پایش دینامیکی زمین های جنگلی در منطقه فولینگ بر اساس تصاویر سنجش از دور سری زمانی چندمنبعی

خلاصه

از تصاویر سنجش از دور سری زمانی می توان برای نظارت بر تغییرات دینامیکی اراضی جنگلی استفاده کرد. به دلیل پوشش ابر و مه مداوم، یک سنسور به طور معمول داده های محدودی را برای نظارت پویا فراهم می کند. این مشکل با ترکیب مشاهدات از چندین حسگر برای تشکیل یک سری زمانی (یک سری زمانی تصویر ماهواره ای) حل می شود. در این مقاله، روش ادغام تصویر سنجش از راه دور چند منبع مبتنی بر پیکسل (MultiFuse) برای ترکیب داده‌های سری زمانی Landsat و Huanjing-1 A/B (HJ-1 A/B) در ناحیه فولینگ چونگ کینگ، استفاده می‌شود. چین. نتایج ادغام با ویژگی های فضایی بیشتر تصحیح و بهبود می یابد. نظارت و تجزیه و تحلیل دینامیکی منطقه مورد مطالعه متعاقباً بر روی داده‌های سری زمانی بهبود یافته با استفاده از ترکیب روش تشخیص روند Mann-Kendall و تحلیل شیب Theil Sen انجام می‌شود. نتایج پایش نشان می دهد که اکثریت زمین های جنگلی (60.08٪) رشد قوی را در طول دوره 1999-2013 تجربه کرده اند. ارزیابی دقت نشان می‌دهد که نظارت دینامیکی با استفاده از سری‌های زمانی تصویر ذوب‌شده نتایجی با دقت نسبتاً بالا تولید می‌کند.

کلید واژه ها:

سری زمانی ؛ ادغام تصویر ; نظارت پویا ; لندست ; HJ-1 A/B

1. معرفی

جنگل یک زیر سیستم مهم در اکوسیستم است که انواع چوب با ارزش، مواد اولیه و سایر لوازم مورد نیاز برای تولید و زندگی انسان و تعادل اکولوژیکی را فراهم می کند. چین، علیرغم قلمرو وسیع خود، فاقد جنگل و سرسبزی است که آن را از نظر زیست محیطی شکننده می کند. از زمان ساخت سد سه دره، محیط زیست محیطی در دو طرف مخزن سه تنگه به دلیل عوامل مختلف طبیعی و انسانی به طور مداوم در حال تغییر بوده است. بنابراین، استفاده از تصاویر سری زمانی سنجش از دور بلندمدت برای پایش دینامیک منابع زمین جنگلی در دو طرف مخزن از اهمیت بالایی برخوردار است.

ثابت شده است که تجزیه و تحلیل سری های زمانی بلند مدت بر اساس سنجش از دور در نظارت بر تغییرات منابع جنگلی بسیار مفید است [ 1 ، 2 ، 3 ، 4 ]. در حال حاضر، تصاویر ماهواره ای رایگان در حال افزایش در دسترس عموم است. به عنوان مثال، از سال 2008، تمام داده های لندست را می توان بدون هزینه به دست آورد. داده های یک ماهواره جدید، Sentinel-2 نیز اکنون رایگان است [ 5 ]. در نتیجه، مطالعه بر روی تجزیه و تحلیل مبتنی بر سری های زمانی در دهه گذشته به طور فزاینده ای محبوب شده است. داده‌های لندست، با آرشیو داده‌های بلندمدت و کیفیت داده‌های خوب، رایج‌ترین داده‌های مورد استفاده برای نظارت بلندمدت سطح هستند [ 4 ، 6]]. با این حال، داده های Landsat به تنهایی برای تجزیه و تحلیل سری های زمانی مناسب به دلیل برخی مسائل کافی نیست. به عنوان مثال، ماهواره های لندست هر 16 روز یک بار از همان منطقه بازدید می کنند، که باعث می شود فاصله زمانی سری زمانی تصویر بسیار طولانی شود. علاوه بر این، در برخی مناطق، مانند مناطق استوایی، داده های ماهواره لندست ممکن است توسط ابرها و سایه ها آلوده شود. این مسائل توالی های تصویر موجود را پراکنده می کند و دقت نظارت پویا را کاهش می دهد [ 6 ، 7 ].

ادغام داده های چند منبعی یک راه حل عملی برای مشکلات ذکر شده است. تعدادی از روش‌ها برای ادغام داده‌های چند منبعی [ 8 ، 9 ، 10 ، 11 ، 12 ، 13 ] در سال‌های اخیر معرفی شده‌اند و با موفقیت برای تشخیص تغییرات جنگل‌های ناشی از عوامل طبیعی یا انسانی استفاده شده‌اند [ 1 ، 11 ، 14]]. از آنجایی که داده‌های Sentinel-2 در مقیاس جهانی رایگان هستند و طول موج‌های مشابهی با داده‌های لندست دارند، رویکرد همجوشی تصویر مبتنی بر رگرسیون کریجینگ منطقه به نقطه (ATPRK) بر روی تصویرگر زمین عملیاتی لندست 8 (OLI) و Sentinel پیاده‌سازی شده است. -2 داده برای هماهنگ کردن وضوح فضایی آنها برای نظارت مداوم جهانی [ 12 ]. مدل همجوشی بازتابی تطبیقی مکانی و زمانی (STARFM) [ 8 ] که در سال 2006 برای پیش‌بینی بازتاب سطح روزانه با وضوح فضایی Landsat و فرکانس زمانی طیف‌سنجی تصویربرداری با وضوح متوسط (MODIS) توسعه یافت، به طور گسترده مورد استفاده قرار گرفت و پایه و اساس بسیاری از روش‌های دیگر شد. [ 9 ، 15]. اگرچه نتایج اخیر روش STARFM فرصت‌های جدیدی را برای تولید داده‌های سنجش از دور با وضوح مکانی و زمانی بالا نشان می‌دهد، چنین روش‌های همجوشی مکانی-زمانی معمولاً به حداقل یک جفت تصویر Landsat-MODIS (یا تصاویر از سایر ابزارهای مشابه) نیاز دارند. در همان روز برای هدایت فرآیند کاهش مقیاس MODIS (یا سایر داده‌های با وضوح درشت) در روزهای دیگر [ 8 ]. این همچنان در برخی از مناطق مانند مناطق ابری یک چالش است. علاوه بر این، ممکن است عدم قطعیت های قابل توجهی در روند کاهش مقیاس از وضوح فضایی مشاهده شده 500 متر به وضوح هدف 30 متر وجود داشته باشد. از آنجایی که پوشش ابر مشاهدات سری زمانی ماهواره ای نوری را محدود می کند، یک همبستگی سری زمانی چند حسگر مبتنی بر پیکسل و رویکرد فیوژن (MultiFuse) [ 11] که از چگالی مشاهده کامل سری های زمانی رادار دیافراگم نوری و مصنوعی (SAR) بهره می برد، برای بهبود نظارت بر جنگل های استوایی ارائه شده است. این فرصتی را برای استفاده از تصاویر ماهواره ای نوری با وضوح متوسط و SAR به روشی سودمند برای بهبود نظارت بر جنگل ها در مناطق گرمسیری فراهم کرده است. اگرچه MultiFuse در اصل برای شاخص گیاهی تفاوت عادی شده Landsat (NDVI) و داده‌های PALSAR اعمال می‌شود، اما به داده‌های نوری و SAR با وضوح متوسط محدود نمی‌شود و می‌تواند برای ترکیب سری‌های زمانی مختلف از سنسورهای دیگر استفاده شود [11 ] .

