جستجوی مقالات مرتبط با کلیدواژه « vegetation indices » در نشریات گروه « منابع طبیعی »
تکرار جستجوی کلیدواژه «vegetation indices» در نشریات گروه «کشاورزی»-
مدل سازی تولید اولیه سطح زمین با استفاده از شاخص های ماهواره لندست-8 در مراتع سیاهپوش و گنج گاه استان اردبیل، ایراننشریه سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، سال چهاردهم شماره 3 (پاییز 1402)، صص 13 -16هدف از این مطالعه برآورد تولید (تولید اولیه سطح زمین) فرم های رویشی و کل با استفاده از تصاویر لندست 8 در مراتع سیاه پوش و گنج گاه استان اردبیل بود. نمونه برداری میدانی در خرداد ماه 1398 انجام شد و تصویر ماهواره ای هم زمان با آن دریافت شد. تعداد هفت مکان نمونه برداری انتخاب شد و در هر مکان سه ترانسکت 100 متری موازی و عمود بر جهت شیب مستقر شد و در امتداد هر ترانسکت از 10 پلات (یک متر مربعی)، تولید فرم های رویشی به روش تصادفی-سیستماتیک برداشت شد (در مجموع 210 پلات). تعداد 22 شاخص گیاهی با توجه به مرور منابع انتخاب و برای منطقه محاسبه شد. سپس، هم بستگی بین تولید فرم های رویشی و کل با شاخص های گیاهی محاسبه و شاخص گیاهی دارای بالاترین هم بستگی برای مدل سازی انتخاب شد. برای مدل سازی از معادله خطی درجه یک استفاده شد و معادلات به دست آمده در نرم افزار ArcGIS به صورت نقشه برآورد شد. نتایج نشان داد از بین شاخص های مورد بررسی، شاخص NDVI مناسب ترین شاخص برای مدل سازی بود؛ با این حال بیش ترین هم بستگی این شاخص با تولید کل (88/0) و تولید گندمیان (78/0) بود؛ درحالی که هم بستگی کم تری با تولید پهن برگان علفی (41/0) و بوته ای ها (31/0) داشت. محدوده تغییرات تولید مدل سازی شده برای گندمیان 0 تا 1857 کیلوگرم در هکتار، پهن برگان علفی 9 تا 766 کیلوگرم در هکتار، بوته ای ها 0 تا 458 کیلوگرم در هکتار و برای تولید کل 9 تا 3081 کیلوگرم در هکتار بود. ارزیابی صحت مدل ها با معیارهای RMSE، MDE و MAE انجام شد و صحت در حد قابل قبول بود. هم چنین مقدار اختلاف میانگین داده های واقعی با مدل سازی شده تقریبا برابر صفر بود. از نتایج این مطالعه می توان برای ایجاد تعادل بین عرضه و تقاضای تولید مرتع در راستای توسعه پایدار اکوسیستم های مرتعی منطقه استفاده کرد.کلید واژگان: شاخص گیاهی, لندست 8, فرم رویشی, مراتع اردبیل}Modeling aboveground net primary production using Landsat-8 indices in Siahpoosh and Ganjgah rangelands of Ardabil province, IranThe aim of this study was to estimate the aboveground net primary production (ANPP) of life forms and total ANPP using Landsat 8 images in Siahpoosh and Ganjgah rangelands of Ardabil province. Field sampling was conducted in June 2019 and a satellite image was received at the same time. Seven sampling sites was selected, and three 100-meter transects parallel and perpendicular to the slope direction was established in each sites, and along each transects from 10 plots (1m2), the ANPP of life forms with random-systematic method were collected (210 plots in total). Then, 22 plant indices were selected according to previous references and calculated for the region. Next, the correlation between the ANPP of life forms and total ANPP with plant indices was calculated and the plant index with the highest correlation was selected for modeling. The first-order linear equation was used for modeling and the equations were estimated in ArcMap software as a map. The results showed that among the studied indices, NDVI was the most appropriate index for modeling; however, the highest correlation of this index was with total ANPP (0.88), and grasses ANPP (0.78); while it had less correlation with the forbs ANPP (0.41), and shrubs ANPP (0.31). The range of changes were 0 to 1857 kg/ha for grasses, 9 to 766 kg/ha for forbs, 0 to 458 kg/ha for shrubs, and 9 to 3081 kg/ha for the total ANPP. The accuracy of the models was evaluated by RMSE, MDE and MAE criteria and the accuracy was acceptable. Also, there was essentially no difference between the mean of real and modeled data. The results of this study can be used to balance the supply and demand of rangeland production for sustainable development of rangeland ecosystems.Keywords: Vegetation indices, LANDSAT 8, Life forms, Ardabil rangelands}
-
