
تعداد نشریات | 32 |
تعداد شمارهها | 757 |
تعداد مقالات | 7,326 |
تعداد مشاهده مقاله | 12,142,313 |
تعداد دریافت فایل اصل مقاله | 8,292,011 |
پهنه بندی تودههای جنگلی مستعد زوال بلوط زاگرس با استفاده از روشهای یادگیری ماشین (جنگل بلوط بلند در استان چهارمحال و بختیاری) | ||
مخاطرات محیط طبیعی | ||
مقاله 10، دوره 13، شماره 42، دی 1403، صفحه 91-106 اصل مقاله (1.59 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22111/jneh.2024.47669.2017 | ||
نویسندگان | ||
سهراب غفاری1؛ حمیدرضا ریاحی بختیاری* 2؛ مژگان عباسی3 | ||
1دانشجوی دکتری گروه علوم جنگل، دانشگاه شهرکرد | ||
2استادیار گروه علوم جنگل، دانشکده منابع طبیعی و علوم زمین، دانشگاه شهرکرد | ||
3دانشیار گروه علوم جنگل، دانشکده منابع طبیعی و علوم زمین دانشگاه شهرکرد، شهرکرد | ||
چکیده | ||
جنگلهای زاگرس به عنوان یکی از زیست بومهای ارزشمند ایران به شمار میآیند که زیستگاه جانوران و گیاهان متنوعی هستند. بحرانهای اخیر مانند گرم شدن کره زمین، خشکسالی و طوفانهای گرد و غبار این زیستبوم را به خطر انداخته و باعث ضعیف شدن تک درختان یا گروههایی از درختان منطقه شده است. زوال به عنوان یک اختلال و چالش مهم، درختان بلوط در منطقه زاگرس را تهدید میکند. هدف این مطالعه بررسی امکان پهنه بندی درختان مستعد زوال با استفاده از الگوریتمهای یادگیری ماشین است. منطقه مورد مطالعه 101 هکتار از جنگلهای زاگرس میانی موسوم یه منطقه "بلوط بلند" واقع در استان چهارمحال و بختیاری را در بر میگیرد. آماربرداری زمینی بهمنظور برداشت وضعیت سلامت درختان در 37 عدد قطعهنمونه 1000 مترمربعی انجام شد. علاوه بر این نقشه واقعیت زمینی بهصورت موردی بر اساس بررسی درخت به درخت در 11 درصد از سطح منطقه تهیه شد. پس از انجام تحلیل تفکیکپذیری سه طبقه شامل "طبقه 1 خشکیدگی" با میزان خشکیدگی کمتر از 50 درصد، "طبقه 2 خشکیدگی" با میزان خشکیدگی بیش از 50 درصد و طبقه "سایر" شامل خاک لخت، جنگل تنک، جاده و بیرونزدگی سنگی برای طبقهبندی انتخاب شدند. در این مطالعه قابلیت چهار روش یادگیری ماشین شامل حداکثر احتمال، شبکه عصبی، جنگل تصادفی و ماشین بردار پشتیبان مقایسه شد. نتایج نشان داد که روش حداکثر احتمال میتواند بیشترین صحت کلی و ضریب کاپا را به ترتیب معادل 87/0 درصد و 73/0 ارائه دهد. همچنین در طبقه دوم مساحت خشکیدگی زیادتر است و بیانگر این است که میزان خشکیدگی منطقه رو به رشد است. پیشنهاد میشود با مطالعه مستقیم رفتار طیفی درخت در فرایند خشکیدگی و معرفی شاخصهای طیفی مناسب، نسبت به شناسایی زود هنگام تودههای در معرض خشکیدگی اقدام نمود. | ||
کلیدواژهها | ||
جنگلهای زاگرس؛ خشکیدگی بلوط؛ شاخص پوشش گیاهی؛ الگوریم طبقهبندی؛ یادگیری ماشین | ||
مراجع | ||
برازمند، سحر؛ شتایی جویباری، شعبان؛ عبدی، امید. (۱۳۹۰). بررسی امکان تشخیص سرخشکیدگی تاج درختان با استفاده از تصاویر ماهوارهای با قدرت تفکیک مکانی زیاد Quickbird (مطالعه موردی: جنگل شصت کلاته گرگان). فصلنامه علمی - پژوهشی تحقیقات جنگل و صنوبر ایران، ۱۹: ۴۶۶-۴۷۷
برازمند، سحر؛ شتایی جویباری، شعبان؛ کاوسی، محمدرضا؛ حبشی، هاشم. (۱۳۹۱). بررسی پراکنش سر خشکیدگی درختان جنگلی و ارتباط آن با برخی عوامل محیطی و جادهها مطالعه موردی: سری یک طرح جنگلداری دکتر بهرام نیا، مجله پژوهشهای علوم و فناوری چوب و جنگل. ۱۹: ۱۷۴-۱۵۹.
