چکیده :

معیارهای منظر یکی از ابزارهای اصلی برای مطالعه تغییرات منظر و ساختار اکولوژیکی یک منطقه است. محبوب ترین نرم افزار برای ارزیابی متریک های چشم انداز FRAGSTATS است که استفاده از آن رایگان است اما نرم افزار رایگان یا متن باز (FOSS) ندارد. بنابراین، پیاده سازی های FOSS، مانند پلاگین LecoS QGIS و مجموعه ماژول های r.li GRASS، توسعه یافتند. در حالی که معیارها به همین صورت تعریف می شوند، پارامتر “سلول همسایگی”، که پیکربندی پنجره متحرک مورد استفاده برای تجزیه و تحلیل را مشخص می کند، به طور متفاوتی مدیریت می شود: FRAGSTATS می تواند از مقادیر 4 یا 8 استفاده کند (8 پیش فرض است)، LecoS از 8 استفاده می کند و r.li 4. آزمایش‌هایی برای ارزیابی متغیرهای معیارهای چشم‌انداز بسته به مقادیر “همسایگی سلول” انجام شد: برخی از معیارها مانند “چگالی لبه” و “شاخص شکل منظر”، تغییر ندهید، موارد دیگر، برای مثال «تعداد پچ»، «تراکم پچ»، و «مساحت پچ میانگین»، تا 100 درصد برای نقشه های واقعی و 500 درصد برای نقشه هایی که برای برجسته کردن این تنوع ساخته شده اند، متفاوت است. مروری بر ادبیات علمی انجام شد تا بررسی شود که چقدر مقدار پارامتر “همسایگی سلول” به صراحت اعلام می شود. روشی بر اساس “شاخص تجمع” برای تخمین اثر عدم قطعیت بر پارامتر “همسایگی سلول” بر معیارهای منظر برای نقشه های مختلف پیشنهاد شده است.

کلید واژه ها: 

متریک چشم انداز ; بوم شناسی چشم انداز ; چشم انداز جنگلی ؛ geospatial رایگان و متن باز ; فیلتر کردن نقشه

1. مقدمه

در دهه‌های اخیر، معیارهای چشم‌انداز یکی از ابزارهای اصلی برای مطالعه، کمی‌سازی و احتمالاً پارامترسازی تغییرات چشم‌انداز و ساختار اکولوژیکی یک قلمرو [ 1 ، 2 ] بود. مناظر متشکل از موزاییک‌های طبیعی یا اصلاح‌شده انسانی از تکه‌ها هستند و آرایش فضایی این تکه‌ها الگوی منظر [ 3 ] نامیده می‌شود. کمی سازی ناهمگونی فضایی در مقیاس های چندگانه مکانی و زمانی برای روشن شدن روابط بین فرآیندهای اکولوژیکی و الگوهای فضایی ضروری است [ 4 ، 5]]. معیارهای منظر استاندارد شد و وضعیت یک ابزار ضروری را برای کسانی که دینامیک تغییر منظر را نه تنها در بوم شناسی [ 6 ، 7 ] بلکه در بسیاری از رشته های دیگر مانند حفاظت از خاک و مدیریت آب بررسی می کنند، به دست آورد [ 8 ، 9 ، 10 ]. بسیاری از آنها معیارهایی هستند که می توان آنها را محاسبه کرد، اما برخی از آنها به ویژه قوی و مهم در نظر گرفته می شوند و بیشتر در ادبیات علمی استفاده می شوند [ 2 ، 6 ]. مقایسه مناظر مختلف با توجه به نتایج برخی از این شاخص‌ها مانند شماره پچ (NP) یا میانگین اندازه وصله (MPS) یک روش معمول است [11] .]. با این حال، ما استدلال می کنیم که نتایج برخی از پرکاربردترین و قابل اعتمادترین شاخص ها می تواند به شدت تحت تأثیر تنظیمات مورد استفاده در طول پردازش قرار گیرد [ 11 ] و اگر این تنظیمات به طور دقیق در کارهای علمی توصیف نشده باشند، این می تواند یک اثر آبشاری ایجاد کند. که بر قابلیت مقایسه نتایج تاثیر می گذارد. به طور خاص، ما متوجه شدیم که اندازه همسایگی سلول یکی از معقول‌ترین پارامترها است، اما یک تحلیل ادبیات نشان داد که آثار زیادی تأثیر آن را بررسی نکرده‌اند. علاوه بر این، هر نرم افزار اطلاعاتی در مورد تنظیم اندازه همسایگی سلول با تاکید متفاوت ارائه می دهد.
محبوب ترین نرم افزار برای ارزیابی متریک های چشم انداز FRAGSTATS [ 12 ] است که استفاده از آن رایگان است اما نرم افزار رایگان یا متن باز (FOSS) نیست. بنابراین، پیاده سازی های FOSS، مانند پلاگین LecoS QGIS و مجموعه ماژول های r.li GRASS ، توسعه یافتند. متریک های چشم انداز در همه این نرم افزارها به همین صورت تعریف شده اند. با این حال، پارامتر همسایگی سلول، که پیکربندی پنجره متحرک مورد استفاده برای تجزیه و تحلیل را مشخص می کند، به طور متفاوتی مدیریت می شود: FRAGSTATS می تواند از مقادیر 4 یا 8 استفاده کند (8 پیش فرض است)، LecoS از 8 و r.li 4 استفاده می کند .
آیا کاربران نرم افزار از اندازه محله سلولی که استفاده می کنند و عملکرد و تأثیراتی که می تواند ایجاد کند آگاه هستند؟ مقایسه بین مطالعات مختلف که تنظیمات اندازه همسایگی سلول را ذکر نکرده اند چقدر قابل اعتماد است؟ آیا می توان نتایج کارهای انجام شده را با نرم افزارهای مختلف با خیال راحت مقایسه کرد؟
به منظور پاسخ به این سؤالات، اهداف کار ما عبارتند از: (1) بررسی چگونگی تأثیر اندازه محله سلولی بر نتایج محاسبه متریک های چشم انداز با استفاده از نقشه آزمایشی و نقشه های واقعی. (ii) برای بررسی شفافیت تنظیمات اندازه محله سلول در نرم افزارهای مختلف. (iii) برای درک اینکه آیا تنظیمات اندازه همسایگی سلول معمولاً در مقالات علمی گزارش می شود و بنابراین، مقایسه آثار مختلف توسعه یافته با نرم افزار مشابه یا متفاوت چقدر قابل اعتماد است.
مقاله به شرح زیر سازماندهی شده است: بخش 2 بررسی ادبیات و نتایج آن را نشان می دهد. بخش 3 مواد و روش های مورد استفاده برای تجزیه و تحلیل، نرم افزار، معیارها و نقشه های مورد استفاده برای آزمایش ها را شرح می دهد. بخش 4 نتایج را نشان می دهد. بخش 5 روش جدیدی را برای ارزیابی حساسیت معیارهای چشم انداز به اندازه همسایگی سلول توصیف می کند و در نهایت نتیجه گیری و پیشرفت های آتی در بخش 6 ارائه می شود .

