متغیر به یک یا تعداد معدودی متغیر مستقل باشد و شاید بتوان گفت که عاملهای متعددی بر خشکیدگی تأثیرگذار هستند که برهمکنش آن‌ها نیز تأثیرهای متفاوتی بر خشکیدگی دارد و بعضی از این متغیرها یا برهمکنش آن‌ها ناحیهای نیستند اگرچه در هر دو پژوهش ساختار مکانی متوسط، و شرایط محیطی متأثر بر آن بیان شد ولی تفاوت در انتخاب مدل و روش درونیابی میتواند به دلیل تهیه نقشه با استفاده از تصاویر ماهوارهای در پژوهش حاضر باشد. اخوان و کلاین (5) در بررسی قابلیت کریجینگ در برآورد و نقشهسازی موجودی جنگلکاریها به این نتیجه رسیدند که متغیر تراکم، ساختار مکانی مناسبی نداشته و بهصورت یک متغیر ناحیهای رفتار نمیکند که دلیل آن میتواند فواصل کاشت منظم درختان و عدم تغییر نظم پایهها در طول زمان و همچنین روش کار متفاوت باشد. صحت نقشههای حاصل از روشهای مختلف درونیابی باید مورد ارزیابی قرار گیرد تا از قابل‌استفاده بودن آن‌ها اطمینان حاصل شود. با مقایسه میانگین خطای استاندارد و جذر میانگین مربعات خطا مشاهده شد که مقادیر آن‌ها به هم نزدیک بوده است، بنابراین میتوان به صحت برآوردها اشاره کرد (28).
با توجه به نتایج حاصله میتوان اظهار کرد که با استفاده از زمینآمار (کریجینگ) میتوان تغییرات مکانی و خطای برآورد خشکیدگی درختان بلوط زاگرس را در قالب نقشه ارائه و کانون خشکیدگی را بررسی کرد درنتیجه فرضیهی اولیه تحقیق مبنی بر امکان تهیه نقشه خشکیدگی درختان بلوط ایرانی در دشتبرم استان فارس با استفاده از تلفیق سنجشازدور و زمینآمار، به بیانی دگر استفاده از دادههای سنجشازدور بهعنوان ورودی زمینآمار در تهیه نقشه خشکیدگی درختان، تأیید شد. پس میتوان گفت زمینآمار مناسب برای تهیه نقشه پراکنش مکانی با دقت مناسب، در جهت مطالعات پدیده جنگلی و خشکیدگی است که میتوان با بررسی بیشتر عوامل تأثیرگذار بر آن، بهمنظور کارهای احیایی و مدیریتی بازمان و هزینه کمتر مورداستفاده قرار گیرد.
منابع
1. احمدی، ش.، ق. ا. زاهدیامیری، و م. ر. مرویمهاجر. 1395. تهیه نقشه خشکیدگی بلوط ایرانی(Quercus brantii Lindl.) با استفاده از روش زمینآمار در دشتبرم استان فارس. جنگل و صنوبر ایران، 24(3)، 439-450.
2. احمدیثانی، ن.، ع. ا. درویشصفت، م. زبیری، و ع. فرزانه. 1387. بررسی قابلیت تصاویر سنجنده ASTER جهت تهیه نقشه تراکم جنگلهای زاگرس (مطالعه موردی: جنگلهای مریوان). منابع طبیعی ایران، 61، 603-614.
3. اخوان، ر.، م. زبیری، ق. زاهدیامیری، م. نمیرانیان و د. ماندالاز. 1385. بررسی ساختار مکانی و برآورد موجودی جنگلهای خزری با استفاده از روش زمینآمار (geostatistics). منابع طبیعی ایران، 59(1)، 89-102.
4. اخوان، ر.، م. کرمیخرمآبادی، و ج. سوسنی. 1390. کاربرد دو روش کریجینگ و IDW در پهنهبندی تراکم و تاجپوشش جنگلهای شاخهزاد بلوط (مطالعه موردی: منطقه کاکارضای خرمآباد لرستان). جنگل ایران، 3(4)، 305-316.
5. اخوان، ر.، و ک. کلاین. 1388. کارایی کریجینگ در برآورد و نقشهسازی موجودی جنگلکاریها (مطالعه موردی: جنگلکاری بنشکی رامسر). جنگل و صنوبر ایران، 17(2)، 303-318.
