تجزیه و تحلیل سری های زمانی همراه با داده های سنجش از دور امکان مطالعه تغییرات ناگهانی در محیط را به دلیل اختلالات مهم و شدید مانند جنگل زدایی، فعالیت های کشاورزی، آتش سوزی و گسترش شهری و همچنین تغییرات تدریجی مانند تغییرپذیری آب و هوا و تخریب جنگل در اکوسیستم دقت هر تحلیل تشخیص تغییر به شدت به توانایی آن در جداسازی تغییرات و نوسانات واقعی در مقیاس فصلی بستگی دارد. یکی از روش‌های کارآمد در این زمینه، استفاده از مجموعه الگوریتم‌های Breaks for Additive Seasonal and Trend (BFAST) است. هدف این مطالعه ارزیابی جامع و مقایسه ای عملکرد Vis های مختلف در تخریب جنگل با تصاویر Landsat 8 و رویکرد BFASTMonitor است. از طریق ارزیابی، این مطالعه همچنین اثرات بالقوه انواع مختلف جنگل و مقیاس های جنگل زدایی در منطقه مرمره ترکیه را در نظر می گیرد. برای این منظور، شاخص‌های گیاهی تفاوت نرمال شده (NDVI)، شاخص گیاهی تقویت‌شده (EVI)، شاخص تفاوت نرمال شده رطوبت (NDMI) و نسبت سوختگی نرمال شده (NBR) شاخص‌های پوشش گیاهی (VI) برای ارزیابی مقایسه‌ای انتخاب شدند. دقت کلی VIs در جنگل‌های برگ‌ریز حدود 85 درصد برای NDVI، NDMI، و NBR و 78.80 درصد برای EVI بود، در حالی که در جنگل‌های مخروطی، دقت کلی مقادیر بالاتری در حدود 88 درصد برای NDVI، NDMI، و EVI نشان داد. 87.28٪ برای NBR. در نتیجه، VIهای حساس به آب که از باندهای مادون قرمز موج کوتاه استفاده می‌کنند، در تشخیص اختلالات جنگل کمی حساس‌تر هستند، در حالی که VIهای حساس به کلروفیل دقت پایین‌تری را برای هر دو نوع جنگل نشان می‌دهند. به طور کلی، همه VIs با یک خطای دست کم برآورد در تشخیص منطقه جنگل زدایی مواجه شدند که از طریق BIAS منفی قابل مشاهده بود. نتایج نشان می‌دهد که BFASTMonitor را می‌توان به‌عنوان ابزاری در نظارت بر محیط‌های جنگلی به دلیل قابلیت تعیین جنگل‌زدایی قابل قبول در جنگل‌های برگ‌ریز و مخروطی، با عملکرد کمی بالاتر برای مناطق طرح‌دار جنگل‌زدایی در مقیاس کوچک در نظر گرفت.

کلید واژه ها:

BFASTMonitor ; جنگل زدایی ; سری زمانی لندست ; شاخص های پوشش گیاهی ; اختلالات جنگل