2. بررسی ادبیات

تجزیه و تحلیل ادبیات علمی برای مقالات مربوط به استفاده از FRAGSTATS،  افزودنی LecoS ، یا ماژول‌های r.li/r.le در GRASS GIS برای تعیین اینکه آیا پارامتر همسایگی سلول در مقالات علمی ذکر شده یا توضیح داده شده است انجام شد. توصیف برنامه ها با استفاده از متریک های چشم انداز
پایگاه داده Scopus مورد استفاده قرار گرفت و عبارت «همسایگی سلولی» را به همراه «Fragstats»، «r.li»، «r.le»، «LecoS»، «Patch چشم‌انداز» و «معیارهای چشم‌انداز» به عنوان کلمات کلیدی جستجو کرد. استفاده مشترک از این اصطلاحات هیچ نتیجه ای نداشت، بنابراین کلمات کلیدی جداگانه استفاده شده اند.
مقالات برای بررسی فعلی با توجه به این شرایط انتخاب شدند: (1) مقالات باید مقالات تحقیقاتی، بررسی شده، هر چند بدون حداقل محدودیت در تعداد استناد. (ii) حداقل یکی از نرم افزارهای FRAGSTATS، LecoS، یا r.li/r.le باید در مطالعه استفاده شده باشد. (iii) بیش از یک متریک چشم انداز باید استفاده شده باشد. (iv) هیچ محدودیتی برای سال انتشار تعیین نشده است.
در آرشیو اسکوپوس، اصطلاح «متریک های چشم انداز» بیش از 37000 نتیجه ایجاد می کند. اصلاح جستجو با افزودن کلمه کلیدی “Fragstat” نتیجه را به 800 مقاله کاهش می دهد. افزودن عبارات «lecos» و «معیارهای چشم‌انداز» نتیجه را به شش مقاله اصلاح می‌کند. در نهایت، اضافه کردن “متریک های چشم انداز” با “r.li” نتیجه را به چهار مقاله اصلاح می کند.
برای تجزیه و تحلیل بیشتر، مجموعه نتایج به 93 مقاله کاهش یافت:
  • 70 مقاله (65.1%) FRAGSTATS را به عنوان نرم افزاری برای ارزیابی معیارهای چشم انداز ذکر کردند.
  • 16 مقاله (14.9%) LecoS را به عنوان افزودنی QGIS مورد استفاده برای محاسبه معیارهای چشم انداز ذکر کردند.
  • چهار مقاله (3.7٪) r.li / r.le را به عنوان ماژول های GRASS برای ارزیابی معیارها ذکر کردند.
  • سه مقاله (2.8%) نرم افزار دیگری را برای ارزیابی معیارها ذکر کردند.
  • دو مقاله نرم افزار جدیدی را برای ارزیابی معیارهای چشم انداز توسعه دادند که به عنوان مرجع برای محاسبات FRAGSTATS استفاده می شود (این مقالات در 70 مقاله با استناد به FRAGSTATS شمارش شده اند).
شکل 1 توزیع نرم افزار مورد استفاده برای تحلیل منظر را در مقالات بررسی شده نشان می دهد.
این مقالات را می توان با توجه به هدف آنها طبقه بندی کرد:
  • مقالاتی که با تکه تکه شدن چشم انداز به عنوان یک موضوع به خودی خود سروکار دارند.
  • مقالاتی که با تکه تکه شدن چشم انداز به عنوان موضوعی برای اتصال زیستگاه سروکار دارند.
  • مقالاتی که بررسی می کنند کدام متریک چشم انداز می تواند معیارهای دیگر را توضیح دهد.
  • مقالاتی که اندازه الگوریتم پنجره متحرک و چگونگی تأثیر آن بر تحلیل منظر را بررسی می کنند.
  • مقالاتی که نرم‌افزار جدیدی را برای محاسبه معیارهای چشم‌انداز ارائه می‌کنند و ساختار و روش‌های آن‌ها را بر اساس FRAGSTATS استوار می‌کنند.
جدول 1 بیشترین استفاده از معیارهای منظر را نشان می دهد، با تعداد دفعاتی که متریک انتخاب شده در مقالات بررسی شده به عنوان مقادیر مطلق و درصد استفاده شده است.
علاوه بر این، تعداد دفعاتی که 9 معیار دیگر در مجموعه مقالات نشان داده شده است، شمارش شد: بزرگترین شاخص پچ (34، 37٪)، شاخص شانون (35، 38٪)، شاخص سیمپسون (18، 19.6٪)، درصد چشم انداز. (28، 30.4%)، نسبت محیط به مساحت (20، 21.7%)، فاصله اقلیدسی (14، 15%)، لبه کل (27، 29.3%)، شاخص شکل (32، 34.8%)، شاخص فراکتال (22، 23.9٪، و میانگین نزدیکترین همسایه (25، 27.2٪).
مقدار پارامتر همسایگی سلول در هشت مقاله مختلف مشخص شد: هفت مقاله یک تعریف مور [ 13 ، 14 ، 15 ، 16 ، 17 ، 18 ، 19 ، 20 ] و یکی تعریف فون نیومن [ 21 ] را انتخاب کردند. 16 مقاله ای که منحصراً از LecoS استفاده می کردند [ 22 ، 23 ، 24 ، 25 ، 26 ، 27 ، 28 ، 29 ، 30 ، 31 ، 32 ، 33, 34 , 35 , 36 , 37 ] از قانون همسایگی 8 سلولی استفاده کردند، زیرا این تنها تنظیم موجود در افزونه است. یک فرضیه مشابه برای چهار اثری که از r.li در GRASS [ 38 ، 39 ، 40 ، 41 ] استفاده کرده‌اند، که از تعریف همسایگی 4 سلولی استفاده می‌کنند، قابل استفاده است. فرض بر این است که مقالاتی که تعریف همسایگی را در FRAGSTATS مشخص نکرده‌اند، از تعریف 8 سلولی استفاده کرده‌اند، زیرا این تنظیم پیش‌فرض است [ 42 ]، اگرچه اثبات این فرض ممکن نیست. نتایج در بخش 4نشان می دهد که برخی از متداول ترین معیارهای مورد استفاده تحت تأثیر انتخاب این پارامتر قرار می گیرند. بنابراین، این واقعیت که پیکربندی همسایگی سلول به طور صریح یا ضمنی در اکثر مقالات تحقیقاتی مورد تجزیه و تحلیل (با اشاره به نرم افزار مورد استفاده) مشخص نشده است، می تواند تکرار و تفسیر نتایج را دشوار کند.
فهرست کامل مقالات بررسی‌شده، جدولی که نشان‌دهنده مقالات با استناد به هر نرم‌افزار، و تفکیک معیارهای چشم‌انداز ذکر شده توسط هر مقاله است، به عنوان مواد اضافی این مقاله در دسترس است (به مواد تکمیلی مراجعه کنید ) .

3. مواد و روشها

برای تجزیه و تحلیل اثر اندازه همسایگی سلول بر مقادیر محاسبه متریک های منظر، سه نرم افزار سیستم اطلاعات جغرافیایی مختلف (GIS) انتخاب شدند ( بخش 3.1 ) برای ارزیابی مجموعه ای از معیارها ( بخش 3.2 ) روی مصنوعی ( بخش 3.3 ) و نقشه های واقعی ( بخش 3.4 ).

3.1. نرم افزار تست

آزمایشات روی نقشه های مصنوعی ( بخش 3.3 ) و واقعی ( بخش 3.4 ) با استفاده از سه سیستم نرم افزاری مختلف انجام شد: FRAGSTATS [ 12 ]، GRASS GIS [ 43 ] و QGIS [ 44 ]. منطق پشت این انتخاب این است که استفاده از نرم افزار در حوزه عمومی (FRAGSTATS) یا در دسترس به عنوان نرم افزار آزاد و باز (FOSS) (GRASS GIS و QGIS) امکان تکرار آزمایش های شرح داده شده در این مقاله را فراهم می کند. علاوه بر این، کد منبع FOSS برای تجزیه و تحلیل در دسترس است. بنابراین، اختلافات احتمالی بین مقادیر معیارها را می توان با بررسی کد برطرف کرد.
طبق کتابچه راهنمای آن [ 45 ]، “FRAGSTATS یک برنامه تحلیل الگوی فضایی برای تعیین کمیت ساختار (یعنی ترکیب و پیکربندی) مناظر است.” FRAGSTATS [ 12] نرم افزار مرجع برای ارزیابی معیارهای چشم انداز از زمان شروع آن در سال 1995 بود. این نرم افزار به صورت قابل اجرا در دامنه عمومی فقط برای سیستم عامل MS Windows در دسترس است. که در Microsoft Visual C++ نوشته شده است، استفاده از فضای آدرس 32 بیتی ظرفیت آن را برای پردازش نقشه های بزرگ محدود می کند. کد منبع آن در دسترس نیست، اما ویژگی های آن به خوبی در کتابچه راهنمای موجود به صورت آنلاین مستند شده است و استفاده گسترده از آن در تحقیقات چشم انداز و بوم شناسی حاکی از دقت و قابلیت اطمینان آن در ارزیابی معیارها است. واحدهای نقشه های ورودی متر در نظر گرفته می شوند. نقشه ورودی فقط می‌تواند حاوی مقادیر صحیح علامت‌دار باشد و دارای سلول‌های مربعی با اضلاع بزرگ‌تر از آن باشد متر FRAGSTATS می تواند 36 متریک ناحیه و لبه ، 79  معیار شکل ، 46  متریک ناحیه هسته ، 17 متریک کنتراست ، و 64 معیار تجمیع را برای مجموع 242 معیار مختلف و 392 پارامتر توصیف کننده آنها ارزیابی کند [ 45 ]. علاوه بر این، FRAGSTATS می تواند 9 معیار تنوع را ارزیابی کند .
GRASS GIS [ 43 ] یک FOSS GIS چند منظوره برای تولید، تجزیه و تحلیل و نقشه‌برداری داده‌های مکانی [ 46 ] است که تحت مجوز عمومی GNU (GPL)، در تحقیقات و آموزش استفاده می‌شود [ 47 ]. این بخشی از بنیاد زمین فضایی منبع باز (OSGeo) است. GRASS عمدتاً به زبان ANSI C نوشته می شود و برخی از بخش ها در C++ و اخیراً در زبان های برنامه نویسی پایتون هستند. بسیار ماژولار است و به راحتی قابل نوشتن است. علاوه بر کد منبع، به عنوان بسته های آماده نصب برای سیستم عامل های MS Windows، Apple Mac OSX و Linux در دسترس است. محدودیت‌های اندازه داده‌ها بیشتر به ظرفیت سیستم عامل برای مقابله با فایل‌های بزرگ مربوط می‌شود [ 48]، با امکان فعال کردن پشتیبانی از فایل های بزرگ (LFS). تجزیه و تحلیل منظر در GRASS با استفاده از مجموعه ماژول‌های r.li انجام می‌شود که می‌تواند 10 شاخص پچ و 7 شاخص تنوع را ارزیابی کند و یک رابط کاربری گرافیکی برای پیکربندی تجزیه و تحلیل ارائه می‌کند. اجرای قبلی ارزیابی معیارهای چشم انداز، به نام r.le در نسخه های قدیمی GRASS استفاده می شود.
QGIS یک سیستم اطلاعات جغرافیایی منبع باز کاربر پسند (GIS) است که تحت مجوز عمومی عمومی گنو [ 44 ]، بخشی از بنیاد زمین فضایی منبع باز (OSGeo) مجوز دارد. این به زبان C++ با استفاده از کیت ابزار Qt برای رابط آن نوشته شده است. پلاگین ها را می توان به زبان C++ یا پایتون نوشت. این به عنوان کد منبع و بسته برای سیستم‌های عامل لینوکس، یونیکس، مک OSX، MS Windows و Android در دسترس است. حداکثر اندازه برای نقشه ها به ترکیب سیستم عامل و محدودیت های کتابخانه انتزاع داده های جغرافیایی (GDAL)/OGR برای نوع داده در حال استفاده بستگی دارد. افزونه Landscape ecology statistics (LecoS) تجزیه و تحلیل منظر را در QGIS با استفاده از کتابخانه numpy Python [ 49] انجام می دهد.]. LecoS، مانند نسخه 3.0.0، می تواند 20 متریک چشم انداز ، 8  آمار منطقه ای و 3 شاخص تنوع را ارزیابی کند .
ماژول های دیگر برای محاسبه متریک های چشم انداز در محبوب ترین نرم افزار دسکتاپ GIS ادغام شده اند: V-Late و PA4 در ArcGIS (مجموعه برنامه های GIS ایجاد شده توسط موسسه تحقیقات سیستم های محیطی، ESRI)، ماژول های Pattern و Texture در IDRISI، و API به نام Land-metrics DIY توسعه یافته توسط Zaragozí و همکاران. [ 50 ] و تحت مجوز GPL منتشر شد. اخیراً، یک بسته R جدید اختصاص داده شده به محاسبه متریک های چشم انداز منتشر شده است. با  چشم انداز سنجی اکنون می توان آنالیز چشم انداز را بر روی شطرنجی های داخل محیط R انجام داد [ 51 ].
نسخه های FRAGSTATS 4.2، GRASS 7.6 و QGIS 3.4 (LecoS 3.0.0) برای آزمایش ها استفاده شد. فهرست جامعی از ویژگی های نرم افزار با توجه به معیارهای چشم انداز در ضمیمه A گزارش شده است .