با توسعه فناوری سنجش از دور، تعداد زیادی از داده های سری زمانی سنجش از دور جمع آوری شده است. در این میان، داده‌های تصویر سنجش از دور با وضوح متوسط رایگان به طور فزاینده‌ای در دسترس هستند. Huanjing-1 A/B (HJ-1 A/B) دو ماهواره کوچک هستند که توسط چین در سال 2008 برای نظارت و پیش بینی محیط زیست و بلایا پرتاب شدند [ 16]]. هر یک از آنها دارای دو سنسور چند طیفی (CCD) با یک اصل طراحی هستند. عرض اسکن یک سنسور 360 کیلومتر و وضوح فضایی 30 متر است. تصاویر به دست آمده توسط حسگر چند طیفی HJ-1 A/B شامل چهار باند چند طیفی (B1: 0.43-0.52 میکرومتر؛ B2: 0.52-0.6 میکرومتر؛ B3: 0.63-0.69 میکرومتر؛ و B4: 0.76-0.9 میکرومتر است. میکرومتر) که شبیه باندهای حسگر Thematic Mapper (TM) 1 تا 4 هستند. مدارهای ماهواره‌های HJ-1 A و HJ-1 B دقیقاً یکسان است و دوره بازدید مجدد پس از شبکه‌سازی تنها دو روز است [16 ] . . داده های HJ-1 A/B در نظارت بر تغییرات محیطی و اکولوژیکی مفید ثابت شده اند [ 17 ، 18]. داده ها در حال حاضر به صورت رایگان در دسترس هستند. از آنجایی که HJ-1 A/B دارای وضوح فضایی 30 متر و فرکانس بازدید مجدد دو روزه است، مکمل مفیدی برای سایر داده های سنجش از دور با وضوح متوسط خواهد بود.

این مقاله منطقه فولینگ چونگ کینگ را به عنوان منطقه مورد مطالعه در نظر می گیرد. از آنجا که فاصله یک سری زمانی منفرد به دلیل وجود ابر و مه ثابت در این منطقه بسیار طولانی است، ما یک روش ترکیبی تصویر سنجش از راه دور سری زمانی چند منبعی را بر اساس MultiFuse پیشنهاد می‌کنیم. در این رویکرد، داده‌های Landsat و داده‌های HJ-1 A/B که وضوح فضایی خوبی دارند، ترکیب می‌شوند تا یک تصویر سری زمانی از فواصل زمانی کوتاه‌تر را تشکیل دهند. سپس داده‌های سری زمانی ترکیب شده در فرآیند پایش دینامیکی بعدی برای تشخیص تغییرات زمین جنگلی در منطقه مورد مطالعه استفاده می‌شود.

2. مواد و روشها

2.1. منطقه مطالعه

ناحیه فولینگ (29°21′ شمالی ~ 30°01′ شمالی، 106°56′ شرقی ~ 107°43′ شرقی) در وسط چونگ کینگ ( شکل 1 )، چین، در انتهای مخزن سه دره واقع شده است. حوزه.

به دلیل محیط مساعد، گونه های گیاهی این منطقه فراوان است که در این میان گیاهان نیمه گرمسیری نقش غالب را ایفا می کنند. بر اساس گزارش بررسی منابع جنگلی نوع دوم در ناحیه فولینگ در سال 2003، اراضی جنگلی این منطقه حدود 113800 هکتار را شامل می شود که 7/38 درصد از کل مساحت زمین 294200 هکتاری را شامل می شود [19 ] . تا پایان سال 2014، زمین های جنگلی به 130000 هکتار افزایش یافته است که 44.10 درصد از مساحت مورد مطالعه را تشکیل می دهد [ 20 ].

2.2. داده ها و روش ها

2.2.1. داده های تصویر سنجش از راه دور سری لندست و HJ-1 A/B

ماهواره های سری لندست در مداری نزدیک به قطب خورشید-همزمان عمل می کنند، که به ماهواره ها اجازه می دهد تا بیشتر سطح زمین را بپوشانند به گونه ای که هر منطقه از جهان را در یک زمان ثابت محلی خورشید از یک زاویه ثبت کنند. دقت هندسی تصاویر لندست بالا و اطلاعات طیفی آنها پایدار است. در این پژوهش، 26 صحنه از تصاویر لندست (مسیر 127، ردیف 39/40) را از پورتال USGS GLOVIS [ 21 ] دانلود می کنیم. این تصاویر عمدتاً در طول تابستان (بیشتر در حدود سپتامبر) زمانی که پوشش گیاهی فراوان است، با ابرهای کمتر و کیفیت کلی تصویر خوب به دست می آید. زمان جمع آوری داده ها از سال 1999 تا 2013 متغیر است ( جدول 1). شایان ذکر است از آنجایی که منطقه فولینگ متعلق به اقلیم نیمه گرمسیری مرطوب موسمی و دارای تابستان طولانی است، از داده های مهرماه نیز در مواقعی که به دلیل تداخل ابر و مه کمبود داده وجود دارد استفاده می شود.