6. ایمانیفر، ص.، م. حسنلو، م. معتق، و م. رستمنیا. 1395. تعیین وسعت پدیدهی زوال بلوط در جنگلهای شهرستان ملکشاهی با استفاده از تصاویر لندست، اولین کنفرانس مهندسی فناوری اطلاعات مکانی. تهران: دانشگاه صنعتی خواجه‌نصیرالدین طوسی، 19 صفحه.
7. برازمند، س.، ش. شتاییجویباری، و الف. عبدی. 1390. بررسی امکان تشخیص سرخشکیدگی تاج درختان با استفاده از تصاویر ماهوارهای با قدرت تفکیک مکانی زیاد Quickbird (مطالعه موردی: جنگل شصت کلاته گرگان). جنگل و صنوبر ایران، 19(4)، 466-477.
8. بشیری، م. ۱۳۹۳. مقدمه‌ای بر سنجشازدور و کاربرد آن در پردازش عوارض طبیعی، اولین همایش ملی فناوری و مدیریت دانش با محوریت اقتصاد مقاومتی. تربت‌حیدریه: دانشگاه تربت‌حیدریه، 7 صفحه.
9. پوربابایی، ح.، ر. چراغی، و س. س. ابراهیمی. 1394. بررسی ساختار و تنوع گونههای چوبی در رویشگاه بلوط ایران (Q. brantii Lindl) (مطالعه موردی: منطقه دشتک، یاسوج، غرب ایران). تحقیقات جنگلهای زاگرس، 1. 1-16.
10. حسنیپاک، ع.ا. 1392. زمینآمار (ژئواستاتستیک). چاپ چهارم، تهران، ایران: انتشارات دانشگاه تهران، 314 صفحه.
11. حمزهپور، م.، ه. کیادلبری، و س. ک. بردبار. 1390. بررسی مقدماتی خشکیدگی درختان بلوط ایرانی (Q. brantii Lindl) در دشتبرم کازرون، استان فارس. جنگل و صنوبر ایران، 19(2)، 352-363.
12. درویشصفت، ع.ا.، ن. میری، ن. ا. ضرغام، و ز. شاکری. 1396. برآورد شاخص سطح برگ در جنگلهای زاگرس با دادههای ماهواره لندست8. جنگل ایران، 9(1)، 29-42.
13. رسولی، ع.ا. 1393. مبانی سنجشازدور کاربردی با تأکید بر پردازش تصاویر ماهوارهای. چاپ اول، تبریز، ایران: انتشارات دانشگاه تبریز، 703 صفحه.
14. سازمان هواشناسی. 1397. گزارشگیری آمار ماهیانه متوسط دما و بارش استان فارس، شهر کازرون. سال 1384-1397 از http://WWW.farsmet.ir.
15. سفیانیان، ع.، و ل. خداکرامی. 1390. تهیه نقشه کاربری اراضی با استفاده از روش طبقهبندی فازی (مطالعه موردی سه زیرحوزه آبخیز کبودرآهنگ، رزن-قهاوند و خونجین-تلخاب در استان همدان. آمایش سرزمین، 4، 95-114.
16. قربانی، س.، س. م. حجتی، خ. ثاقب‌طالبی، و ش. شتابی. 1394. تأثیر تغییر کاربری زمین بر کارکرد اکوهیدرولوژیک تاج پوشش در جنگل بلوط ایرانی، حوضه آبخیز قلعه گل استان لرستان. جنگل و صنوبر ایران، 24(3)، 390-401.
17. کاویانپور، ا. ح.، ا. قربانی، و ل. حشمتی. 1393. کاربرد آمار مکانی در ارزیابی تغییرات پوشش تاجی گونه مرتعی علف گوسفندی. اکوسیستمهای طبیعی ایران، 5(3)، 59-70.
18. محمدیاری، ف.، ح. ر. پورخبازی، م. توکلی، و ح. اقدر. 1394. بررسی تغییرات پوشش گیاهی با استفاده از تصاویر ماهوارهای لندست سنجندههای ETM+ و OLI مطالعه موردی: شهرستان بهبهان، اولین همایش ملی ارزیابی مدیریت و آمایش محیطزیستی در ایران، همدان: انجمن ارزیابی محیطزیست هگمتانه، مرکز توسعه همایشهای آریا هگمتان، 7 صفحه.
19. مرآتی، ا.، طاهری، ع.، و پارسافر، ن. (1396). پهنهبندی کیفی منابع آب زیرزمینی با استفاده از روشهای زمینآمار و GIS (مطالعه موردی حوضه آبخیز سلیمانشاه). دانش آب و خاک، 27(2)، 237-248.