3.2. متریک چشم انداز

معیارهای چشم انداز شاخص هایی هستند که برای توصیف و تعیین کمیت ویژگی های فضایی منظر استفاده می شوند و به عنوان مجموعه ای از داده های طبقه بندی شده توصیف می شوند که معمولاً کاربری زمین را نشان می دهند [ 6 ]. این شاخص ها برای مطالعه تکامل ویژگی های چشم انداز در طول زمان [ 7 ، 41 ، 52 ، 53 ] یا مقایسه مناطق مختلف [ 6 ] مفید هستند.
تنوع زیاد معیارها را می توان بر اساس سطح فضایی که با آن سروکار دارند طبقه بندی کرد: تکه ها، کلاس های تکه ها یا کل چشم انداز [ 54 ]. معمولاً در بوم شناسی چشم انداز، یک لکه به عنوان یک منطقه گسسته از شرایط محیطی همگن در یک مقیاس خاص تعریف می شود [ 45 ]. این معیارها به دو دسته تقسیم می‌شوند: آنهایی که ترکیب نقشه را بدون ارجاع به ویژگی‌های فضایی (مثلاً تعداد وصله‌ها) کمی می‌کنند و آنهایی که پیکربندی فضایی نقشه را کمیت می‌کنند، مانند آرایش فضایی، موقعیت یا جهت‌گیری نقشه. تکه ها [ 54 ].
معیارهای چشم انداز محاسبه شده در سطح وصله، آمار ساده ای را در مورد هر وصله کاربری زمین (مساحت، محیط، تعداد تکه ها، …) توصیف می کنند و در درجه اول به عنوان مبنای محاسباتی برای سایر معیارهای چشم انداز عمل می کنند [45 ] . معیارهای چشم انداز محاسبه شده در سطح کلاس اطلاعات مربوط به همه وصله های یک نوع معین را گزارش می دهند. این معیارها برای تعیین کمیت مقدار و پیکربندی فضایی هر نوع وصله مفید هستند و بنابراین برای تخمین تکه تکه شدن هر نوع وصله در چشم انداز مفید هستند [ 45 ]. در نهایت، متریک‌های منظره می‌توانند اطلاعاتی را در مورد الگو ارائه دهند، مانند معیارهای کلاس: این معیارها ممکن است با میانگین‌گیری ساده یا وزنی ادغام شوند یا ممکن است ویژگی‌های کلی موزاییک پچ را منعکس کنند [45 ] .
برای هدف این کار، تعداد محدودی از معیارهای چشم انداز از میان بسیاری از معیارهای موجود بر اساس معیارهای زیر انتخاب شد: (1) در دسترس بودن برای محاسبه در نرم افزار. (ب) استفاده از پارامتر همسایگی سلول برای محاسبه آنها. (iii) سادگی نسبی فرمول بندی آنها، به منظور درک تأثیر پارامتر همسایه سلول بر نتیجه و قادر به ارزیابی دستی مقادیر آنها برای نقشه های ساده.
 شماره  پچ (NP)
تعداد وصله های هر نوع است. این یک متریک بعدی است. به این صورت تعریف می شود:

جایی که:

  • N تعداد وصله های دسته k -ام است.
 تراکم  پچ (PD)
برابر است با تعداد تکه‌های نوع وصله مربوطه تقسیم بر مساحت کل چشم‌انداز [m]، ضرب در 10000 و 100 (برای تبدیل به 100 هکتار). واحد اندازه گیری تعداد لکه در 100 هکتار است. به صورت زیر بیان می شود:

جایی که:

  • N تعداد وصله ها در چشم انداز است.
  • A کل مساحت چشم انداز در [m ]؛
  • و 100 ثابت است و برای بیان شاخص در (100) هکتار استفاده می شود.
میانگین  اندازه پچ  (MPS) 
مساحت متوسط ​​تمام تکه های یک نوع معین است. در متر مربع اندازه گیری می شود. هنگامی که MPS در ترکیب با NP استفاده می شود، اطلاعاتی در مورد چگونگی رشد یا ادغام تکه های یک کلاس کاربری معین در طول زمان می دهد [ 53 ]. به این صورت تعریف می شود:

جایی که:

  • A مساحت لکه ها در [m ]؛
  • تعداد پچ ها است.
 چگالی  لبه (ED)
برابر است با مجموع طول (m) تمام بخش های لبه مربوط به نوع وصله مربوطه، تقسیم بر کل مساحت چشم انداز (m)، ضرب در 10000 (برای تبدیل به هکتار). واحد متر در هکتار می باشد. ED > 0. این شاخص در مطالعات اکولوژیکی که با گونه های اکوتون سروکار دارند مفید است. به صورت زیر بیان می شود:

جایی که:

  • k دسته بندی وصله ها است.
  • m تعداد کل دسته های مختلف پچ ها است.
  • n تعداد لبه های مرزی پچ است.
  • طول کل لبه های مرزی برای دسته k -ام وصله ها است.
  • A کل مساحت چشم انداز است.
  • یک ثابت برای تبدیل شاخص به [m/ha] است.
 شاخص شکل  منظره (LSI) 
نسبت محیط به مساحت چشم انداز را به عنوان یک کل اندازه می گیرد. تمام بخش های لبه (m) در مرز چشم انداز که شامل نوع وصله مربوطه است بر جذر کل مساحت چشم انداز (m) تقسیم می شوند. LSI > 1، بعدی. این شاخص معیاری از پیچیدگی هندسی کلی منظره است و به صورت زیر تعریف می شود:

جایی که:

  • E مجموع طول تمام لبه های مرزی تکه ها است.
  • A مجموع تمام نواحی وصله ها است.
  • 0.25 یک ضریب تعدیل است.
 شاخص  تجمع (AI)
برابر است با تعداد تکه‌های مجاور که شامل کلاس مربوطه می‌شود، تقسیم بر حداکثر تعداد ممکن مجاورت‌های مشابه، که زمانی حاصل می‌شود که کلاس حداکثر در یک تکه فشرده جمع شود و نسبت منظر متشکل از کلاس مربوطه را ضرب کند. بیش از همه کلاس ها و ضرب در 100 (برای تبدیل به درصد). واحد: درصد، محدوده 0 < AI < 100 [ 45 ]. برای تعیین کمیت الگوهای فضایی و تکه تکه شدن چشم انداز مفید است. به این صورت تعریف می شود:

جایی که:

  • تعداد مجاورت های مشابه بین پیکسل های پچ کلاس i بر اساس روش تک شماری است .
  • حداکثر تعداد مجاورت های مشابه بین پیکسل های پچ کلاس i بر اساس روش تک شماری است .
  • 100 ثابتی است که برای بیان شاخص به صورت درصد استفاده می شود.
همسایگی سلول به عنوان نزدیکترین سلول به یک سلول خاص تعریف می شود. فقط سلول‌های همسایه برای ارزیابی معیارهای بالا استفاده می‌شوند. دو مفهوم ممکن از “همسایگی سلولی” (CN) وجود دارد: تعریف فون نویمان ، که چهار سلول مجاور را در جهت اصلی در نظر می‌گیرد، و مفهوم مور ، که هم گوشه‌ها و هم لبه‌های سلول‌های مجاور را در نظر می‌گیرد ( شکل 2 ). در حالی که محله فون نویمان 4 سلول را در نظر می گیرد، محله مور از 8 سلول برای محاسبات استفاده می کند.
سیستم های نرم افزاری مختلف برای تحلیل منظر از هر دو این تعاریف استفاده می کنند:
  • ماژول های r.li/r.le در GRASS GIS از تعریف فون نیومن [ 55 ] استفاده می کنند.
  • پلاگین LecoS برای QGIS از تعریف مور [ 49 ] استفاده می کند.
  • FRAGSTATS به کاربر این امکان را می دهد که بین دو تعریف یکی را انتخاب کند [ 42 ].
ارزیابی برخی از معیارهای چشم انداز تحت تأثیر انتخاب این پارامتر است. سلول های لبه گوشه ای از همان کلاس کاربری زمین، بخشی از همان پچ در یک محله 8 سلولی در نظر گرفته می شوند، در حالی که با استفاده از الگوریتم همسایگی 4 سلولی چنین در نظر گرفته نمی شوند.
به همین دلیل، استفاده از یک نقشه در نرم افزارهای مختلف، نتایج متفاوتی را برای برخی از معیارهای چشم انداز به دنبال خواهد داشت. در حالی که LecoS ، r.le و r.li استفاده از یک نوع قانون همسایگان را مجاز می‌کنند، در FRAGSTATS گزینه پیش‌فرض تعریف مور 8 سلولی است، اما کاربر می‌تواند فون نویمان 4 سلولی را انتخاب کند .