ماهواره HJ-1 یک صورت فلکی ماهواره ای چینی برای نظارت و پیش بینی محیط زیست و بلایا است [ 17 ]. ما سه تصویر (30 سپتامبر 2009، 16 سپتامبر 2010 و 17 اوت 2012) را که توسط حسگر CCD1 ماهواره HJ-1 B گرفته شده بود در این مطالعه انتخاب کردیم.

به منظور اطمینان از سازگاری داده ها در هر سری زمانی، از مدل تصحیح جوی FLAASH برای انجام تصحیح تشعشع و نرمال سازی تابش نسبی برای دو تصویر سنجش از دور سری زمانی، بر اساس روش عادی سازی ویژگی غیرمتغیر شبه استفاده می شود. روش تابع ماسک (Fmask) [ 22 ] پس از آن برای تشخیص ابر و سایه ابر توالی زمانی Landsat و نوار Landsat 7 اعمال می‌شود. نوارها بر اساس مدل تحلیل رگرسیون تطبیقی محلی چند تصویری تعمیر می‌شوند. از آنجایی که تصویر سنجش از دور HJ-1 A/B انتخاب شده در این مطالعه دارای کیفیت تصویر خوبی است، روش تشخیص آستانه و تصحیح دستی برای تشخیص ابر و سایه ابر اتخاذ شده است.

2.2.2. داده های تأیید

داده‌های اعتبارسنجی این مطالعه عمدتاً داده‌های تصویر سنجش از دور چند حسگر و عکس‌های میدانی است. از آنجایی که منطقه مورد مطالعه بزرگ است، برای به دست آوردن پوشش معقولی از نمونه های اعتبار سنجی، داده های مرجع را از سری های زمانی Landsat، ماهواره Gaofen-1 (GF-1)، نقشه برداری ماهواره-1، ZY-3، ZY- جمع آوری می کنیم. 1 02C، و تصاویر تاریخی WorldView و Quickbird با وضوح بسیار بالا (VHR) از Google Earth در طول دوره مطالعه، همراه با چند عکس میدانی.

هنگام انتخاب داده های نمونه، سطح زمین نقطه مرجع باید بیشتر از 30 متر باشد که وضوح مکانی تصویر لندست است. تصویر چند فازی ابتدا با همان سیستم مختصات پیش بینی شده به عنوان تصاویر Landsat ثبت می شود. سپس برای تسهیل راستی‌آزمایی تجربی روی هم قرار می‌گیرد. در مجموع، ما 54 ناحیه نمونه شامل 1131 پیکسل را جمع آوری کردیم.

2.2.3. روش ادغام تصویر سنجش از دور چند منبع سری زمانی بر اساس ویژگی‌های فضا-زمان

رویکرد برازش حداقل مربعات وزنی بهینه مبتنی بر پیکسل، همبستگی سری زمانی چند حسگر و فیوژن (MultiFuse) [ 11 ]، برای ترکیب تصویر سنجش از راه دور چند منبعی استفاده می‌شود. تصویر ترکیب شده با ویژگی های فضایی تصحیح می شود. سری زمانی تصویر تصحیح شده برای نظارت پویا بعدی با روش تشخیص Mann-Kendall و تجزیه و تحلیل شیب Theil Sen استفاده می شود. در نهایت، ارزیابی دقت برای ارزیابی نتایج پایش انجام می شود. روش پردازش و تجزیه و تحلیل داده ها در شکل 2 نشان داده شده است .

● ترکیب تصویر سنجش از راه دور بر اساس ویژگی‌های زمان

هنگامی که دو تصویر سنجش از دور سری زمانی از حسگرهای مختلف با هم ترکیب می‌شوند، فرض می‌شود که چارچوب‌های زمانی سری‌های زمانی گسسته استخراج‌شده از توالی تصویر مرجع و توالی تصویری که باید ترکیب شوند ناسازگار هستند. همانطور که در شکل 3 [ 11 ] نشان داده شده است، فواصل زمانی اکتساب سری های زمانی ایکسو Yمتفاوت هستند و یک دوره همپوشانی وجود دارد. ابتدا، درون یابی خطی برای درون یابی نقاط زمانی اعمال می شود ایکسبر Yو سری زمانی درونیابی شده ایکسمنnتیبه دست آمده است. به همین ترتیب، Yمنnتینیز به دست می آید. سپس، در مواردی که درونیابی خطی ممکن است مقادیر منفرد را به دست آورد و طول سری های زمانی متناقض باشد، دامنه ها معرفی و نرمال می شوند تا وزن هر نقطه زمانی اکتساب به دست آید. در نهایت، رابطه برازش بین سری های زمانی درون یابی ایکسمنnتیو Yمنnتیهمانطور که در معادله زیر نشان داده شده است با روش رگرسیون برازش حداقل مربعات وزنی [ 23 ] محاسبه می شود:

Yمنnتی=آ+بایکسمنnتی

(1)

جایی که آو بثابت هستند.

● تصحیح تصویر فیوژن بر اساس ویژگی های فضایی

روش فوق ایده خوبی برای ادغام داده های چند منبعی از منظر ویژگی های زمانی ارائه می دهد. بر این اساس، ما پیکسل‌های منفرد را در ویژگی‌های فضایی پیکسل‌های مشابه به‌طور یکنواخت انتخاب و اصلاح می‌کنیم تا اثر ترکیبی داده‌های تصویر سنجش از راه دور چند منبع را افزایش دهیم.