1. مقدمه

جنگل زدایی جهانی و از دست دادن تنوع زیستی به دلیل توسعه قابل توجه صنعتی و اقتصادی به یک نگرانی عمده تبدیل شده است [ 1 ، 2 ]. علاوه بر این، تغییرات پوشش زمین ناشی از بلایای انسانی و/یا طبیعی منجر به هزینه های قابل توجهی برای انقراض گونه ها می شود که به تغییرات آب و هوایی و از دست دادن تنوع زیستی کمک می کند [ 3 ، 4 ]. جنگل زدایی و تخریب جنگل ها نتایج غالب تغییرات اقلیمی ناشی از فعالیت های انسانی و گسترش شهری است. از آنجایی که زیست توده جنگلی مقدار بی شماری کربن را در بر می گیرد، جنگل زدایی و تخریب جنگل به انتشار قابل توجه کربن ناشی از انسان در جو کمک می کند، که یکی از دلایل تغییر آب و هوا در قرن حاضر است [ 5 ].].
یکی از راه‌های رسیدگی به چنین مسائل زیست محیطی، انجام تحلیل‌های تشخیص تغییر با داده‌های سنجش از راه دور چند زمانی است. تجزیه و تحلیل تشخیص تغییر سری زمانی تصاویر ماهواره‌ای از پلتفرم‌های مختلف مانند رادار نوری، دیافراگم مصنوعی و حسگرهای LIDAR نتایج امیدوارکننده‌ای را در تشخیص تغییرات ناگهانی مانند جنگل‌زدایی نشان داد [ 6 ]. تفاوت تصویر، تبدیل کلاهک منگوله‌ای، آنالیز مؤلفه‌های اصلی، و سایر روش‌های رایج برای تجزیه و تحلیل تشخیص تغییر، ساختارها و الگوریتم‌های تحلیل ساده‌ای را ارائه می‌کنند. با این حال، آنها به تصاویری با شرایط اکتساب ایده‌آل مانند داشتن هندسه‌های اکتسابی مشابه، ویژگی‌های سنسور پایدار و حداقل تغییرات فصلی نیاز دارند [ 7 ]]. مهمتر از آن، دقت تشخیص تغییر به شدت به تعاریف آستانه ای که تغییر را توصیف می کند، وابسته است [ 8 ]. این محدودیت‌های روش‌های سنتی تشخیص تغییر، جامعه علمی را به انجام تحقیقات در تحلیل‌های سری زمانی با داده‌های متراکم سوق می‌دهد.
اخیراً، Breaks for Additive Seasonal and Trend (BFAST) با داده‌های فرکانس بالا، نمایش تغییرات را همراه با تشخیص زمان تغییرات و مهم‌تر از آن، بزرگی آن‌ها را فعال کرد [ 9 ]. این ویژگی ها BFAST را به روشی کارآمد برای تعیین ویژگی های ناگهانی تغییرات مانند جنگل زدایی و تخریب جنگل تبدیل می کند [ 10 ]. چالش اصلی با تجزیه و تحلیل سری های زمانی، تمایز تغییر پوشش زمین از سایر تغییرات گیاهی فنولوژیکی از طریق تشخیص تغییر است. در این مرحله، BFAST تغییرات را از طریق روند، اجزای فصلی و باقیمانده به طور مکرر تجزیه می کند و سعی می کند تغییرات فنولوژیکی را از تغییرات پوشش زمین جدا کند [ 11 ].
وربسلت و همکاران نشان داد که BFAST نتایج دقیق را در تغییرات تدریجی یا ناگهانی قابل توجه در یک دوره طولانی نشان می دهد و می تواند نویز یا شکست های مثبت کاذب را ریشه کن کند [ 12 ]. با این حال، شولتز و همکاران. تعداد زیادی از خطاهای مربوط به الگوریتم BFAST مانند توپوگرافی، اتمسفر، اثرات لبه، در دسترس بودن داده ها و واریانس را نشان داد [ 13 ]]. این عوامل بر خطاهای کمیسیون تأثیر می گذارد. با این حال، در دسترس بودن داده ها در طول دوره نظارت قابل توجه است، زیرا تعداد مشاهدات تأثیر برجسته ای بر دقت و خطاهای حذف دارد. BFASTMonitor به عنوان جایگزینی برای BFAST اصلی ساخته شده است که سعی نمی کند تغییرات فصلی و تغییرات روند را به طور جداگانه تشخیص دهد. این در یک استراتژی تقریباً زمان واقعی کار می کند، که در آن انحراف مشاهدات جدید از داده های تاریخی پایدار می تواند به عنوان یک تغییر شناسایی شود. این ساختار BFASTMonitor آن را نسبت به شکاف های داده انعطاف پذیرتر می کند، بنابراین مزیتی نسبت به ساختار اولیه BFAST فراهم می کند [ 14 ].