3.3. نقشه های مصنوعی

چهار نقشه مصنوعی برای آزمایش حساسیت معیارهای مختلف به تغییر مقدار همسایگی سلول و درک اینکه پیکربندی‌های وصله‌ها نسبت به مقادیر مختلف مقدار همسایگی سلولی (CN) حساس‌تر هستند، ایجاد شد. این چهار نقشه باینری هستند که مقدار 1 نشان دهنده وصله ها و مقدار 0 پس زمینه است. نقشه ها مربع هستند، با 100 ضلع سلول، در مجموع 10000 سلول و هر پیکسل 10 × 10 واحد نقشه را اندازه می گیرد.
نقشه مشت به عنوان یک صفحه شطرنج پیکربندی شده است ( شکل 3 )، سلول های متناوب با مقادیر 1 و 0 . از آنجایی که هر پیکسل با مقدار 1 نشان دهنده یک پچ جداگانه است، تعداد کل وصله ها (NP) 5000 است، چگالی پچ (PD) که حداکثر برای این پیکربندی است، برابر با 10000 (تعداد وصله ها در 100 هکتار) است. (یکنواخت) میانگین اندازه وصله (MPS) 0.01 (هکتار)، تراکم لبه (ED) 4000 (m/ha) و شاخص شکل منظره (LSI) 70.71 است. این پیکربندی همان پیکربندی است که تفاوت نتایج را برای انتخاب های مختلف مقادیر CN به حداکثر می رساند.
نقشه دوم ( شکل 4 ) شامل دو تکه بزرگ است که کل نقشه را پوشش می دهد که با یک ستون واحد از مقادیر 0 از هم جدا شده اند . برای این نقشه تعداد کل وصله ها (NP) 2 است، تراکم وصله (PD) 2.02 (تعداد وصله ها/100 هکتار)، میانگین اندازه وصله (MPS) 49.5 [ha]، تراکم لبه (ED) است. 60.4 [m/ha] و شاخص شکل منظره (LSI) 1.5 است. وجود یک لبه منفرد باید به همان مقادیر متریک چشم انداز برای هر دو انتخاب CN منجر شود.
نقشه سوم ( شکل 5 ) شامل یک تکه، فشرده و بزرگ است که نیمی از نقشه را پوشش می دهد. برای این نقشه تعداد کل وصله ها (NP) 1 است، تراکم وصله (PD) 2 (تعداد لکه ها در 100 هکتار)، میانگین اندازه وصله (MPS) 50 (هکتار)، تراکم لبه (ED) است. 60 (m/ha) و شاخص شکل منظره (LSI) 1.06 است. انتظار می رود این پیکربندی نتایج یکسانی را برای هر انتخاب CN ارائه دهد، زیرا تنها یک لبه وجود دارد و وصله بزرگتر از منطقه مربوط به بزرگترین مقدار ممکن CN، 8 است.
نقشه آزمایشی چهارم ( شکل 6 ) شامل یک پچ منفرد است که فقط از یک پیکسل در مرکز نقشه تشکیل شده است. برای این نقشه تعداد کل وصله ها (NP) 1 است، تراکم وصله (PD) 10000 (تعداد لکه ها در 100 هکتار)، میانگین اندازه وصله (MPS) 0.01 (هکتار)، تراکم لبه (ED) است. 4000 (m/ha) و شاخص شکل منظره (LSI) 1 است.
تنها سلول با ارزش 1 توسط 8 سلول با ارزش 0 احاطه شده است . بنابراین، دو انتخاب CN باید نتایج یکسانی را برای معیارهای چشم انداز به همراه داشته باشد.

3.4. نقشه های واقعی

نقشه ای از پوشش جنگلی وال دی فاسا ایتالیا در سال 2006 برای آزمایش نقشه های واقعی استفاده شد. Val di Fassa دره ای در کوه های آلپ، در شمال شرقی منطقه ترنتینو در شمال ایتالیا است ( شکل 7 ). این منطقه در قرن گذشته تحت تأثیر گسترش چشمگیر منطقه جنگلی قرار گرفت [ 6 ، 41 ، 51 ، 52 ] و در حال حاضر در پروژه ترنتینو لند، که پوشش جنگلی کل منطقه ترنتینو در شمال ایتالیا را تجزیه و تحلیل می کند، مورد بررسی قرار گرفته است. 56 ].
وال دی فاسا 567.28 کیلومتر مساحت دارد (56728 هکتار) که 132.36 کیلومتر (13,236 هکتار، 23.33٪) در سال 2006 توسط جنگل پوشانده شد. مرزهای منطقه 5157094 N، 5132029 S، 721983 E، 699351 W، در ETRS89/UTM 32 N (EPSG 2583)tum. نقشه شطرنجی دارای وضوح 10 متر، با 2509 ردیف و 2265 ستون، در مجموع 5،682،885 سلول است.
دو نقشه از این نقشه، با اعمال یک فیلتر پایین گذر با یک پنجره 3×3 پیکسل، اختصاص ربع سوم برای نقشه اول ( شکل 8 ، مرکز) و چارک اول برای نقشه دوم ( شکل 8 ، سمت راست) استخراج شد. ، با هدف آزمایش اینکه چگونه تکه تکه شدن نقشه ها بر تغییر معیارهای چشم انداز بسته به مقدار CN تأثیر می گذارد. استفاده از فیلتر پایین گذر بدیهی است که منجر به تکه تکه شدن نقشه ها می شود. از این نقشه‌ها برای ایجاد شاخصی استفاده می‌شود که پیش‌بینی می‌کند چگونه مقادیر مختلف CN بر مقادیر متریک‌های چشم‌انداز تأثیر می‌گذارد، زمانی که CN در بخش 5 ناشناخته است .
این دو نقشه یک منطقه را پوشش می دهند و وضوح تصویر اصلی را یکسان دارند.
علاوه بر این، سه نقشه نشان دهنده پوشش جنگل در سال های 1954، 1974 و 1994 ( شکل 9 )، که درجات مختلفی از تکه تکه شدن را نشان می دهد، برای مقایسه تعداد لکه های ارزیابی شده با استفاده از مقادیر مختلف CN استفاده شده است.
همه این نقشه ها با طبقه بندی خودکار تصاویر هوایی با استفاده از طرح طبقه بندی یکسان ایجاد شده اند. منطقه ای جنگل محسوب می شود که 20 درصد از سطح زمین را درختان پوشانده باشد و بیش از 2000 متر باشد. با حداقل عرض 20 متر

4. نتایج

برای هر نقشه آزمایشی شرح داده شده در بخش 3.3 و بخش 3.4 ، معیارهای چشم انداز فهرست شده در بخش 3.2 با استفاده از GRASS GIS، FRAGSTATS و QGIS ارزیابی شدند. مقادیر برای نقشه های مصنوعی شرح داده شده در بخش 3.3 در جدول 2 ، جدول 3 ، جدول 4 و جدول 5 گزارش شده است .
برای اولین نقشه آزمایشی مصنوعی ( شکل 3 )، که به عنوان یک صفحه شطرنج پیکربندی شده است، جدول 2 نشان می دهد که چگونه یک CN 4 سلولی (GRASS، FRAGSTATS با استفاده از 4 سلول) می تواند 5000 تکه های مربوط به تک پیکسل را تشخیص دهد و به درستی موارد مربوطه را ارزیابی کند. معیارها، در حالی که با استفاده از CN 8 سلولی (QGIS، FRAGSTATS با استفاده از 8 سلول) یک پچ واحد شناسایی می شود. این تفاوت بر متریک‌های تراکم پچ (PD) و اندازه میانگین پچ (MPS) تأثیر می‌گذارد زیرا به تعداد وصله‌ها بستگی دارد. برعکس، چگالی لبه (ED) و شاخص شکل منظر (LSI) با استفاده از مقادیر مختلف CN تغییر نمی‌کنند زیرا طول تمام بخش‌های لبه و کل مساحت چشم‌انداز به یک نسبت تغییر می‌کنند.
نتایج نقشه آزمایش مصنوعی دوم ( شکل 4 )، با دو تکه بزرگ که توسط یک لبه مستقیم جدا شده اند. جدول 3 نشان می دهد که چگونه تمام مقادیر معیارهای چشم انداز بدون توجه به مقدار CN استفاده شده یکسان هستند. این بدیهی است به این دلیل است که نقشه فقط شامل دو تکه فشرده بزرگ بدون تکه تکه شدن و یک لبه است.
برای سومین نقشه آزمایش مصنوعی ( شکل 5 )، با یک پچ بزرگ که نیمی از نقشه را پوشش می دهد، جدول 4 گزارش می دهد که چگونه تمام معیارهای چشم انداز با انتخاب های مختلف CN تغییر نمی کنند. دلیل همان نقشه قبلی است.
جدول 5 نشان می دهد که چگونه هر دو گزینه برای CN به درستی تنها وصله تشکیل شده توسط یک پیکسل را که در نقشه آزمایش مصنوعی چهارم وجود دارد، تشخیص می دهند ( شکل 6 ). همه مقادیر متریک چشم انداز برای مقادیر مختلف CN یکسان هستند.
در نهایت، نتایج مربوط به نقشه جنگل واقعی در جدول 6 گزارش شده است . مقادیر ارائه شده توسط QGIS برای میانگین اندازه وصله و چگالی لبه با مقادیر محاسبه شده توسط FRAGSTATS با مقدار CN یکسان، به ترتیب با 4 مرتبه بزرگی، متفاوت است. و . این به این دلیل است که مناطق در QGIS بر حسب متر مربع بیان می شوند، در حالی که در GRASS و FRAGSTATS، استفاده می شود. بنابراین، مقادیر دو معیار اندازه وصله و چگالی لبه برای QGIS مجدداً با استفاده از مقیاس اندازه‌گیری شدند. در جدول 6 . همین رویه برای تمام نتایج متوالی QGIS اعمال خواهد شد.
از جدول 6 مشهود است که برخی از معیارها، مانند تعداد وصله ها، تراکم وصله، و اندازه متوسط ​​پچ، زمانی که مقادیر مختلف CN استفاده می شود، تغییر می کنند. مقادیر چگالی لبه (ED) و شاخص شکل منظره (LSI) مستقل از انتخاب برای CN هستند.