طبقه بندی بدون نظارت به خوشه بندی پیکسل ها با ویژگی های طیفی یا فضایی مشابه در تصاویر چند طیفی اشاره دارد. در این مطالعه، طبقه‌بندی بدون نظارت برای خوشه‌بندی داده‌های تصویر به عنوان مبنایی برای اصلاح پیکسل‌های منفرد استفاده می‌شود. الگوریتم های رایج برای تجزیه و تحلیل خوشه بندی شامل تجزیه و تحلیل داده های خودسازماندهی تکراری (ISODATA)، K-Means، روش زنجیره ای و غیره است. در ISODATA، مرکز هر خوشه با محاسبه تکراری مقدار میانگین پیکسل‌های نمونه، که مشابه الگوریتم K-Means است، تعیین می‌شود. با این حال، ISODATA پیشرفته‌تر از K-Means با نتایج طبقه‌بندی بهتر است، زیرا الگوریتم خود سازمان‌دهی می‌شود، یعنی می‌تواند تعداد خوشه‌ها را بر اساس نتایج میانی تنظیم کند.

بر اساس نتایج طبقه‌بندی بدون نظارت تصاویر چند طیفی، تصویر اصلی مربوط به تصویری که باید تصحیح شود طبقه‌بندی می‌شود و سپس فاصله Mahalanobis [24 ] محاسبه می‌شود تا مشخص شود آیا پیکسل تصویر درون‌یابی متعلق به یک دسته خاص است یا خیر. الگوریتم فاصله ماهالانوبیس عبارت است از:

Dمترآتیساعت2=(ایکسمن-ایکس¯r)تی∑-1(ایکسمن-ایکس¯r)

(2)

جایی که ایکسمنمقدار پیکسل را نشان می دهد منکه قرار است مورد ارزیابی قرار گیرد، ایکس¯rمیانگین مقدار پیکسل دسته را نشان می دهد r، Σ ماتریس کوواریانس و Dمترآتیساعت2عدم تشابه مقدار پیکسل ها را منعکس می کند منو پیکسل های باقی مانده از دسته ای که به آن تعلق دارند.

از آنجا که فاصله Mahalanobis فرض می‌کند که داده‌ها نرمال چند متغیره هستند، مقادیر فاصله بالای تقریبی از توزیع کای دو تبعیت می‌کنند. در اینجا، یک نقطه 90 درصد به عنوان معیار برای ارزیابی غیرعادی بودن یا نبودن یک مقدار پیکسل انتخاب می شود. اگر یک مقدار پیکسل بزرگتر از مقدار چندک باشد، غیر طبیعی در نظر گرفته می شود. در این حالت، مقدار پیکسل با میانگین مقدار پیکسل از دسته ای که به آن تعلق دارد جایگزین می شود.

● تجزیه و تحلیل شیب من-کندال و تیل سن

روش تشخیص Mann-Kendall ترکیب شیب Theil Sen یک رویکرد تجزیه و تحلیل روند مهم است [ 25 ]، که به طور فزاینده ای برای مطالعه تغییر پوشش گیاهی استفاده شده است [ 26 ، 27 ، 28 ]. در آزمون روند من-کندال، مفروضات زیر مطرح می شود: (1) فرضیه صفر. اچ0عبارت است از: داده های سری زمانی که باید شناسایی شوند (ایکس1،ایکس2،…،ایکسn)به طور تصادفی بدون روند قابل توجهی هستند. (2) فرضیه جایگزین اچ1است: برای همه ک، j≤n، و ک≠j، توزیع ایکسکو ایکسjتمایل به افزایش یا کاهش دارد. محاسبه آمار آزمون اسبه صورت زیر نشان داده شده است:

اس=∑ک=1n=1∑j=ک+1nSgn(ایکسj-ایکسک)

(3)

Sgn(ایکسj-ایکسک)={+1ایکسj-ایکسک>00ایکسj-ایکسک=0-1ایکسj-ایکسک<0

(4)

چه زمانی n>10، استقریباً از توزیع نرمال استاندارد پیروی می کند که میانگین آن 0 است و واریانس آن به صورت بیان شده است Vآr(اس)=n(n-1)(2n+5)/18. متغیر توزیع نرمال استاندارد زآمار آزمون برای آزمون روند است و به صورت زیر محاسبه می شود:

ز={اس-1Vآr(اس)س>00س=0اس+1Vآr(اس)س<0

(5)

در آزمون روند دوجانبه، برای یک سطح معناداری معین آ، اگر -ز1-آ/2≤ز≤ز1-آ/2، فرضیه صفر اچ0قابل اعتماد در نظر گرفته می شود، که نشان می دهد هیچ روند تغییر ظاهری در سری زمانی وجود ندارد. اگر |ز|>ز1-آ/2، اچ1قابل اعتمادتر در نظر گرفته می شود، به این معنی که توالی روند افزایش یا کاهش قابل توجهی دارد. برای آمار آزمون ز، ز>0به این معنی است که سری زمانی روند افزایشی دارد، در حالی که ز<0روند کاهشی را نشان می دهد. در آزمون معناداری، زمانی که اطمینان 90 درصد است. ز0.95برابر با 1.64 است. وقتی اعتماد به نفس 95% است ز0.975برابر با 1.96 است.

چه زمانی n<10، آزمون روند دو طرفه بر اساس آمار آزمون انجام می شود اس. با سطح اهمیت معین آ، اگر |اس|≤اسآ/2، فرضیه صفر را می پذیریم. نشان می دهد که سری زمانی هیچ روند تغییر آماری مشهودی ندارد. در غیر این صورت فرضیه صفر را رد می کنیم و فرضیه جایگزین را می پذیریم و به این نتیجه می رسیم که سری زمانی به طور قابل توجهی در حال افزایش یا کاهش است. برای آمار آزمون اس، اگر اس>0، نشان می دهد که سری زمانی روند صعودی دارد. اگر اس=0، نشان می دهد که روند ظاهری وجود ندارد. اگر اس<0، یعنی سری زمانی روند کاهشی دارد.