1.1. کارهای مرتبط

BFAST به طور گسترده در تشخیص اختلالات زیست محیطی زیستی و غیر زنده مانند خشکسالی، آتش سوزی و تغییرات پوشش گیاهی [ 15 ، 16 ] در کشاورزی [ 17 ] و مناظر جنگلی [ 18 ، 19 ، 20 ] استفاده شده است. بنابراین، به عنوان یک ابزار قابل اعتماد تایید شده است [ 21 ]. علاوه بر این، BFAST نتایج امیدوارکننده‌ای را در تشخیص تغییرات در انواع مختلف پوشش زمین، مانند جنگل‌های خشک استوایی [ 22 ، 23 ، 24 ]، تالاب‌ها [ 25 ]، ذخایر طبیعی حیات وحش [ 26 ]، شهرها [ 27 ]، پوشش گیاهی نشان داده است.12 ، 22 ]، کشاورزی [ 28 ]، ساوانا [ 29 ]، تشخیص آتش سوزی پوشش گیاهی [ 30 ] و انرژی رها شده [ 31 ]. چندین مطالعه توانایی الگوریتم BFAST و سری های زمانی Landsat را با استفاده از انواع شاخص های پوشش گیاهی طیفی در تشخیص تغییر و نظارت بر جنگل زدایی ثابت کردند [ 20 ، 23 ، 24 ، 32 ، 33 ]. جدای از کاربرد BFAST در تشخیص تغییر جنگل، Cai و همکاران. توانایی BFAST را برای اندازه گیری سیل رودخانه یانگ تسه نشان داد [ 34 ]. چه و همکاران نوسان اندازه دریاچه ها را در تبت ارزیابی کرد [ 35]. پاتر از سری زمانی MODIS 250 m Normalize Difference Vegetation Index (NDVI) به عنوان ورودی برای روش BFAST برای ارزیابی تغییرات پوشش گیاهی به طور خاص به دلیل آتش سوزی های جنگلی در پارک ملی یلوستون (ایالات متحده آمریکا) استفاده کرد [ 36 ]. این مطالعه به این نتیجه رسید که BFAST می تواند نقاط سوخته را نشان دهد و همچنین دامنه های رشد مجدد را در منطقه مورد مطالعه نشان دهد. اخیرا، وو و همکاران. سری‌های زمانی BFAST و Landsat NDVI را در منطقه دریاچه دانگتینگ غربی برای بررسی تبدیل جنگل‌ها به دیگر دسته‌های پوشش زمین، از دیگر دسته‌های پوشش زمین به جنگل‌ها و از جنگل به جنگل به دلیل سیل یا احیای جنگل پیاده‌سازی کرد. آنها نشان دادند که BFAST قادر به تشخیص تغییرات چند نوع جنگل با در دسترس بودن داده کم است [ 7 ]]. در یک مطالعه بسیار جاری، گائو و همکاران. روی قسمت سری زمانی بسته BFAST به تفصیل روی دو نوع جنگل مختلف با ویژگی‌های فصلی متمایز تمرکز کرد و نتیجه گرفت که دوره تاریخی و دامنه با تشخیص اختلال در مورد جنگل‌های خشک استوایی و جنگل‌های معتدل مرتبط است [ 23 ].
BFASTMonitor عمدتاً در زمینه جنگل‌زدایی و تخریب جنگل‌ها استفاده می‌شود، اما تحقیقات متعددی وجود دارد که این روش را در کاربردهای دیگر، مانند شناسایی مناطق سوخته در یک چشم‌انداز ساوانا [ 37 ] و تخمین تغییر تاج پوشش جنگل [ 38 ] اعمال کرده‌اند.]. بوئنو و همکاران از BFASTMonitor در هفت شاخص مختلف پوشش گیاهی، شاخص گیاهی تفاوت نرمال شده (NDVI)، شاخص گیاهی تقویت شده (EVI)، شاخص گیاهی تعدیل شده خاک (SAVI)، شاخص گیاهی اصلاح شده خاک (MSAVI)، نسبت سوختگی نرمال شده (NBR)، سوختگی عادی شده استفاده شده است. (NBR2)، و شاخص رطوبت تفاوت نرمال شده (NDMI)، و سه حوزه مجزا (جنگل آتلانتیک، ساوانا، و جنگل های نیمه خشک) در برزیل برای مقایسه نقشه های اختلال ارائه شده و تجزیه و تحلیل اینکه آیا همبستگی بین آنها وجود دارد یا خیر. آنها به این نتیجه رسیدند که داشتن تنوع در داده‌های ورودی منجر به تولید نقشه‌های آشفتگی غیر همبسته مکانی و نشان‌دهنده حساسیت سایت خاص می‌شود [ 32 ]. تجمیع BFASTMonitor و Google Earth Engine توسط Hamunyela و همکاران مورد بررسی قرار گرفت. [ 39]. آنها از یک سری زمانی از مجموعه داده Landsat NDMI برای ارزیابی اجرای GEE BFASTMonitor خود برای تشخیص اختلالات جنگل در سه منطقه جنگلی متمایز، از جمله جنگل گرمسیری مرطوب، جنگل گرمسیری خشک و جنگل miombo استفاده کردند و نتایج را با BFASTMonitor اصلی با برنامه‌نویسی R مقایسه کردند. زبان آنها مقادیر بالایی از توافقات مکانی و زمانی بین نتایج حاصل از اجرای BFASTMonitor اصلی و GEE BFASTMonitor برای اختلال جنگل را مشخص کردند.