20. مهدوی، ع.، ج. عزیز، و ر. اَخوان. 1395 . پهنهبندی تراکم درختی بلوط زاگرس به روش کریجینگ با استفاده از تصاویر ماهوارهای WorldView-2 برگرفته از پایگاه اطلاعاتی گوگل ارث. پژوهشهای علوم و فناوری چوب و جنگل، 23(4)، 87-110.
21. مهرابی، و. 1394. انتخاب پارامترهای مقیاس در بخشبندی تصاویر ماهوارهای چندطیفی RapidEye برای تهیه نقشه خشکیدگی درختان بلوط ایرانی؛ دشتبرم استان فارس. (پایاننامه کارشناسی ارشد، دکتر سید رشید فلاحشمسی، مهندسی منابع طبیعی، دانشگاه شیراز، دانشکده کشاورزی بخش مهندسی منابع طبیعی و محیطزیست).
22. میرزاییملااحمد، ر.، و م. عسگری. 1395. مروری بر روند تخریب پوشش جنگلی زاگرس با تأکید بر روشهای آشکارسازی تصاویر به کمک RS و GIS به همراه تعیین عوامل تخریب در شرایط تغییر اقلیم. اولین کنفرانس بینالمللی تغییر اقلیم، تهران، دبیرخانه دائمی کنفرانس، 11صفحه.
23. ناصری، ف.، ع.ا. درویشصفت، ه. سبحانی، و م. نمیرانیان. 1383. ارزیابی دادههای لندست برای تهیه نقشه تراکم جنگل در نواحی خشک و نیمهخشک. منابع طبیعی ایران، 57(1)، 109-119.
24. نیازی، ی.، م. ر. اختصاصی، ح. ملکینژاد، س. ز. حسینی، و ج. مرشدی. 1390. مقایسه دو روش طبقهبندی حداکثر احتمال و شبکهمصنوعی در استخراج نقشه کاربری اراضی ( مطالعه موردی: حوزه سد ایلام). جغرافیا و توسعه، 20، 119-132.
25. یغمائیان، ن.، اسدی، ح.، و رضایی، ص. (1396). پهنهبندی و ارزیابی خطر تخریب اراضی با استفاده از روش مدالوس در حوضه سیاهپوش استان اردبیل. پژوهشهای حفاظت آب و خاک، 24(1)، 173-187.
26. Beon MS, Cho KH, Kim HO, Oh HK, & Jeong JC. 2017. Mapping of VegetationUsing Multi-Temporal Downscaled Satellite Images of a Rwclaimed Area in Saemangeum, Republic of Korea. Remote Sensing, 9(3): 1-17.
27. Brodrick PG, & Asner GP. 2017. Remotely sensed predictores of confer tree mortality during severe drought. Environmental Reserch Letters, 12(11): 1-17.
28. Garcia FJ, Valiente González P, & López Rodríguez F. 2010. Geostatistical analysis and mapping of groundlevel ozone in a medium sized urban area. World Academy of Science, Engineering and Technology, 37: 919-930.
29. Gouveia CM, Trigo RM, Begueria S, & Vicente-Serrano SM. 2017. Drought impacts on vegetation activity in the Mediterranean region: An assessment using remote sensing data and multi-scale drought indicators. Global and Planetary Change, 151: 15-27.
30. Kalin U, Lang N, Hug Ch, Gessler A, & Wegner JD. 2019. Defoliation estimation of forest trees from ground-level images. Remote Sensing of Environment, 223: 143-153.
31.Karlson M, & Ostwald M. 2016. Remote Sensing of vegetation in the Sudano-Sahelian zone: A literature review form 1975 to 2014. Arid Environments, 124: 257-269.
32. Köhl M, & Gertner G. 1997. Geostatistics in evaluating forest damage surveys: considerations on methods for describing spatial distributions. Forest Ecology and Management, 95: 131-140.
33. Lawley V, Lewis M, Klark K, & Ostendorf B. 2016. Site-based and remote sensing methods for monitoring indicatores of vegetation condition: An Australian. Ecological Indicators, 60: 1273-1283.
34. Lillesand T, Kiefer RW, & Chipman J. 2015. Remote sensing and image interpertion (7th ed). John Wiley and Sons, New York.