مدل سازی ذخیره کربن روی زمینی با استفاده از تصاویر ماهواره های Sentinel 1,2 و روابط پارامتریک و ناپارامتریک (مطالعه موردی: جنگل های سری سه سنگده)نشریه سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، سال چهاردهم شماره 3 (پاییز 1402)، صص 21 -24
در پژوهش پیش رو هدف؛ یافتن مدل های آماری و تجربی مناسب جهت برآورد ذخیره کربن روی زمینی به کمک تلفیق داده های طیفی و راداری سنجنده ماهواره های Sentinel 1, 2 در قسمتی از جنگل های سری سه سنگده است. در این راستا تعداد 150 قطعه نمونه دایره ای به روش تصادفی -منظم به مساحت 10 آری انتخاب شد. در هر قطعه نمونه مشخصه های نوع گونه، ارتفاع کل درختان و قطر برابرسینه درختان با بیش از 5/7 سانتی متر ثبت شد. سپس چگالی تمام گونه های موجود در قطعات نمونه در آزمایشگاه تعیین شد. بعد از آن میزان زی توده در سطح قطعات نمونه بر اساس مدل جهانی فایو و مقدار ذخیره کربن روی زمینی نیز با اعمال ضریب محاسبه گردید. بر روی تصاویر راداری و طیفی عملیات مختلف پیش پردازش و پردازش های لازم اعمال شد. سپس ارزش های رقومی متناظر با قطعات نمونه زمینی از باندهای طیفی استخراج و به عنوان متغیرهای مستقل در نظر گرفته شد. مدل سازی با روش های ناپارامتری جنگل تصادفی، ماشین بردار پشتیبان، نزدیکترین همسایه و روش پارامتری رگرسیون خطی چندگانه انجام گرفت. نتایج نشان داد به طور متوسط میانگین زی توده روی زمینی 07/469 تن در هکتار و ذخیره کربن 53/234 تن در هکتار به دست آمد. همچنین بیشترین همبستگی بین باندهای اصلی و مصنوعی با دو مشخصه مورد بررسی مربوط به باند مادون قرمز نزدیک حاصل شد. نتایج اعتبارسنجی مدل سازی تلفیق داده های نوری و راداری ماهواره های Sentinel 1, 2 با زی توده و ذخیره کربن روی زمینی نشان داد؛ روش جنگل تصادفی نسبت به دیگر پارامترهای مورد بررسی با درصد مجذور میانگین مربعات خطا و درصد اریبی به ترتیب برای مشخصه های زی توده و ذخیره کربن (79/32 و 24/2-) و (79/30 و 01/0-) در مدل سازی عملکرد بهتری داشته است. به طور کلی نتایج حاصل از اعتبارسنجی به دست آمده نشان داد استفاده از روش های جنگل تصادفی و تصاویر ماهواره های Sentinel 1, 2 عملکرد مناسبی در برآورد مشخصه های زی توده و ذخیره کربن را نداشت.
کلید واژگان: اریبی, زی توده, سنجش از دور, شاخص های پوشش گیاهی, ماشین بردار پشتیبان}Modeling of Aboveground Carbon stock using Sentinel -1, 2 satellite Imagery and Parametric and Nonparametric Relationships (Case Study: District 3 of Sangdeh Forests)In this study, the goal is; Find suitable statistical and experimental models for estimating ground carbon storage by combining spectral and radar data from Sentinel 1, 2. There are 150 random circular samples with an area of 10 acres and a total of 150 samples. With global coverage, all height classes were selected. Species of species type, the total height of trees, and diameter equal to the chest of trees with more than 7.5 cm were recorded in each sample plot. After that, the amount of biomass at the surface of the sample parts was calculated based on the FAO global model and the amount of carbon storage on the ground by applying a coefficient. Radar and spectral images were subjected to various preprocessing operations and necessary processing. Then, the numerical values corresponding to the ground sample plots were extracted from the spectral bands and considered as independent variables. Modeling was performed by non-parametric methods of RF, SVM, kNN, and parametric methods of multiple linear regressions. The results showed that the average ground biomass was 469.07 tons per hectare and carbon storage was 234.53 tons per hectare. Also, the highest correlation was obtained between the main and artificial bands with the two characteristics related to the near-infrared band. The results of modeling validation showed the combination of optical and radar data of Sentinel 1, 2 satellites with biomass and surface carbon storage; Random forest method with the RMSE%, and percentage of bias. The studied characteristics (32.79, -2.24) and (30.79 and 0.01), respectively, have had a better performance in modeling. In general, the results obtained from the validation showed that in estimating the two characteristics the RF method showed better results if the Sentinel 1, 2 data were combined, and in contrast to the SVM.