شیب Theil Sen [ 29,30 ] با در نظر گرفتن مقدار میانه نسبت مقدار خاکستری (یا مقدار توان) سال های مختلف به اختلاف زمانی همانطور که در رابطه (6) نشان داده شده است، به دست می آید . مقدار متوسط می تواند به طور موثر از اختلال نویز جلوگیری کند. هیچ آزمون معناداری برای این مقدار وجود ندارد.

تی=میانه(ایکسj-ایکسمنتیj-تیمن)

(6)

جایی که 1<j<من<ن( نطول سری زمانی را نشان می دهد). چه زمانی تی>0، دنباله مقیاس خاکستری (یا مقادیر نمایی) روند صعودی را نشان می دهد. چه زمانی تی<0، دنباله یک روند نزولی را نشان می دهد. بزرگتر تیارزش به معنی درجه تغییر بیشتر است و بالعکس.

هنگام ترکیب روش تشخیص Mann-Kendall و تجزیه و تحلیل شیب Theil Sen برای تجزیه و تحلیل روند پوشش گیاهی، با اطمینان داده شده 95٪ (یعنی سطح معنی داری از 0.05، اگر تی>0و |ز|≤1.96، سری زمانی روند صعودی را نشان می دهد اما مشخص نیست، می توان در نظر گرفت که پوشش گیاهی روند صعودی کمتری را نشان می دهد. چه زمانی تی>0و |ز|>1.96سری زمانی روند صعودی قابل توجهی را نشان می دهد و پوشش گیاهی روند صعودی قابل توجهی در نظر گرفته می شود. چه زمانی تی<0و |ز|≤1.96، سری زمانی یک روند صعودی به نظر می رسد اما روند واضحی ندارد. اعتقاد بر این است که پوشش گیاهی روند نزولی کمتری دارد. چه زمانی تی<0و |ز|>1.96سری زمانی روند نزولی قابل توجهی را نشان می دهد و پوشش گیاهی را می توان کاهش چشمگیری در نظر گرفت.

3. نتایج

تصاویر اصلی با استفاده از روش های شرح داده شده در بخش 2.2.1 پیش پردازش شده اند . دنباله تصویر Landsat به عنوان دنباله تصویر مرجع انتخاب می شود و دنباله تصویر HJ-1 B به عنوان دنباله تصویر مورد استفاده قرار می گیرد. سپس، یک توالی تصویر ذوب شده بر اساس روش ادغام تصویر که در بخش 2.2.3 توضیح داده شده است، ساخته می شود . در نهایت، بر اساس روش تشخیص روند Mann-Kendall و تحلیل شیب Theil Sen، اراضی جنگلی منطقه مورد مطالعه به صورت دینامیکی پایش شده و صحت نتایج ارزیابی می‌شود.

3.1. نتایج فیوژن تصویر

توالی تصویر سنجش از دور لندست و توالی تصویر سنجش از دور HJ-1 B طبق روشی که در بخش 2.2.3 مورد بحث قرار گرفته است، ترکیب می شوند . شکل 4 تصاویر اصلی توالی های تصویر Landsat و HJ-1 B و تصویر ترکیب شده را در ناحیه خاصی از منطقه مورد مطالعه نشان می دهد.

جدول 2 مشخصات آماری تصاویر را در ناحیه مربع نارنجی قبل و بعد از ادغام فهرست می کند. در ترکیب با جلوه های بصری و نتایج آماری، می توان نتیجه گرفت که تصاویر سنجش از دور ترکیب شده بیشتر شبیه لندست هستند.

3.2. نتایج پایش جنگل

شکل 5 مقادیر NDVI را در زمین های جنگلی منطقه فولینگ از سال 1999 تا 2013 نشان می دهد. از آنجایی که NDVI نشانگر سبز بودن است، می توانیم از مقدار آن برای پیش بینی زمین های جنگلی در منطقه مورد مطالعه استفاده کنیم. مشاهده می شود که اراضی جنگلی در طول دوره مورد مطالعه روندی به طور کلی افزایشی داشته است. از سال 2000 تا 2008، جنگل به طور پیوسته افزایش یافت و در سال 2009 رشد ناگهانی را تجربه کرد. دو رویداد زیر ممکن است پدیده های فوق را توضیح دهند. در سال 2002، سیاست بازگرداندن زمین های کشاورزی به جنگل ها به طور کامل در منطقه مخزن سه دره به منظور حفاظت از محیط زیست محیطی منطقه مخزن و جلوگیری از فرسایش خاک اجرا شد [31 ] . در سال 2008، شهرداری چونگ کینگ پروژه جنگلی چونگ کینگ را راه اندازی کرد [ 32 ، 33 ].

شکل 6 توزیع جغرافیایی تغییر اراضی جنگلی در منطقه مورد مطالعه را نشان می دهد. محدوده اراضی جنگلی در منطقه مورد مطالعه بر اساس نتایج تفسیری تصویر ماهواره ای GF-1 به دست آمده در سال 2014 و داده های SPOT منطقه مخزن سه دره در سال 2009 است. بر اساس نتایج آماری، حدود 121297 هکتار جنگل وجود دارد. در رشد، حدود 8969 هکتار در پوسیدگی، و حدود 451.68 هکتار بدون تغییرات ظاهری.

جدول 3 درصدهای مساحت زمین جنگلی را با روندهای مختلف رشد فهرست می کند. مشاهده می شود که جنگل با رشد قوی بیشترین درصد را دارد که 08/60 درصد از کل مساحت جنگل را به خود اختصاص داده است.