35. Malatesta L, Attorre F, Altobelli A, Adeeb A, Sanctis M De, Taleb NM, & Vitale M. 2013. Vegetation mapping from high-resolution satellite imagein the heterogeneouse aird environments of Socotra Island (Yemen). Journal of Applied Remote Sensing, 7(1): 073527-073527.
36. Mensah A A, Sarfo DA, & Partey ST. 2018. Assessment of vegetion dynamics using remot sensing and GIS: A case of Bosomtwe Range Forest Reserve, Ghana. Remot Sensing and Space Sciences, 4: 1-10.
37. Mirzaei R., Rahimi K, Hafezi Moghaddas N, & Ghorbani H. 2015. Evaluating different interpolation methods to predict copper and Nickel concentrations in surface soil. Science and Technology of Agriculture and Natural Resources, 19(73): 58-97.
38. Ogaya R, Barbeta A, Basnou C, & Penuelas J. 2015. Satellite data as indicators of tree biomass growth and forest diebackin a Mediterranean holm oak forest. Annals of Forest Science, 72(1): 135-144.
39. Persson M, Lindberg E, & Reese H. 2018. Tree Species Classification with Multi-Temporal Sentinel-2 Data. Remote Sensing, 10: 1794.
40. Sagheb Talebi Kh, Sajedi T, & Pourhashemi M. 2014. Forests of Iran: A treasure from the past. Springer, New York.
41. Thomas N, Hendrix C, & Congalton RG. 2003. A comparison of urban mapping methods using high-resolution digital imagery. Photogrammetric Engineering & Remote Sensing, 69(9): 963-972.
42. Vieira SR, Pierre LH, Grego CR, Siqueira GM, & Dafonte JD. 2010. A geostatistical analysis of Rubber tree growth characteristics and soil physical attributes. Geostatistics for Environmental Applications, 419: 255-246.
43. Waser LT, Kuchler M, Jutte M, & Stampfer T. 2014. Evaluating the potential of WorldView-2 data to cassify tree species and different levels ofash mortality. Remote Sensing, 6(5): 4515-4545.
44. Webster R, & Oliver MA. 2007. Geostatistics for environmental scientists (2nd ed). John Wiley & Sons, Chichester.
45. Xie Y, Sha Z, & Yu M. 2008. Remote sensing image in vegetion mapping: a review. Journal of Plant Ecology, 1(1): 9-23.
46. Zhang T, Du Y, Huang T, & Li X. 2016. Stochastic simulation of geological data using isometric mapping and multiple-point geostatistics with data incorporation. Applied Geophysics, 125: 14-25.
Persian Oak Decline Mapping in Barm Plain, Fars Province, through Integration of Remote Sensing and Geostatistics
Abstract
Zagros arid woodlands are among the most important and valuable areas of Iran΄s natural resources that due to the dieback of trees in recent years, it seems necessary to manage and rehabilitate this vegetation. This research was aimed to study the spatial distribution map dieback of Persian oak trees (Qurcus brantii Lindl), analyze and describe the spatial distribution of oak dry trees using a combination of geostatistical techniques and remote sensing in Barm plain, Fars province. The image was firstly classified to live and dead trees and the overall accuracy and Kappa coefficient were 80% and 73%, respectively. The data were than collected in circular sample plots of 2000 m2 (with a radius of 25.24 m) based on a 300*300 meter network in a randomized manner. After providing a point map used the percentage of drying RapidEye classified image from interpolation method simple, ordinary, universal Kriging that evaluated by using of the three models exponential, Gaussian, spherical. After evaluating the data using the cross-evaluation results, it was shown that simple Kriging method with exponential model has the best fit to the data (MPE=0/023). Dieback map was obtained with classes of zero to 10, 10-20, 20-30, 30-40 and more than 40 percent. The largest area was related to class 20 to 30 percent with 493.9 ha and the smallest area was for zero to 10 percent, with 70.46ha. The present study showed that it is possible to obtain maps of spatial distribution of Persian oak dieback and recognize the focal points using geostatistical techniques (Kriging) and remote sensing.
Keywords: Oak, Spatial Variation, RapidEye image, Kriging, Decline map.
[1] Geostatistics
[2] Anisotropy
[3] Simple Kriging
[4] Ordinary Kriging
[5] Universal Kriging
[6] Mean prediction Error (MPE)
[7] Root-Mean-Square prediction Error (RMSPE)
[8] Average Kriging Standard Error (AKSE)