Keywords: Bias, biomass, remote sensing, Support Vector Machines: SVM, Vegetation indices} -
بررسی قابلیت تصاویر ماهواره ای Sentinel-2A در بستر Google Earth Engine برای تهیه نقشه پوشش زمیننشریه تحقیقات منابع طبیعی تجدید شونده، سال یازدهم شماره 2 (پیاپی 34، پاییز و زمستان 1399)، صص 89 -99نقشه پوشش زمین، پراکنش مکانی چشم اندازهای مختلف کشاورزی، منابع طبیعی، آب و منابع انسان ساخت را نشان می دهد و به عنوان یک ابزار مهم برای مدیریت و کاهش ریسک در مسایل چالش برانگیز مانند خشکسالی و اثرات آن، امنیت غذایی، کنترل سیل و برنامه ریزی شهری ارزشمند است. به منظور غلبه بر محدودیت های کار میدانی در تهیه نقشه پوشش زمین، استفاده از تصاویر ماهواره ای به دلیل دارا بودن داده های وسیع، چندطیفی و به روز مناسب به نظر می رسد. در منطقه مورد مطالعه، وجود پدیده های ناهمگن مکانی نیز طبقه بندی پدیده ها را با مشکل مواجه می سازد. هدف اصلی این پژوهش، تهیه نقشه پوشش زمین با وضوح بالا با کاربرد تصاویر Sentinel-2A در بستر Google Earth Engine است. در این رابطه، سه الگوریتم طبقه بندی جنگل تصادفی، ماشین بردار پشتیبان و درخت تصمیم مورد ارزیابی و مقایسه قرار گرفت. شاخص های متعدد با استفاده از روش های تبدیل و نسبت گیری طیفی تهیه شد. صحت نقشه های حاصل از طبقه بندی در مقایسه با نقشه های مرجع زمینی ارزیابی شد. در رابطه با ارزیابی تک باندها، بهترین صحت کلی برابر 49 درصد با کاربرد شاخص CVI به دست آمد. بهترین صحت کلی و ضریب کاپا به ترتیب برابر 86 درصد و 0/82 توسط الگوریتم جنگل تصادفی حاصل شد. بنابراین ضمن تاکید بر مزایای GEE شامل دسترسی آسان به داده ها و قابلیت پردازش و مقایسه سریع آنها، می توان ادعا نمود که تصاویر Sentinel-2A برای تهیه نقشه پوشش زمین از لحاظ هزینه، زمان و دقت، کارآیی بالایی دارد و این نقشه می تواند برای مدیریت و برنامه ریزی منابع مختلف طبیعی و انسان ساخت در راستای توسعه پایدار بسیار مفید واقع گردد.کلید واژگان: الگوریتم جنگل تصادفی, سنجش ازدور, شاخص های گیاهی, ضریب کاپا}Investigation on land cover mapping using Sentinel-2A images in the Google Earth Engine PlatformLand cover map show the spatial distribution of different landscapes such as agricultue, natural resources, water and man-made area. It is a valuable tool to managing and reducing risk in challenging issues such as drought and its effects, food security, flood control, and urban planning. In order to overcome the limitations of field work in the mapping of land cover, the use of satellite images due to the wide, multispectral and update data seems to be suitable. In the study area, the spatially heterogeneous landscapes also makes it difficult to classify features. Therefore, the main purpose of the study is accurate and high resolution land cover mapping using Sentinel-2A images in the Google Earth Engine platform. In this regard, three classification algorithms including RF, SVM and CART were evaluated and compared. Various indices were prepared using ratioing and transformation methods. The accuracy of the classifications was evaluated in comparison with ground reference data. Individual bands evaluation showed that the best overall accuracy (49%) was obtained using the CVI index.The best overall accuracy and kappa coefficient of 86% and 0.82 were obtained by RF algorithm. Therefore, while pointing to the advantages of the GEE including easily accessible data and the ability to process and quickly compare of data, it can be claimed that Sentinel-2A images for land cover mapping in terms of cost, time and accuracy, have high efficiency and the map can be very useful for the management and decision making in different natural and man-made resources for the successful implementation of sustainable development.Keywords: Kappa coefficient, Random Forest Algorithm, Remote sensing, vegetation indices}