پیرباوقار، مهتاب. (۱۳۹۰). ارزیابی امکان برآورد برخی مشخصههای کمی جنگلهای زاگرس با استفاده از تصاویر ماهواره IRS P6 مجله جنگل ایران انجمن جنگلبانی ایران، ۳(۴): ۲۸۹-۲۷۷.
پیلهور، بابک؛ ویس کرمی، غلامحسن؛ طاهری آبکنار، کامبیز؛ سوسنی، جواد؛ اکبری، حسن. (۱۳۸۹). تعیین اولویت حفاظتی تیپهای مختلف پوششهای گیاهی در مناطق خارج از ذخیرهگاههای جنگلهای زاگرس بر حسب میزان مشارکت آنها در تنوع زیستی. مجله جنگل ایران، ۲(۱): ۹۱-۸۱.
جزیرهای، محمد حسین؛ ابراهیمی رستاقی، مرتضی. (1382). جنگلشناسی زاگرس، انتشارات دانشگاه تهران، 600 ص.
حسینی، احمد؛ حسینی، سید محسن؛ رحمانی، احمد؛ آزادفر، داود. (۱۳۹۱). تأثیر مرگ و میر درختی بر ساختار جنگلهای بلوط ایرانی در استان ایلام، فصلنامه علمی ـ پژوهشی تحقیقات جنگل و صنوبر ایران. ۲۰: ۵۷۷-۵۶۵.
حیدری ناصرآبادی، سحر. (1394). بررسی الگوی پراکنش مکانی ـ زمانی خشکیدگی بلوط ایرانی با استفاده از فن دورسنجی و GIS (مورد مطالعه: منطقه باشت، استان کهگیلویه و بویر احمد). پایان نامه کارشناسی ارشد. دانشکده کشاورزی و منابع طبیعی. دانشگاه یاسوج.
ذاکری انارکی، سارا؛ فلاح شمسی، سید رشید. (۱۳۹۲). بررسی امکان تهیه نقشه خشکیدگی تک درختان بلوط ایرانی (Quercus brantii Lind1) با استفاده از تصاویر ماهوارهای Rapideye و-Aster L1B، مجله جنگل ایران، 5(454): 443-456.
رسولی، علی اکبر. (1387). مبانی سنجش از دور کاربردی با تأکید بر پردازش تصاویر ماهوارهای. انتشارات دانشگاه تبریز. 806 ص.
عبدالهی، هیوا؛ شتایی جویباری، شعبان. (1391). ارزیابی مقایسهای قابلیت دادههای LISS-III و LISS-IV ماهواره IRS-P6 در تهیه نقشه تراکم تاج پوشش جنگلهای زاگرس (مطالعه موردی: جنگلهای شهرستان جوانرود). علوم و فناوری چوب و جنگل (علوم کشاورزی و منابع طبیعی). 19(1): 43-60.
علوی پناه، سید کاظم. (1390). اصول سنجش از دور نوین و تفسیر تصاویر ماهوارهای و عکسهای هوایی، انتشارات دانشگاه تهران، 800 ص.
لهرابی، یاسمن؛ عباسی، مژگان؛ سلطانی، علی؛ ریاحی بختیاری، حمیدرضا. )1397(. تعیین مناسبترین روش تهیه نقشه تیپ در جنگلهای زاگرس مرکزی با استفاده از تصاویر ماهواره لندست 8. پژوهش و توسعه جنگل. 4(2): 191-205.
مروی مهاجر، محمدرضا. (1390). جنگل شناسی و پرورش جنگل، انتشارات دانشگاه تهران، 418 ص.
میرزایی، جواد؛ اکبری نیا، مسلم؛ حسینی، محسن؛ طبری، مسعود؛ جلالی، علامعلی. (۱۳۸۶). مقایسه تراکم زادآوری طبیعی گونههای چوبی در رابطه با عوامل فیزیوگرافی و خاک در جنگلهای زاگرس (مطالعه موردی: منطقه حفاظت شده ارغوان در شمال ایلام). پژوهش و سازندگی در منابع طبیعی، 20(4): 16-23.