تشخیص و تجزیه و تحلیل روند تصویر سنجش از دور نه تنها می تواند روند رشد بلند مدت زمین جنگلی را تشخیص دهد، بلکه می تواند چندین آستانه تعیین کرده و آنها را با آمار محاسبه شده مقایسه کند. زبرای به دست آوردن درجه رشد یک منطقه خاص. بنابراین، می توان منطقه را با درجه تغییر بیشتر از ناحیه کمتر متغیر جدا کرد. از منظر مدیریتی، حمایت از سیاست‌ها می‌تواند به مناطقی با کاهش بیشتر رشد منطقه‌ای در اولویت باشد.

برای ارزیابی دقت نتایج پایش، 54 منطقه نمونه از تصاویر سنجش از دور با وضوح مکانی بالا، سری زمانی Google Earth، Landsat انتخاب شده‌اند. در مجموع 1131 پیکسل برای ارزیابی دقت شناسایی شده است. از آنجایی که در حال حاضر هیچ روش واحدی برای تأیید نتایج پایش پویا بر اساس تصاویر سنجش از دور سری زمانی وجود ندارد، ما از دقت کلی، دقت کاربر و دقت تولیدکننده استفاده می کنیم که معمولاً از شاخص هایی برای ارزیابی دقت در سنجش از دور استفاده می شود [34 ، 35 ] ، 36 ].

شکل 7 و شکل 8 دو منطقه نمونه با تضعیف جنگل را در طول دوره 1999-2013 نشان می دهد. شکل 7 پوسیدگی جنگل های ناشی از تولید و ساخت و ساز انسان را نشان می دهد. شکل 8 کاهش دیگر جنگل را در نتیجه آتش سوزی جنگل در سال 2008 نشان می دهد. از نمودار روند NDVI، زمین جنگل به سرعت پس از آتش سوزی بازیابی می شود.

جدول 4 ماتریس سردرگمی ارزیابی دقت را فهرست می کند. دقت کلی مانیتورینگ دینامیکی 87.18 درصد است که به طور کلی دقت بالایی در نتایج نظارت دارد. به جز تغییرات بدون تغییر، هر دو تغییر مثبت و تغییر منفی دارای دقت کاربر و دقت تولید کننده بالایی هستند، که نشان می دهد نظارت جنگل در این دو دسته به خوبی انجام می شود.

4. بحث

به دلیل تداخل شرایط آب و هوایی (مانند ابر و مه) و زمان بازدید مجدد خود ماهواره، فاصله زمانی توالی تصاویر موجود در مناطق خاص به طور قابل توجهی طولانی است، گاهی اوقات حتی برای سال ها. این یک چالش بزرگ برای نظارت پویا جنگل ها بر اساس تصاویر توالی سنجش از راه دور طولانی مدت در این مناطق ایجاد می کند. نتایج این مقاله نشان می دهد که ادغام تصاویر Landsat و HJ-1 A/B پتانسیل بهبود نظارت بر جنگل در فولینگ، یک منطقه کوهستانی با آب و هوای ابری فراوان را دارد. این ممکن است ایده هایی برای مناطق دیگر با شرایط مشابه ارائه دهد. HJ-1 A/B در حال حاضر در سرویس توسعه یافته است. با این حال، Sentinel-2 در سال 2015 پرتاب شد، شامل باندهای چند طیفی با وضوح فضایی 10 متر، 20 متر و 60 متر،

تصاویر ماهواره ای نوری مورد استفاده در این مطالعه مستعد پوشش ابر هستند که بهبود سری های زمانی را محدود می کند. هنگامی که نظارت بر تغییرات سریع نیاز است، داده های SAR را می توان در نظر گرفت زیرا تحت تأثیر پوشش ابری قرار نمی گیرند.

5. نتیجه گیری ها

در این مقاله، تصاویر ماهواره‌ای لندست و توالی ماهواره HJ-1 B با استفاده از روش تلفیقی تصاویر سنجش از دور مبتنی بر ویژگی‌های زمانی و مکانی مبتنی بر چند منبع سری زمانی ترکیب شدند. سپس سری زمانی ترکیب شده برای نظارت بر روند رشد بلندمدت زمین های جنگلی در منطقه فولینگ چونگ کینگ، چین طی دوره 1999-2013 بر اساس ترکیبی از روش های تشخیص روند Mann-Kendall و تجزیه و تحلیل شیب Theil Sen استفاده شد. نتایج پایش منعکس کننده ویژگی های تکاملی مکانی-زمانی شرایط رشد جنگل است. اکثر زمین های جنگلی در طول دوره مورد مطالعه به رشد خود ادامه داده اند. تعداد کمی از مناطق جنگلی در جنوب شرقی منطقه مورد مطالعه روند کاهشی را نشان دادند. توجه و سیاستگذاری لازم به این حوزه های رو به کاهش توسط ادارات مربوطه صورت گیرد.

با در دسترس بودن بیشتر و بیشتر داده‌های تصویر سنجش از دور با وضوح‌های مختلف از منابع مختلف در آینده، تجزیه و تحلیل تصویر سنجش از دور بر اساس سری‌های زمانی چند منبعی به موضوع تحقیقاتی بلندمدت تبدیل خواهد شد و برای بسیاری از حوزه‌های کاربردی مانند محیط‌زیست مفید است. نظارت، ارزیابی خطر بلایا، پیش بینی کشاورزی و موارد دیگر. بنابراین، مطالعه این موضوع پژوهشی هم برای اهداف نظری و هم برای اهداف عملی از اهمیت بالایی برخوردار است.