-
نشریه سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، سال هفتم شماره 4 (زمستان 1395)، صص 97 -115هدف این تحقیق، شناسایی سطح زیر کشت محصول زعفران در شهرستان تربت حیدریه با استفاده از تصاویر ماهواره ای 8-Landsat با استفاده از روش های طبقه بندی شبکه عصبی مصنوعی، ماشین های بردار پشتیبان، فاصله ماهالانوبیس، حداقل فاصله، حداکثر احتمال، متوازی السطوح برای تهیه نقشه پوشش و استفاده از شاخص های گیاهی نرمال شده تفاضل پوشش گیاهی (NDVI) و شاخص پوشش گیاهی با انعکاس خاک (SAVI) در دوره اوج سبزینگی زعفران با بررسی تقویم زراعی آن است. برای تهیه داده های میدانی، مختصات و کلاس پوششی 2587 نقطه (1463 نمونه آموزشی و بقیه آزمایشی)، از مناطق با شعا ع حداقل 30 متر پوشش یکسان، در تاریخ های 5 بهمن ماه 1393 و 19 اردیبهشت ماه 1394 توسط GPS ثبت گردید. همچنین، آمارهای وزارت جهاد کشاورزی در سال زراعی 93-92 جهت ارزیابی نتایج استفاده شد. دو معیار ضریب کاپا و صحت کلی، برای ارزیابی نتایج استفاده گردید. سطح زیر کشت زعفران در طبقه بندی ماشین های بردار پشتیبان با صحت کلی 95٪ و ضریب کاپای 90٪ به عنوان بهترین روش رویکرد اول، در مقایسه با آمارهای جهاد کشاورزی خطایی حدود 18٪ داشت. اما استفاده از NDVI به عنوان بهترین روش برآورد سطح زیر کشت زعفران در رویکرد دوم، نشان دهنده سطح 7118 هکتار بود که در مقایسه با آمار جهاد کشاورزی (7550 هکتار)، خطای 7/5 درصدی را نشان می داد. بنابراین نتایج این تحقیق نشان دهنده کارایی مناسب شاخص های گیاهی زمانمند در برآورد سطح زیر کشت زعفران با توجه به فنولوژی آن بود.کلید واژگان: سطح زیر کشت زعفران, شاخص های گیاهی, روش های طبقه بندی, اوج سبزینگی, تربت حیدریه}The aim of this research is the identification of Saffron fields with Landsat-8 Satellite images in Torbat Heydarieh. In this regard, two approaches were utilized. The first approach was dealing with implementation of neural network, support vector machine, Mahalanobis distance, the minimum distance, maximum likelihood and parallelepiped classification methods to achieve land cover map. The second approach was to use normalized difference vegetation index (NDVI) and soil adjusted vegetation index (SAVI) in the greenness peak time range of saffron. To prepare field data, coordinate and land cover class of 2587 points (1463 as training sample and others as tested) in a region with at least 30 m same land cover on January 25th, 2015 and May 9th, 2015 were recorded using a GPS receiver. Furthermore, statistics presented by ministry of Agriculture Jihad in the 2014-2015 crop year was used for evaluation. Two measures, including Kappa coefficient and overall accuracy were used for evaluation of the results. Support vector machine classification with overall accuracy of 95% and a Kappa coefficient of 90%, was the best method of the first approach. It shows a difference of about 18% in saffron area comparing with Jihad statistics. On the other hand, NDVI as the best method of second approach shows an area of 7118 hectares which comparing with Jihad statistics (7550 hectares), shows the error of 5.7%. Hence, the results indicate the performance of temporal vegetation indices in identification of saffron fields according to its phenology.Keywords: Saffron area under cultivation, Vegetation indices, Classification methods, Green peak, Torbat Heydarieh}
-