نیازی، یعقوب؛ ملکی نژاد، حسین؛ اختصاصی، محمد رضا؛ مرشدی، جعفر؛ حسینی، زین العابدین. (1389). مقایسه دو روش طبقهبندی حداکثر احتمال و شبکه عصبی مصنوعی در استخراج نقشه کاربری اراضی مطالعه موردی: حوزه سد ایلام. فصلنامه جغرافیا و توسعه. 8(20): 119-132.
Boloorani, A.D., Ranjbareslamloo, S., Mirzaie, S., Bahrami, H.A., Mirzapour, F. & Tehrani, N.A. (2020). Spectral behavior of Persian oak under compound stress of water deficit and dust storm. International Journal of Applied Earth Observation and Geoinformation, 88, p.102082. Bolstad, P. and Lillesand, T.M. (1991). Rapid maximum likelihood classification. Photogrammetric Engineering and Remote Sensing, 57(1), pp.67-74. Campbell, J.B. & Hall-Beyer, M. (1997). [Introduction to remote sensing. Cartographica, 34(1), p.70. Czerwinski, C. J., D. J. King, & Mitchell S.W. (2014). Mapping forest growth and decline in a temperate mixed forest using temporal trend analysis of Landsat imagery, 1987–2010, Remote Sensing of Environment, 141: 188 200. Coluzzi, R., Fascetti, S., Imbrenda, V., Italiano, S.S.P., Ripullone, F. & Lanfredi, M. (2020). Exploring the use of sentinel-2 data to monitor heterogeneous effects of contextual drought and heatwaves on Mediterranean forests. Land, 9(9), p.325. Dionisio, M.A., Alcaraz-Segura, D. & Cabello, J. (2012). Satellite-based monitoring of ecosystem functioning in protected areas: recent trends in the oak forests (Quercus Pyrenaica Willd.) of Sierra Nevada (Spain). International Perspectives on Global Environmental Change, 355, p.37. EESA, (2019). User Guides - Sentinel-2 MSI - Level-2 Processing, https://sentinel.esa.int/web/sentinel/user-guides/sentinel-2-msi/processing-levels/level-2 Ekstrand, S. (1996). Landsat TM-based forest damage assessment: correction for topographic effects. Photogrammetric Engineering and Remote Sensing, 62(2), pp.151-162. Franklin, S. E. (2001). Remote Sensing for Sustainable Forest Management. CRC Press, United States of America. pp 114-135 Gazol, A., Camarero, J.J., Vicente Serrano, S.M., Sánchez Salguero, R., Gutiérrez, E., de Luis, M., Sangüesa Barreda, G., Novak, K., Rozas, V., Tíscar, P.A. & Linares, J.C. (2018). Forest resilience to drought varies across biomes. Global change biology, 24(5), pp.2143-2158. Hoffer, A., Swain, P.H. & Davis, S.M. (1978). Remote Sensing: The Quantitative Approach. Biological and Physical Considerations in Applying Computer-Aided Analysis Techniques to Remote Sensor Data, pp.227-289. Hornero, A., Zarco-Tejada, P.J., Quero, J.L., North, P.R., Ruiz-Gómez, F.J., Sánchez-Cuesta, R. & Hernández-Clemente, R. (2021). Modeling hyperspectral-and thermal-based plant traits for the early detection of Phytophthora-induced symptoms in oak decline. Remote Sensing of Environment, 263, p.112570 Huang, K. & Xia, J. (2019). High ecosystem stability of evergreen broadleaf forests under severe droughts. Global Change Biology, 25(10), pp.3494-3503. Huete, A.R. (1988). A soil-adjusted vegetation index (SAVI). Remote sensing of environment, 25(3), pp.295-309. Italiano, S.S., Camarero, J.J., Borghetti, M., Colangelo, M., Pizarro, M. & Ripullone, F. (2023). Radial growth, wood anatomical traits, and remote sensing indexes reflect different impacts of drought on Mediterranean forests. Forest Ecology and Management, 548, p.121406 Jones, Joshua S., Tullis, Jason A., Haavik, Laurel J., Guldin, James M., Stephen, Fred M. (2014). Monitoring oak-hickory forest change during an unprecedented red oak borer outbreak in the Ozark Mountains: 1990 to 2006. Journal of Applied Remote Sensing. 