منابع

گارتنر، پی. فورستر، ام. Kleinschmit، B. مزایای سری‌های زمانی همجوشی داده‌های RapidEye و Landsat 8 برای نظارت بر اختلالات جنگل‌های ساحلی. سنسور از راه دور محیط. 2016 ، 177 ، 237-247. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
گاتلر، اف. لنکو، دی. نین، جی. تیسیر، ام. Poncelet، P. یک رویکرد مبتنی بر نمودار برای تشخیص دینامیک مکانی-زمانی در سری های زمانی تصاویر ماهواره ای. ISPRS J. Photogramm. Remote Sens. 2017 ، 130 ، 92-107. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
تران، تلویزیون؛ de Beurs، KM; جولیان، JP نظارت بر اختلالات جنگل در جنوب شرقی اوکلاهاما با استفاده از تصاویر Landsat و MODIS. بین المللی J. Appl. زمین Obs. Geoinf. 2016 ، 44 ، 42-52. [ Google Scholar ] [ CrossRef ]
Vogeler, JC; Braaten، JD; اسلساک، RA; فالکوفسکی، MJ استخراج ارزش کامل بایگانی لندست: هماهنگی بین حسگر برای نقشه برداری از پوشش تاج پوشش جنگل مینه سوتا (1973-2015). سنسور از راه دور محیط. 2018 ، 209 ، 363-374. [ Google Scholar ] [ CrossRef ]
گاسپارویچ، م. Jogun, T. اثر ذوب باندهای Sentinel-2 در طبقه بندی پوشش زمین. بین المللی J. Remote Sens. 2018 , 39 , 822–841. [ Google Scholar ] [ CrossRef ]
ماسک، جی جی. هوانگ، CQ; وولف، آر. کوهن، دبلیو. هال، اف. کاتلر، جی. Nelson, P. اختلال جنگل آمریکای شمالی از یک رکورد ده ساله لندست نقشه برداری شده است. سنسور از راه دور محیط. 2008 ، 112 ، 2914-2926. [ Google Scholar ] [ CrossRef ]
Lunetta، RS; جانسون، دی.م. لیون، جی جی. Crotwell, J. تأثیر فرکانس زمانی تصویر بر نظارت بر تشخیص تغییر پوشش زمین. سنسور از راه دور محیط. 2004 ، 89 ، 444-454. [ Google Scholar ] [ CrossRef ]
گائو، اف. ماسک، جی. شوالر، ام. هال، F. در مورد ترکیب بازتاب سطح لندست و MODIS: پیش‌بینی بازتاب روزانه سطح لندست. IEEE Trans. Geosci. Remote Sens. 2006 , 44 , 2207–2218. [ Google Scholar ]
Zhu، XL; چن، جی. گائو، اف. چن، XH; Masek، JG یک مدل همجوشی بازتابی تطبیقی فضایی و زمانی برای مناطق پیچیده ناهمگن. سنسور از راه دور محیط. 2010 ، 114 ، 2610-2623. [ Google Scholar ] [ CrossRef ]
اشمیت، ام. اودلهوون، تی. گیل، تی. Roder، A. ادغام داده های بلند مدت برای تجزیه و تحلیل سری های زمانی متراکم با تصاویر MODIS و Landsat در ساوانای استرالیا. J. Appl. Remote Sens. 2012 , 6 , 063512. [ Google Scholar ]
رایش، جی. وربسلت، ج. هوکمن، دی. سری های زمانی Herold، M. Fusing Landsat و SAR برای شناسایی جنگل زدایی در مناطق استوایی. سنسور از راه دور محیط. 2015 ، 156 ، 276-293. [ Google Scholar ] [ CrossRef ]
وانگ، QM؛ بلکبرن، GA؛ Onojeghuo، AO; داش، ج. ژو، LQ; ژانگ، YH; Atkinson، PM Fusion از Landsat 8 OLI و Sentinel-2 MSI Data. IEEE Trans. Geosci. Remote Sens. 2017 , 55 , 3885–3899. [ Google Scholar ] [ CrossRef ]
گائو، اف. اندرسون، ام سی؛ ژانگ، XY; یانگ، ZW; آلفیری، جی جی; کوستاس، WP; مولر، آر. جانسون، دی.م. Prueger، JH به سمت نقشه برداری پیشرفت محصول در مقیاس های مزرعه از طریق ادغام تصاویر Landsat و MODIS. سنسور از راه دور محیط. 2017 ، 188 ، 9-25. [ Google Scholar ] [ CrossRef ]
هیلکر، تی. Wulder، MA; Coops، NC; لینکه، جی. مک درمید، جی. ماسک، جی جی. گائو، اف. White, JC یک مدل ترکیبی داده جدید برای نقشه برداری با وضوح مکانی و زمانی بالا آشفتگی جنگل بر اساس Landsat و MODIS. سنسور از راه دور محیط. 2009 ، 113 ، 1613-1627. [ Google Scholar ] [ CrossRef ]
فو، دی جی; چن، BZ; وانگ، جی. Zhu، XL; هیلکر، تی. یک رویکرد ترکیبی تصویر بهبودیافته بر اساس مدل ترکیبی بازتاب تطبیقی فضایی و زمانی پیشرفته. Remote Sens. 2013 , 5 , 6346–6360. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
وانگ، QA; Wu، CQ; لی، کیو. ماهواره های Li، JS چینی HJ-1A/B و ویژگی های داده. علمی علوم زمین چین 2010 ، 53 ، 51-57. [ Google Scholar ] [ CrossRef ]
وانگ، QM؛ Wu، CQ; Li, Q. Environment Satellite 1 و کاربرد آن در پایش محیطی. J. Remote Sens. 2010 ، 14 ، 104-121. [ Google Scholar ]
پان، ZK; هوانگ، جی اف. ژو، QB; وانگ، LM؛ چنگ، YX; ژانگ، هنگ کنگ؛ بلکبرن، GA؛ یان، جی. لیو، JH نقشه برداری فنولوژی محصول با استفاده از سری زمانی NDVI مشتق شده از داده های HJ-1 A/B. بین المللی J. Appl. زمین Obs. Geoinf. 2015 ، 34 ، 188-197. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ژو، WJ; Xue, NS وضعیت فعلی و اقدامات متقابل توسعه پایدار منابع جنگلی در منطقه فولینگ. Intelligence 2008 , 11 , 217. (به زبان چینی) [ Google Scholar ]
ژانگ، ZM Fuling سالنامه ; بخش تحریریه سالنامه فولینگ: چونگ کینگ، چین، 2015. (به زبان چینی) [ Google Scholar ]
پورتال USGS GLOVIS. در دسترس آنلاین: http://glovis.usgs.gov (در 6 مه 2016 قابل دسترسی است).
زو، ز. Woodcock، CE مبتنی بر اشیاء ابر و تشخیص سایه ابر در تصاویر Landsat. سنسور از راه دور محیط. 2012 ، 118 ، 83-94. [ Google Scholar ] [ CrossRef ]
سبر، GAF; Lee, AJ Linear Regression Analysis , 2nd ed.; Wiley: Hoboken، NJ، ایالات متحده، 2003. [ Google Scholar ]
Mahalanobis, PC در مورد فاصله تعمیم یافته در آمار. Proc. Natl. Inst. علمی هند 1936 ، 2 ، 49-55. [ Google Scholar ]
Xu، ZX; تاکوچی، ک. Ishidaira، H. روند یکنواخت و تغییرات پله ای در بارش ژاپنی. جی هیدرول. 2003 ، 279 ، 144-150. [ Google Scholar ] [ CrossRef ]
de Beurs، KM; Henebry، GM یک چارچوب آماری برای تجزیه و تحلیل سری های زمانی تصویر طولانی. بین المللی J. Remote Sens. 2005 ، 26 ، 1551-1573. [ Google Scholar ] [ CrossRef ]
فرناندس، آر. رگرسیون خطی Leblanc، SG پارامتریک (حداقل مربعات اصلاح شده) و ناپارامتریک (Theil-Sen) برای پیش‌بینی پارامترهای بیوفیزیکی در حضور خطاهای اندازه‌گیری. سنسور از راه دور محیط. 2005 ، 95 ، 303-316. [ Google Scholar ] [ CrossRef ]
Cai، BF; Yu, R. پیشرفت و ارزیابی در تحقیقات روندهای گیاهی سری زمانی طولانی بر اساس سنجش از دور. J. Remote Sens. 2009 ، 13 ، 1170-1186. (به زبان چینی) [ Google Scholar ]
Theil, H. روش ثابت رتبه ای تحلیل رگرسیون خطی و چند جمله ای، قسمت 3. Nederl. آکاد. Wetensch. Proc. 1950 ، 53 ، 1397-1412. [ Google Scholar ]
سن، PK برآورد ضریب رگرسیون بر اساس کندالز تاو. مربا. آمار دانشیار 1968 ، 63 ، 1379-1389. [ Google Scholar ] [ CrossRef ]
جیانگ، کیو. وضعیت بازگرداندن زمین‌های کشاورزی به جنگل‌ها در منطقه مخزن سه دره و دور جدیدی از تبدیل زمین‌های کشاورزی به جنگل – شهرستان زیگوی را به عنوان مثال در نظر بگیرید. جنگل هوبی علمی تکنولوژی 2015 ، 44 ، 64-66، 83. (به زبان چینی) [ Google Scholar ]
Xie، XM; حداقل، XR تجربه ساخت و ساز در جنگل در منطقه فولینگ شهر چونگ کینگ. جنگل. اقتصاد 2011 ، 3 ، 57-58. (به زبان چینی) [ Google Scholar ]
ژائو، ال. تحلیل و شبیه سازی الگوی فضایی کاربری اراضی ناحیه فولینگ. پایان نامه کارشناسی ارشد، دانشگاه جنوب غربی، چونگ کینگ، چین، 2014. (به زبان چینی). [ Google Scholar ]
زو، ز. Woodcock، CE تشخیص تغییر مداوم و طبقه بندی پوشش زمین با استفاده از تمام داده های موجود لندست. سنسور از راه دور محیط. 2014 ، 144 ، 152-171. [ Google Scholar ] [ CrossRef ]
کوهن، WB; یانگ، ZG; کندی، R. تشخیص روند در آشفتگی و بازیابی جنگل با استفاده از سری زمانی سالانه Landsat: 2. TimeSync – ابزارهایی برای کالیبراسیون و اعتبار سنجی. سنسور از راه دور محیط. 2010 ، 114 ، 2911-2924. [ Google Scholar ] [ CrossRef ]
هوانگ، CQ; ترسو، SN; ماسک، جی جی. توماس، ن. Zhu، ZL; Vogelmann, JE یک رویکرد خودکار برای بازسازی تاریخچه اختلالات اخیر جنگل با استفاده از پشته های سری زمانی متراکم Landsat. سنسور از راه دور محیط. 2010 ، 114 ، 183-198. [ Google Scholar ] [ CrossRef ]