5. شاخص تجمع

بررسی ادبیات بخش 2 نشان داد که در بسیاری از موارد ارزش CN به صراحت بیان نشده است. گاهی اوقات می توان مقدار را با نشان دادن نرم افزار GIS مورد استفاده برای پردازش استنباط کرد، اما حتی در آن زمان نیز ممکن است ابهاماتی وجود داشته باشد، مانند مورد FRAGSTATS که می تواند از دو مقدار مختلف استفاده کند و پیش فرض بستگی به نسخه نرم افزار دارد.
به همین دلیل، بررسی شد که آیا امکان یافتن پارامتری وجود دارد که نشان می‌دهد چگونه عدم قطعیت در مقدار CN بر اهمیت معیارهای چشم‌انداز منعکس می‌شود. آزمایش‌های روی نقشه‌های مصنوعی ( بخش 4 ، جدول 2 ، جدول 3 ، جدول 4 و جدول 5 ) نشان داد که هر چه یک نقشه تکه تکه‌تر باشد، مقادیر معیارهای چشم‌انداز برای مقادیر مختلف CN بیشتر تغییر می‌کند. بنابراین، شاخص تجمیع (AI)، تعریف شده در بخش 3.2، می تواند به عنوان شاخصی از اهمیت دانش CN برای تجزیه و تحلیل یک نقشه استفاده شود. مقدار آن بین 0 تا 100 متغیر است. زمانی که کلاس پچ کاملاً تفکیک شده باشد، 0 است، یعنی هیچ مجاورت مشابهی وجود ندارد. زمانی که کلاس پچ به طور کامل در یک پچ فشرده جمع شود، 100 است. از آنجایی که آزمایش‌های بخش 3.3 و بخش 3.4 نشان داده‌اند که برای یک مقدار معین از معیارهای چشم‌انداز CN به نرم‌افزار مورد استفاده برای ارزیابی آنها بستگی ندارد، همه مقادیر گزارش‌شده در این بخش با استفاده از FRAGSTATS ارزیابی شدند.
اولین آزمایش‌ها برای بررسی رابطه احتمالی بین هوش مصنوعی و تغییرات مقادیر معیارهای چشم‌انداز با استفاده از مقادیر مختلف CN بر روی نقشه‌های مصنوعی توصیف‌شده در بخش 3.3 انجام شد . جدول 7 مقادیر هوش مصنوعی را برای چهار نقشه مصنوعی، تعداد وصله های به دست آمده با استفاده از مقادیر CN 4 و 8 و تغییرات آنها به عنوان درصد نشان می دهد.
برای شطرنج اول، با پیکربندی صفحه شطرنج، تفکیک حداکثر و هوش مصنوعی 0 است، در حالی که تفاوت در تعداد وصله ها برای دو مقدار CN نزدیک به 100٪ است. برعکس، نقشه‌های مصنوعی دوم و سوم دارای هوش مصنوعی بالای 99 درصد هستند و تعداد وصله‌ها به CN بستگی ندارد ( جدول 3 و جدول 4 ). در نهایت، برای آخرین نقشه مصنوعی، هوش مصنوعی تعریف نشده است، زیرا امکان ارزیابی هوش مصنوعی برای کلاس‌های متشکل از یک پچ وجود ندارد. این اولین آزمون ها نشان می دهد ( جدول 7) که برای نقشه‌هایی با مقادیر کم هوش مصنوعی، استفاده از مقادیر مختلف CN منجر به تغییرات بزرگ حتی یک معیار ساده مانند تعداد وصله‌ها می‌شود، در حالی که برای نقشه‌هایی با مقادیر هوش مصنوعی بالا، انتخاب CN بی‌ربط می‌شود. چهار نقشه مصنوعی برای نمایش تنظیمات شدید ساخته شده اند. بنابراین، این فرضیه بر روی نقشه های واقعی آزمایش شد. سه نقشه برای جنگل در وال دی فاسا در سال 2006، که در بخش 3.4 توضیح داده شده است ، نشان دهنده دنباله ای از نقشه ها با فشردگی وصله فزاینده است، همانطور که در شکل 8 نشان داده شده است .
جدول 8 معیارهای چشم انداز را با استفاده از چهار سلول CN و هشت سلول CN برای سه نقشه گزارش می کند. مقادیر هوش مصنوعی به انتخاب CN بستگی ندارد. بنابراین، می توان از آن برای ارزیابی اثر تغییر CN بر معیارهای چشم انداز استفاده کرد.
شکل 10 تنوع تعداد وصله ها، تراکم وصله، و معیارهای اندازه پچ متوسط ​​را به عنوان تابعی از هوش مصنوعی، هر دو در موارد 4 و 8 سلول CN نشان می دهد.
تفاوت بین مقادیر به‌دست‌آمده با دو مقدار CN زمانی کاهش می‌یابد که هوش مصنوعی برای همه شاخص‌های آزمایش‌شده افزایش می‌یابد. در واقع، تفاوت برای تعداد وصله ها و تراکم پچ از 51.6٪ به 14.0٪ کاهش می یابد، در حالی که تفاوت برای میانگین اندازه پچ، منفی است زیرا میانگین اندازه پچ با CN افزایش می یابد، از -107.4٪ تا -16.7٪ متغیر است. جدول 9 ).
این آزمایش‌ها نشان می‌دهند که استفاده از یک مقدار متفاوت برای CN منجر به تفاوت‌های زیادی برای معیارهای چشم‌انداز برای نقشه‌های تکه‌تکه‌شده می‌شود، در حالی که مقادیر متریک برای نقشه‌هایی با تکه‌های انبوه‌تر مشابه هستند. بنابراین، شاخص تجمع می تواند به عنوان یک شاخص برای ارزیابی مناسب بودن مقادیر معیارهای چشم انداز برای انجام مقایسه ها در زمانی که مقدار CN ناشناخته است، استفاده شود.
برای آزمایش بیشتر این فرضیه، تعداد لکه‌ها برای سه نقشه جنگلی وال دی فاسا در سال‌های 1954، 1974 و 1994 با دو مقدار برای CN ارزیابی شد. نتایج در جدول 10 گزارش شده است . برای این نقشه ها تفاوت تعداد وصله ها زمانی که هوش مصنوعی کمتر باشد بیشتر است.
برای این نقشه ها، هوش مصنوعی از 76.6٪ تا 88.3٪، با تفاوت در تعداد وصله ها بین دو مقدار CN از 47.37٪ (نقشه 1994) تا 59.89٪ (نقشه 1974) متغیر است.
شکل 11 تمام زوج های مقادیر هوش مصنوعی و تفاوت در تعداد تکه ها را با استفاده از 4 و 8 سلول CN در درصد برای نقشه های شش جنگل ترسیم می کند.
هنگامی که هوش مصنوعی کمتر از 95٪ باشد، تفاوت در تعداد وصله ها بین 37٪ تا 60٪ است، در حالی که برای بالاترین مقدار، تفاوت 14٪ است.

6. نتیجه گیری

این مطالعه یک ارزیابی از اهمیت دانش ارزش همسایگی سلول در هنگام استفاده از متریک های چشم انداز ارائه می دهد. آزمایش‌های روی نقشه‌های ساخته‌شده مخصوص نشان داده‌اند که CN می‌تواند بر مقادیر برخی از معیارها با تغییرات تا 5000٪ تأثیر بگذارد. برای نقشه های واقعی، تغییرات چندان چشمگیر نیست، اما در برخی موارد هنوز می تواند به 100٪ برسد ( جدول 6 ). بنابراین، دانش مقدار مورد استفاده برای پارامتر همسایگی سلولی (CN) اساسی است، به خصوص اگر مقادیر معیارها در مطالعات گروه‌های تحقیقاتی مختلف با استفاده از نرم‌افزارهای مختلف مقایسه شود، حتی اگر از طرح طبقه‌بندی یکسانی استفاده شود. با این وجود، به نظر می رسد که کاربران نرم افزار اغلب اهمیت تأثیراتی را که CN می تواند بر معیارهای چشم انداز داشته باشد دست کم می گیرند و مقدار CN انتخاب شده اغلب حذف می شود.
هنگامی که CN ناشناخته است، آزمایشات در بخش 5 نشان داد که می توان از مقادیر شاخص تجمع برای ارزیابی تأثیری که عدم قطعیت در CN می تواند بر برخی از معیارهای چشم انداز داشته باشد استفاده کرد، بنابراین نشانه ای از قابلیت اطمینان مقایسه با سایر معیارها ارائه می شود. ارزیابی های معیارها تعیین یک پیوند تحلیلی بین هوش مصنوعی و اهمیت CN برای ارزیابی معیارهای چشم انداز در حال انجام است. این می تواند منجر به شناسایی یک مقدار آستانه AI شود که دانش CN در زیر آن ضروری است. از دیدگاه کاربر، انتخاب همسایگی سلول در انتخاب نرم افزار مستتر است. یک CN 4 سلولی روندهای واضح تری را برای برخی معیارها ارائه می دهد، به عنوان مثال، به شکل 10 مراجعه کنید.. توصیه اصلی استفاده از همسایگی سلولی در هنگام مقایسه نتایج است. علاوه بر این، محققان باید به وضوح مقادیر CN را هنگام ارائه نتایج خود نشان دهند.