مرتع یکی از منابع تجدید شونده با ارزش است که در برنامه های توسعه ملی بسیاری از کشورها جایگاه خاصی دارد. هدف مطالعه حاضر بررسی درصد پوشش گیاهی اراضی شور اطراف دریاچه ارومیه با استفاده از داده های ماهواره ای می باشد. این مطالعه در منطقه ای به وسعت حدود 353150 هکتار در اراضی شور اطراف دریاچه ارومیه انجام گرفت. در این پژوهش پیش پردازش های مختلف شامل تصحیح هندسی با استفاده از نقشه های توپوگرافی و تصحیحات اتمسفری از روش تفریق عارضه تاریک استفاده شد. عملیات برداشت زمینی در مرداد سال 1393 انجام گرفت. نمونه برداری در واحدهای گیاهی با روش نمونه برداری تصادفی طبقه بندی شده انجام شد. در این تحقیق به منظور بررسی رابطه بین متغیرها از رگرسیون چندگانه استفاده شد. در این مدل ابتدا با محاسبه ماتریس همبستگی، وجود یا عدم وجود هم راستایی (Collinearity) بین متغیرهای مستقل (شاخص های گیاهی و باندها) در منطقه بررسی شد. در این تحقیق بهترین مدل با توجه به مقدار بالاترR2 انتخاب شد. در مدل انتخابی چندین متغیر از بین تمامی متغیرهای مستقل گزینش شده و به عنوان مهمترین فاکتورهای موثر در تعیین نقشه درصد پوشش گیاهی منطقه معرفی شدند. در نهایت نقشه های تولیدی و نقاط نمونه برداری جهت بررسی صحت نتایج، کنترل گردید. نتایج نشان داد شاخص های مادون قرمز متوسط (MID-IR-INDEX)، مادون قرمز (Infrared)، کنتراست بازتاب در مرئی و نزدیک مادون قرمز (VNIRI)، شاخص گیاهی تبدیل شده (TVI، MIRVI، PD312، PD322)، و باندهای B2، B3، B5 و B6 رابطه معنی داری در سطح 5% با داده های زمینی داشته و به کمک مدل های رگرسیونی Backward نقشه میزان درصد پوشش گیاهی تخمین زده شد. جهت تعیین دقت نقشه تولید شده از روش Cross Validation استفاده شد که صحت کلی نقشه تولیدی از سنجنده +ETM برابر 92% و ضریب کاپای آن 2/89 بدست آمد. همچنین بر اساس نتایج این تحقیق، بخش اعظم اراضی شور حاشیه دریاچه ارومیه دارای تاج پوشش معادل 20-0% می باشند. بنابراین می توان چنین نتیجه گیری کرد که مراتع در منطقه مورد مطالعه در وضعیت مناسبی قرار ندارند.کلید واژگان: مدل حذف پیش رو, رگرسیون چندگانه, مرتع, شاخص های گیاهی}TThis study aims to survey vegetation canopy cover of saline lands around Urmia lake using satellites data in 2014. This study was conducted in the area about 353150 hectares in saline lands around Urmia lake. In this study, various pre-processing including geometric correction using topographic maps and atmospheric correction was the dark object subtraction. Field data was collected in 1393.Samplings were done in plant units with stratified random sampling method. In this study, multiple regression was used to examine the relationship between variables. In this model, first by calculating the correlation matrix, the presence or absence of collinearity between the independent variables (vegetation indices and bonds) was studied. In this study, the best model was chosen due to the higher value of R2.On the selected model several variables have been chosen from among all independent variables and were introduced as the most important factors in determinig the vegetation cover map of the study area. Finally the produced maps and sampling points were controlled in order to validate the accuracy of results. The results showed that the indices of MIRVI, PD312, PD322, TVI, VNIRI, INFRARED, MID-IR-INDEX and bounds of b2, b3, b5, b6 have significant correlation at the 5% level with the field data and by using backward regression models the canopy cover map of vegetation was estimated. According to results much of saline lands around Urmia lake have canopy cover of 0-20 percent therefore we concluded that the rangelands in the region are not in good condition.Keywords: Backwards elimination, Multiple regression, Rangeland, Vegetation indices}
نکته
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2024 magiran.com All Rights Reserved.