8,1: 083687. Jordan, C. F. (1969). Derivation of leaf area index from quality of light on the forest floor. Ecology 50:663-666. Kalbi, S., Fallah, A. & Shataee, S. (2014). Estimation of forest attributes in the Hyrcanian forests, comparison of advanced space-borne thermal emission and reflection radiometer and satellite pour I’observation de la terre-high resolution grounding data by multiple linear, and classification and regression tree regression models. Journal of Applied Remote Sensing, 8(1), p.083632. Lambert, J., Drenou, C., Denux, J.P., Balent, G. & Cheret, V. (2013). Monitoring forest decline through remote sensing time series analysis. GIScience & remote sensing, 50(4), pp.437-457. Lloret, F., Lobo, A., Estevan, H., Maisongrande, P., Vayreda, J. & Terradas, J. (2007). Woody plant richness and NDVI response to drought events in Catalonian (northeastern Spain) forests. Ecology, 88(9), pp.2270-2279. Matsushita, B., Yang, W., Chen, J., Onda, Y. & Qiu, G. (2007). Sensitivity of the enhanced vegetation index (EVI) and normalized difference vegetation index (NDVI) to topographic effects: a case study in high-density cypress forest. Sensors, 7(11), pp.2636-2651. Nedkov, R. (2017). Orthogonal transformation of segmented images from the satellite Sentinel-2. Comptes rendus de l’Academie bulgare des Sciences, 70(5), pp.687-692. Qi, J., Chehbouni, A., Huerte, A.R., Kerr, Y.H. & Sorooshian, S. (1994). A modified soil adjusted vegetation index: Remote Sensing Environment, 48(2): pp.119-26. Recanatesi, F., Giuliani, C. & Ripa, M. (2018). Monitoring Mediterranean Oak decline in a peri-urban protected area using the NDVI and Sentinel-2 images: The case study of Castelporziano State Natural Reserve. Sustainability, 10(9), p.3308. Rita, A., Camarero, J.J., Nolè, A., Borghetti, M., Brunetti, M., Pergola, N., Serio, C., Vicente‐Serrano, S.M., Tramutoli, V. & Ripullone, F. (2020). The impact of drought spells on forests depends on site conditions: The case of the 2017 summer heat wave in southern Europe. Global change biology, 26(2), pp.851-863. Rouse J.W., Hass. R.H., Schell, J. A. Deering D,W. (1973). Monitoring Vegetation systems in the Great Plains with ERTS, In Third Earth Resources Technology Satellite -1 Symposium, Washington DC: NASA, pp. 309-317 Traganos, D. & Reinartz, P. (2018). Mapping Mediterranean seagrasses with Sentinel-2 imagery. Marine Pollution Bulletin, 134, pp.197-209. Vicente-Serrano, S.M., Martin-Hernandez, N., Camarero, J.J., Gazol, A., Sanchez-Salguero, R., Pena-Gallardo, M., El Kenawy, A., Dominguez-Castro, F., Tomas-Burguera, M., Gutierrez, E. & de Luis, M. (2020). Linking tree-ring growth and satellite-derived gross primary growth in multiple forest biomes. Temporal-scale matters. Ecological Indicators, 108, p.105753. Vicente-Serrano, S.M., Azorin-Molina, C., Peña-Gallardo, M., Tomas-Burguera, M., Domínguez-Castro, F., Martín-Hernández, N., Beguería, S., El Kenawy, A., Noguera, I. & García, M. (2019). A high-resolution spatial assessment of the impacts of drought variability on vegetation activity in Spain from 1981 to 2015. Natural Hazards and Earth System Sciences, 19(6), pp.1189-1213. Wang, C., He, H. S., & Kabrick, J. M. (2008). A remote sensing-assisted risk rating study to predict oak decline and recovery in the Missouri Ozark Highlands, USA. GIScience & Remote Sensing, 45(4): 406-425. Wang, J., Sammis, T.W., Gutschick, V.P., Gebremichael, M., Dennis, S.O. & Harrison, R.E. (2010). Review of satellite remote sensing use in forest health studies. The Open Geography Journal, 3(1). | ||
آمار تعداد مشاهده مقاله: 288 تعداد دریافت فایل اصل مقاله: 123 |