مواد تکمیلی

موارد زیر به صورت آنلاین در https://www.mdpi.com/2220-9964/8/12/586/s1 در دسترس هستند .

مشارکت های نویسنده

مفهوم سازی تحقیق، پائولو زاتلی، استفانو گوبی، کلارا تاتونی و مارکو چیولی. روش شناسی و نرم افزار پائولو زاتلی، مارکو سیولی، کلارا تاتونی و استفانو گوبی. اعتبارسنجی، پائولو زاتلی و نیکولا زورزی، استفانو گوبی، کلارا تاتونی و مارکو چیولی؛ نوشتن – آماده سازی پیش نویس اصلی، پائولو زاتلی، استفانو گوبی، کلارا تاتونی و مارکو چیولی. نوشتن-بررسی و ویرایش، استفانو گوبی، مارکو چیولی، نیکولا لا پورتا، دوچیو روچینی، کلارا تاتونی، ماریا جولیا کانتیانی و پائولو زاتلی. جذب سرمایه، مارکو چیولی، نیکولا لا پورتا و پائولو زاتلی.

منابع مالی

استفانو گوبی توسط برنامه دکترا در مهندسی عمران، محیط زیست و مکانیک که در گروه مهندسی عمران، محیط زیست و مکانیک در دانشگاه ترنتو و فوندازیون ادموند ماخ تأسیس شده است، تأمین می شود.

تضاد علاقه

نویسندگان هیچ تضاد منافع را اعلام نمی کنند.

اختصارات

در این نسخه از اختصارات زیر استفاده شده است:

هوش مصنوعی شاخص تجمیع
CN محله سلولی
ED تراکم لبه
GIS سیستم اطلاعات جغرافیایی
GPL مجوز عمومی گنو
FOSS نرم افزار رایگان و متن باز
LSI شاخص شکل منظره
MPS میانگین اندازه پچ
NP تعداد پچ ها
PD چگالی پچ

ضمیمه A. معیارهای موجود

جداول ویژگی FRAGSTATS 4.2، GRASS 7.6 (r.li)، و QGIS 3.4 (LecoS 3.0.0). نام معیارها در سیستم‌های نرم‌افزاری مختلف تغییر می‌کند، نام‌های جدول‌های زیر از کتابچه راهنمای FRAGSTATS 4.2 [ 45 ] است.
جدول
جدول A1. ویژگی‌های نرم‌افزار: همسایگی سلول و متریک‌های منطقه و لبه موجود برای FRAGSTATS، GRASS (r.li)، و QGIS (LecoS).
جدول
جدول A2. ویژگی های نرم افزار: معیارهای شکل موجود برای FRAGSTATS، GRASS (r.li)، و QGIS (LecoS).
جدول
جدول A3. ویژگی‌های نرم‌افزار: متریک‌های سطح هسته موجود برای FRAGSTATS، GRASS (r.li)، و QGIS (LecoS).
جدول
جدول A4. ویژگی های نرم افزار: معیارهای کنتراست موجود برای FRAGSTATS، GRASS (r.li)، و QGIS (LecoS).
جدول
جدول A5. ویژگی های نرم افزار: معیارهای تجمع موجود برای FRAGSTATS، GRASS (r.li)، و QGIS (LecoS).
جدول
جدول A6. ویژگی های نرم افزار: شاخص های تنوع موجود برای FRAGSTATS، GRASS (r.li)، و QGIS (LecoS).