شکل 1. منطقه مطالعه.

شکل 2. نمودار جریان پردازش و تجزیه و تحلیل داده ها.

شکل 3. سری های زمانی فرضی اصلی و درون یابی شده (اقتباس از شکل 4 در صفحه 281 در مقاله توسط J. Reiche و همکاران [ 11 ]).

شکل 4. مقایسه تصاویر سنجش از دور (نمایش با رنگ کاذب استاندارد) قبل و بعد از ادغام: ( الف ) HJ-1 B (2009-09-30). ( ب ) Landsat 7 (2009-08-25); ( ج ) تصویر ترکیبی.

شکل 5. روند تغییرات شاخص گیاهی تفاوت نرمال شده (NDVI) در منطقه فولینگ، چونگ کینگ، 1999-2013.

شکل 6. توزیع جغرافیایی روند رشد جنگل ها در منطقه فولینگ، چونگ کینگ، 1999-2013.

شکل 7. تضعیف جنگل ناشی از تغییر کاربری زمین: ( الف ) روند NDVI در منطقه نمونه. ( ب ) تصویر منطقه نمونه بدست آمده در 3 اوت 2010. ( ج ) تصویر منطقه نمونه بدست آمده در 25 مارس 2015.

شکل 8. کاهش جنگل ناشی از آتش سوزی در مقیاس بزرگ در خلیج های آلپ در ناحیه فولینگ: ( الف ) روند متوسط NDVI در منطقه نمونه. ( ب ) تصویری از محل آتش سوزی که در 9 فوریه 2008 به دست آمد.

مقالات داخلی و بین المللی

خلاصه

کلید واژه ها:

1. معرفی