منابع

  1. اشتاینیگر، اس. Hay, GJ ابزارهای اطلاعات جغرافیایی رایگان و منبع باز برای اکولوژی منظر. Ecol. آگاه کردن. 2009 ، 4 ، 183-195. [ Google Scholar ] [ CrossRef ]
  2. وانگ، ایکس. بلانشت، FG; Koper، N. اندازه گیری تکه تکه شدن زیستگاه: ارزیابی معیارهای الگوی چشم انداز. روش ها Ecol. تکامل. 2014 ، 5 ، 634-646. در دسترس آنلاین: https://besjournals.onlinelibrary.wiley.com/doi/pdf/10.1111/2041-210X.12198 (در 12 سپتامبر 2019 قابل دسترسی است). [ CrossRef ]
  3. کوشمن، اس. مک گریگال، ک. نیل، ام. پارسیمونی در معیارهای چشم انداز: قدرت، جهانی بودن و ثبات. Ecol. اندیک. 2008 ، 8 ، 691-703. [ Google Scholar ] [ CrossRef ]
  4. لوستیگ، ا. Stouffer، DB; دوشر، سی. معیارهای Worner، SP Landscape به عنوان چارچوبی برای اندازه گیری اثر ساختار چشم انداز بر گسترش گونه های حشرات مهاجم. Landsc. Ecol. 2017 ، 32 ، 2311-2325. [ Google Scholar ] [ CrossRef ]
  5. سرتل، ای. Topaloğlu، RH; شالی، بی. یای الگان، آی. آکسو، GA مقایسه معیارهای منظر برای سه سطح مختلف نقشه پوشش زمین/استفاده از زمین. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 408. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  6. اوئما، ای. آنتروپ، ام. روزار، ج. مرجا، ر. مندر، Ü. معیارها و شاخص های منظر: مروری بر کاربرد آنها در تحقیقات منظر. زندگی کشیش Landsc. Res. 2009 ، 3 . [ Google Scholar ] [ CrossRef ]
  7. فرتی، اف. اسبورینا، سی. تاتونی، سی. ویتی، ا. زاتلی، پ. گری، ف. پمپئی، ای. Ciolli، M. نقشه جنگل پادشاهی ایتالیا در سال 1936 بررسی شد: مجموعه داده ای برای تحقیقات چشم انداز و زیست محیطی. ان سیلویک. Res. 2018 ، 42 ، 3-19. [ Google Scholar ] [ CrossRef ]
  8. اسمیراگلیا، دی. تومبولینی، آی. کانفورا، ال. باجوکو، اس. پرینی، ال. سالواتی، L. رابطه پنهان بین آسیب پذیری خاک در برابر تخریب و تکه تکه شدن زمین: تجزیه و تحلیل آماری معیارهای چشم انداز در ایتالیا، 1960-2010. محیط زیست مدیریت 2019 ، 64 ، 154-165. [ Google Scholar ] [ CrossRef ]
  9. Grafius، DR; کورستانژ، ر. هریس، JA پیوند خدمات اکوسیستم، شکل شهری و پیکربندی فضای سبز با استفاده از تحلیل متریک منظر چند متغیره. Landsc. Ecol. 2018 ، 33 ، 557-573. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  10. وانگ، اس. یانگ، ک. یوان، دی. یو، ک. سو، ی. تغییرات زمانی-مکانی در مورد الگوی منظر سیستم آب و رابطه آنها با غذا و انرژی در یک شهر بزرگ در چین. Ecol. مدل. 2019 ، 401 ، 75-84. [ Google Scholar ] [ CrossRef ]
  11. لی، اچ. Wu, J. استفاده و سوء استفاده از شاخص های چشم انداز. Landsc. Ecol. 2004 ، 19 ، 389-399. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  12. مک گریگال، ک. کوشمن، اس. Ene, E. FRAGSTATS v4: Spatial Pattern Analysis Program for Category and Continuous Maps. برنامه نرم افزار کامپیوتری تولید شده توسط نویسندگان در دانشگاه ماساچوست، Amherst. 2012. در دسترس آنلاین: https://www.umass.edu/landeco/research/fragstats/fragstats.html (در 12 سپتامبر 2019 قابل دسترسی است).
  13. کوشمن، اس. ایالات، U. سرویس، اف. Mount، R. رفتار معیارهای چشم انداز سطح کلاس در سراسر گرادیان های تجمع کلاس و منطقه. Landsc. Ecol. 2015 ، 435-455. [ Google Scholar ] [ CrossRef ]
  14. ساورا، اس. کاسترو، اس. توابع مقیاس‌بندی برای معیارهای الگوی منظر به دست آمده از داده‌های سنجش از راه دور: آیا برآوردهای زیرپیکسلی آنها واقعاً دقیق هستند؟ ISPRS J. Photogramm. Remote Sens. 2007 , 62 , 201-216. [ Google Scholar ] [ CrossRef ]
  15. Tanner، EP; Fuhlendorf، SD تاثیر یک طرح کشاورزی و محیطی بر الگوهای منظر. Ecol. اندیک. 2018 ، 85 ، 956-965. [ Google Scholar ] [ CrossRef ]
  16. گونگ، J.-Z. لیو، Y.-S. Xia، B.-C.; ژائو، G.-W. ارزیابی و پیش‌بینی امنیت اکولوژیکی شهری، بر اساس یک مدل اتوماتای ​​سلولی: مطالعه موردی گوانگژو، چین. Ecol. مدل. 2009 ، 220 ، 3612-3620. [ Google Scholar ] [ CrossRef ]
  17. عبادی، ع. گوبرت، اس. بوناکورسی، م. Lejeune، P. پرجنت، جی. Pergent-Martini، C. اکولوژی فضای دریایی و علف‌های دریایی. آیا نوع پچ در مناظر دریایی Posidonia oceanica اهمیت دارد؟ Ecol. اندیک. 2015 ، 57 ، 435-446. [ Google Scholar ] [ CrossRef ]
  18. لاوش، آ. هرتزوگ، اف. کاربرد معیارهای چشم انداز برای نظارت بر تغییر منظر: مسائل مقیاس، وضوح و تفسیرپذیری. Ecol. اندیک. 2002 ، 2 ، 3-15. [ Google Scholar ] [ CrossRef ]
  19. رامش، ت. کاله، ر. Downs، CT شاخص های جنسی استفاده از منظره توسط سروال ها: پیامدهای زندگی در مناظر تکه تکه شده. Ecol. اندیک. 2015 ، 52 ، 8-15. [ Google Scholar ] [ CrossRef ]
  20. لوستیگ، ا. Stouffer، DB; روژ، م. بدتر، SP به سمت معیارهای چشم انداز قابل پیش بینی تر و سازگارتر در مقیاس های فضایی. Ecol. اندیک. 2015 ، 57 ، 11-21. [ Google Scholar ] [ CrossRef ]
  21. شن، دبلیو. جنرت، جی دی. وو، جی. گاردنر، RH ارزیابی روابط مقیاس بندی تجربی معیارهای الگو با مناظر شبیه سازی شده. اکوگرافی 2004 ، 27 ، 459-469. [ Google Scholar ] [ CrossRef ]
  22. لازلو، ز. Dénes، AL; کرالی، ال. Tóthmérész، B. نسبت های جنسی پارازیتوئید مغرضانه: Wolbachia، صفات عملکردی، اثرات محلی و منظره. برنامه پایه Ecol. 2018 ، 31 ، 61-71. [ Google Scholar ] [ CrossRef ]
  23. بوئنو، ع. Peres، CA حفظ تنوع زیستی در مقیاس پچ در مناظر تکه تکه شده: تطبیق فرضیه مقدار زیستگاه با نظریه جغرافیای زیستی جزیره. J. Biogeogr. 2019 ، 46 ، 621-632. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  24. کوردیرو، EM; مکرینی، سی ام. سوجی، PS; شوارچ، ک.د. پینیرو، جی بی. رودریگز، آر آر. Brancalion، PH; کدو تنبل، MI تنوع، ساختار ژنتیکی و ژنومیک جمعیت درخت گرمسیری Centrolobium tomentosum در جنگل‌های باقی‌مانده و بازسازی‌شده اقیانوس اطلس. حفظ کنید. ژنت 2019 ، 20 ، 1073-1085. [ Google Scholar ] [ CrossRef ]
  25. هرناندز-مارتینز، جی. مورالس-مالاکارا، جی بی. Alvarez-Anõrve، MY; آمادور-هرناندز، اس. اویاما، ک. درایورهای آویلا-کابادیلا، LD به طور بالقوه بر تعاملات مگس میزبان و خفاش در مناظر نئوتروپیک انسانی در مقیاس‌های فضایی مختلف تأثیر می‌گذارند. انگل شناسی 2019 ، 146 ، 74-88. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  26. دنیس، م. Scaletta، KL; جیمز، پی. ارزیابی ویژگی‌های منظر محیطی و اکولوژیکی شهری به عنوان تابعی از اشتراک‌گذاری زمین، شهرنشینی و مقیاس. PLoS ONE 2019 , 14 , e0215796. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  27. کورتا، ا. اوتری، GG; هافمن، جی. منگلکوچ، جی.ام. سفید، JP; ویتاکر، جو. کولی، تی. Melotti، J. تأثیر یک دریاچه بزرگ در محدوده زمستانی یک پستاندار کوچک: دریاچه میشیگان و خفاش مو نقره ای (Lasionycteris noctivagans). تنوع 2018 ، 10 ، 24. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  28. Kosicki، JZ آیا معیارهای پیکربندی چشم‌انداز در هنگام پیش‌بینی تراکم گونه‌های پرنده تخصصی و عمومی ارزش دارند؟ موردی از رویکرد مدل افزودنی تعمیم یافته. محیط زیست مدل. ارزیابی کنید. 2018 ، 23 ، 193-202. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  29. لامامی، سی. بومبیری، جی. زرزو آریاس، ع. گونزالس-برناردو، ای. Penteriani, V. آیا ویژگی های چشم انداز می تواند به توضیح روندهای مختلف زیرجمعیت های خرس قهوه ای کانتابریایی کمک کند؟ Mammal Res. 2019 ، 559–567. [ Google Scholar ] [ CrossRef ]
  30. راماچاندران، آر.ام. روی، PS; چاکروارثی، وی. سانجی، جی. Joshi، PK تغییرات طولانی مدت استفاده از زمین و پوشش زمین (1920-2015) در گات شرقی، هند: الگوی پویایی و چالش ها در حفاظت از گونه های گیاهی. Ecol. اندیک. 2018 ، 85 ، 21-36. [ Google Scholar ] [ CrossRef ]
  31. مونتی، اف. نلی، ال. کاتونی، سی. Dell’Omo، G. انتخاب جعبه آشیانه و تولید مثل غلتک های اروپایی در مرکز ایتالیا: یک مطالعه 7 ساله. پرندگان Res. 2019 ، 10 ، 1-12. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  32. مورالس دیاز، اس پی; Alvarez-Añorve، MY; زامورا-اسپینوزا، ME; دیرزو، ر. اویاما، ک. پاسخ جامعه جوندگان آویلا-کابادیلا، LD به پوشش گیاهی و تغییرات چشم‌انداز در مراحل اولیه متوالی جنگل‌های خشک استوایی. برای. Ecol. مدیریت 2019 ، 433 ، 633-644. [ Google Scholar ] [ CrossRef ]
  33. لاستروچی، ال. سرری، ام. کوپی، ا. دل اولمو، ال. فرانتی، اف. فری، وی. فیلیپونی، اف. فوگی، بی. گالاردینی، آر. رئال، ال. و همکاران الگوهای چشم انداز فضایی و روند رو به کاهش نیزارها در شبه جزیره ایتالیا. گیاه بیوسیست. 2019 ، 153 ، 427-435. [ Google Scholar ] [ CrossRef ]
  34. Statuto، D.; سیلیس، جی. Picuno، P. تجزیه و تحلیل مبتنی بر GIS از تکامل زمانی منظر روستایی: مطالعه موردی در جنوب ایتالیا. نات. منبع. Res. 2019 ، 28 ، 61–75. [ Google Scholar ] [ CrossRef ]
  35. کولسون، اف. بوگارت، جی. فیلو، ای سی؛ نلسون، بی. Pinagé، ER; Ceulemans، R. تأثیر تعریف جنگل بر ارزیابی تکه تکه شدن چشم انداز در Rondonia، برزیل. Ecol. اندیک. 2009 ، 9 ، 1163-1168. [ Google Scholar ] [ CrossRef ]
  36. آگیلار، آر. کالوینو، آ. اشورث، ال. آگویر آکوستا، ن. کربن، LM؛ آلبریو-لیناس، جی. نولاسکو، ام. غیلاردی، ع. Cagnolo، L. از بین رفتن گونه های گیاهی بی سابقه پس از یک دهه در جنگل های نیمه گرمسیری چاکو سرانو. PLoS ONE 2018 ، 13 ، 1-15. [ Google Scholar ] [ CrossRef ]
  37. آلبریو-لیناس، جی. اسپینوزا، MO; کوگلیا، آ. ابریل، م. Scavuzzo، CM خوشه‌بندی محیطی شهری برای ارزیابی پویایی فضایی سایت‌های پرورش Aedes aegypti. ژئوسپات. سلامت 2018 ، 13 ، 135-142. [ Google Scholar ] [ CrossRef ]
  38. کولسون، اف. بوگارت، جی. Ceulemans، R. تکه تکه شدن در آمازون قانونی، برزیل: آیا معیارهای چشم انداز می تواند تفاوت های سیاست کشاورزی را نشان دهد؟ Ecol. اندیک. 2011 ، 11 ، 1467-1471. [ Google Scholar ] [ CrossRef ]
  39. گوچرل، سی. بورل، اف. بودری، جی. تحلیل الگوی چند مقیاسی و سطحی اثر الگوی منظر بر توزیع سوسک‌های کارابید. Ecol. اندیک. 2007 ، 7 ، 598-609. [ Google Scholar ] [ CrossRef ]
  40. لاوس، آ. Nogué, J. شاخص های تکه تکه شدن چشم انداز: موردی برای ترکیب شاخص های اکولوژیکی و رویکرد ادراکی. Ecol. اندیک. 2012 ، 15 ، 85-91. [ Google Scholar ] [ CrossRef ]
  41. تاتونی، سی. سیولی، ام. فرتی، اف. سرنوشت مناطق اولویت دار برای حفاظت در مناطق حفاظت شده: رویکرد زنجیره مارکوف در مقیاس خوب. محیط زیست مدیریت 2011 ، 47 ، 263-278. [ Google Scholar ] [ CrossRef ]
  42. مک گریگال، ک. Marks، BJ FRAGSTATS: برنامه تحلیل الگوی فضایی برای تعیین کمیت ساختار منظر . USDA برای. خدمت ژنرال فنی Rep. PNW-351; وزارت کشاورزی ایالات متحده، خدمات جنگلداری، ایستگاه تحقیقاتی شمال غرب اقیانوس آرام: پورتلند، OR، ایالات متحده آمریکا، 1995.
  43. تیم توسعه GRASS. نرم افزار سیستم پشتیبانی تجزیه و تحلیل منابع جغرافیایی (GRASS). بنیاد زمین فضایی منبع باز. 2017. در دسترس آنلاین: grass.osgeo.org (دسترسی در 12 سپتامبر 2019).
  44. تیم توسعه QGIS. سیستم اطلاعات جغرافیایی QGIS پروژه بنیاد زمین فضایی متن باز. 2019. در دسترس آنلاین: https://qgis.osgeo.org (در 12 سپتامبر 2019 قابل دسترسی است).
  45. McGarigal، K. FRAGSTATS HELP. 2015. در دسترس آنلاین: https://www.umass.edu/landeco/research/fragstats/documents/fragstats.help.4.2.pdf (در 12 سپتامبر 2019 قابل دسترسی است).
  46. نتلر، ام. بومن، ام. لاندا، م. Metz, M. GRASS GIS: GIS متن باز چند منظوره. محیط زیست مدل. نرم افزار 2012 ، 31 ، 124-130. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  47. سیولی، ام. فدریچی، بی. فراندو، آی. مارزوکی، آر. اسگوئرسو، دی. تاتونی، سی. ویتی، ا. Zatelli, P. ابزارها و کاربردهای FOSS برای آموزش در علوم زمین فضایی. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 225. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  48. تیم توسعه GRASS. GRASS GIS عملکرد. 2019. در دسترس آنلاین: https://grasswiki.osgeo.org/wiki/GRASS_GIS_Performance (در 15 سپتامبر 2019 قابل دسترسی است).
  49. Jung, M. LecoS – یک پلاگین پایتون برای تجزیه و تحلیل خودکار اکولوژی منظر. Ecol. آگاه کردن. 2016 ، 31 ، 18-21. [ Google Scholar ] [ CrossRef ]
  50. زاراگوزی، بی. بلدا، ا. لینارس، جی. مارتینز-پرز، جی. ناوارو، جی تی. Esparza, J. یک کتابخانه برنامه نویسی رایگان و متن باز برای محاسبات متریک چشم انداز. محیط زیست مدل. نرم افزار 2012 ، 31 ، 131-140. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  51. Hesselbarth، MHK; اسکیاینی، ام. با، KA; ویگاند، ک. Nowosad, J. landscapemetrics: یک ابزار منبع باز R برای محاسبه معیارهای چشم انداز. اکوگرافی 2019 ، 42 ، 1648-1657. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  52. سیولی، ام. تاتونی، سی. Ferretti، F. درک تغییرات جنگل برای حمایت از برنامه ریزی: رویکرد زنجیره مارکوف در مقیاس خوب. توسعه دهنده محیط زیست مدل. 2012 ، 25 ، 355-373. [ Google Scholar ] [ CrossRef ]
  53. تاتونی، سی. سیولی، ام. فرتی، اف. Cantiani، MG نظارت بر الگوی مکانی و زمانی جنگل Paneveggio (شمال ایتالیا) از 1859 تا 2006. IForest 2010 ، 3 ، 72-80. [ Google Scholar ] [ CrossRef ]
  54. مک گاریگال، کی. معیارهای الگوی منظر. در Wiley StatsRef: آمار مرجع آنلاین ; انجمن سرطان آمریکا: نیویورک، نیویورک، ایالات متحده آمریکا، 2014; در دسترس به صورت آنلاین: https://onlinelibrary.wiley.com/doi/pdf/10.1002/9781118445112.stat07723 (در 12 سپتامبر 2019 قابل دسترسی است). [ CrossRef ]
  55. بیکر، دبلیو. Cai, Y. برنامه های r.le برای تجزیه و تحلیل چند مقیاسی ساختار چشم انداز با استفاده از سیستم اطلاعات جغرافیایی GRASS. Landsc. Ecol. 1992 ، 7 ، 291-302. [ Google Scholar ] [ CrossRef ]
  56. گبی، اس. Cantiani، MG; روچینی، دی. زاتلی، پ. تاتونی، سی. سیولی، ام. La Porta، N. مدل‌سازی مقیاس فضایی خوب منظره جنگلی گذشته ترنتینو (Trentinoland): مطالعه موردی کاربرد FOSS. در مجموعه مقالات آرشیو بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی – آرشیو ISPRS، بخارست، رومانی، 26 تا 30 اوت 2019؛ جلد XLII-4/W14، صفحات 71-78. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Ijgi 08 00586 g001 550
شکل 1. مقایسه زمان هایی که هر نرم افزار تحلیل منظر در مقالات تحلیل شده ذکر شده است.
Ijgi 08 00586 g002 550
شکل 2. الگوهای تعاریف محله فون نویمان و مور .
Ijgi 08 00586 g003 550
شکل 3. طرح پیکربندی اولین نقشه آزمایشی مصنوعی، نمایش داده شده بر روی صفحه شطرنج.
Ijgi 08 00586 g004 550
شکل 4. طرح پیکربندی دومین نقشه آزمایشی مصنوعی، متشکل از دو تکه بزرگ که توسط یک ستون واحد با مقادیر 0 از هم جدا شده اند .
Ijgi 08 00586 g005 550
شکل 5. طرح پیکربندی سومین نقشه آزمایش مصنوعی، متشکل از یک پچ بزرگ که نیمه چپ نقشه را اشغال می کند.
Ijgi 08 00586 g006 550
شکل 6. طرح پیکربندی چهارمین نقشه آزمایشی مصنوعی، متشکل از یک تکه تک پیکسلی در مرکز نقشه.
Ijgi 08 00586 g007 550
شکل 7. موقعیت منطقه ترنتینو، به رنگ نارنجی (در ایتالیا)، وال دی فاسا، به رنگ قرمز (در منطقه ترنتینو)، و منطقه جنگلی به رنگ سبز (در وال دی فاسا).
Ijgi 08 00586 g008 550
شکل 8. نقشه های پوشش جنگلی وال دی فاسا در سال 2006، نقشه اصلی (سمت چپ)، فیلتر شده با چارک سوم (مرکز) و چارک اول (راست).
Ijgi 08 00586 g009 550
شکل 9. پوشش جنگلی در وال دی فاسا در سال 1954 (چپ)، 1974 (مرکز) و 1994 (راست).
Ijgi 08 00586 g010a 550 Ijgi 08 00586 g010b 550
شکل 10. تغییر تعداد لکه ها، تراکم لکه ها، و معیارهای اندازه متوسط ​​وصله به عنوان تابعی از هوش مصنوعی برای مقادیر CN 4 و 8، مقیاس چپ، و تفاوت آنها در درصد، مقیاس سمت راست، ارزیابی شده بر روی نقشه نشان دهنده جنگل. پوشش در Val di Fassa در سال 2006 و دو نقشه به دست آمده با اعمال یک فیلتر پایین گذر با یک پنجره 3 × 3 پیکسل، اختصاص ربع اول و سوم.
Ijgi 08 00586 g011 550
شکل 11. تفاوت در تعداد تکه های با استفاده از سلول های 4 و 8 CN در درصد به عنوان تابعی از هوش مصنوعی برای نقشه های شش جنگل.
جدول
جدول 1. تعداد و درصد مقالات در مجموعه تحلیل شده با استناد به معیارهای چشم انداز.
جدول
جدول 2. معیارهای منظر برای نقشه آزمایشی مصنوعی 1 (صفحه شطرنج).
جدول
جدول 3. معیارهای منظر برای نقشه آزمایشی مصنوعی 2 (دو تکه بزرگ).
جدول
جدول 4. معیارهای چشم انداز برای نقشه آزمایشی مصنوعی 3 (یک وصله بزرگ که نیمی از نقشه را پوشش می دهد).
جدول
جدول 5. معیارهای چشم انداز برای نقشه آزمایشی مصنوعی 4 (یک تکه تک پیکسلی).
جدول
جدول 6. معیارهای چشم انداز برای نقشه جنگل 2006 Val di Fassa، مقادیر برای QGIS در .
جدول
جدول 7. شاخص تجمع و تفاوت در تعداد تکه ها با استفاده از مقادیر همسایگی سلولی (CN) 4 و 8 برای 4 نقشه مصنوعی.
جدول
جدول 8. معیارهای چشم انداز برای سه نقشه جنگل وال دی فاسا با 4 سلول و 8 سلول CN.
جدول
جدول 9. تفاوت برای تعداد لکه ها، تراکم لکه (PD) (تعداد لکه ها در 100 هکتار) و میانگین اندازه لکه (MPS) (ha) برای دو مقدار CN (4 یا 8 سلول) برای نقشه نشان دهنده جنگل پوشش در Val di Fassa در سال 2006 و دو نقشه به دست آمده با اعمال یک فیلتر پایین گذر با یک پنجره 3 × 3 پیکسل، اختصاص ربع اول و سوم.
جدول
جدول 10. تفاوت تعداد لکه ها برای دو مقدار CN (4 یا 8 سلول) برای سه نقشه جنگلی Val di Fassa در سال های 1954، 1974 و 1994.

مقالات داخلی و بین المللی

geospatial رایگانآموزش GISبوم شناسی چشم انداچشم انداز جنگلیدکتر سعید جوی زادهسعید جوی زادهفیلتر کردن نقشهمتریک چشم اندازمتن باز

مطالب مرتبط ...

9 نظرات

دیدگاهتان را بنویسید