1.2. مشارکت های کاغذی

مطالعات ارائه شده در بخش کارهای مرتبط این مقاله به استفاده موثر از روش های اصلی تشخیص تغییر BFAST و BFAST Monitor اشاره می کند، که در آن BFAST گزینه خوبی برای تشخیص تغییرات فصلی است اما به یک مجموعه داده تصویری پایدار و دوره ای نیاز دارد، در حالی که BFASTMonitor انعطاف پذیرتر است. از نظر شکاف داده و نویز اما در تغییرات دائمی کارآمدتر است.
با این حال، این مطالعات عمدتاً بر یک مقایسه مبتنی بر VI با روش‌های دیگر متمرکز شده‌اند یا از چندین VI برای گستره‌های جغرافیایی-اقلیمی محدود استفاده می‌کنند. هدف این مطالعه ارزیابی جامع و مقایسه ای عملکردهای مختلف Vis در تخریب جنگل با رویکرد BFASTMonitor است. از طریق ارزیابی، این مطالعه همچنین اثرات بالقوه انواع مختلف جنگل و مقیاس های جنگل زدایی را برای پر کردن این شکاف در نظر می گیرد.
علاوه بر این، تا جایی که ما می دانیم، مطالعه خاصی در رابطه با بررسی عملکرد تجزیه و تحلیل مبتنی بر BFASTMonitor بر روی تخریب جنگل در ترکیه وجود ندارد، که ویژگی اقلیمی متغیری را نشان می دهد که می تواند به عنوان گونه ای از خشکی نیمه قاره ای توضیح داده شود. ساختار مدیترانه ای
نورافکن های این پژوهش بر اساس سه سوال اصلی ساخته شده است:
  • آیا BFASTMonitor نتایج دقیقی در تشخیص اختلالات در جنگل های مخروطی و برگریز در منطقه مرمره ترکیه ایجاد می کند؟
  • آیا BFASTMonitor نتایج دقیقی در جنگل زدایی در مقیاس بزرگ و کوچک ایجاد می کند؟
  • از بین VIهای حساس به آب و حساس به کلروفیل، کدام یک از آنها که در این مطالعه انتخاب شدند نتایج بسیار دقیقی را نشان دادند؟

2. منطقه مطالعه و داده ها

2.1. منطقه مطالعه

انواع جنگل‌های موجود در این مطالعه، جنگل‌های برگ‌ریز یوکسین-کلخی هستند که به‌عنوان منطقه بوم‌گردی جنگل‌های پهن‌برگ معتدل و جنگل‌های مختلط طبقه‌بندی می‌شوند. و جنگل های مخروطی و برگریز آناتولی ( شکل 1 ). هر دو منطقه در منطقه مرمره ترکیه قرار دارند. مشخصات توپوگرافی و اقلیم شناسی هر دو منطقه در جدول 1 آورده شده است.

2.1.1. جنگل های برگریز یوکسین-کلخی

این بوم منطقه در ناحیه جنوب دریای سیاه واقع شده است که از منطقه کوتاه در جنوب شرقی بلغارستان تا بخش های شمالی ترکیه و شرق گرجستان امتداد دارد. بخش خاصی از این جنگل از شمال ترکیه (سایت A) که شامل جنگل زدایی در مقیاس بزرگ توسط انسان به دلیل ساخت فرودگاه جدید در استانبول است برای این مطالعه انتخاب شد [ 40 ]. بر اساس برنامه مدیریت جنگل در سال 2012، پوشش جنگلی استانبول در حدود 250000 هکتار است که 84 درصد آن صرفاً برگریز و 16 درصد باقیمانده از نوع مخروطی و مختلط است.
2.1.2. جنگل های مخروطی و برگریز آناتولی
این جنگل ها در قسمت جنوبی منطقه دریای مرمره و نواحی غربی ترکیه قرار دارند که توسط دریای اژه، دریای مرمره و تنگه چاناک کاله احاطه شده است. محل مطالعه انتخاب شده متعلق به استان چاناکاله (سایت B) است. این منطقه از اختلالات در مقیاس کوچک در جنگل به دلیل فعالیت های معدنی رنج می برد [ 41 ]. این جنگل ها 54 درصد از کل استان را پوشش می دهند و عمدتاً از صنوبر ترکی (غالب)، کاج مشعل، کاج قرمز و تکه های جنگلی کوچک ارس و توس به ویژه در ارتفاعات تشکیل شده است. این منطقه به عنوان نماینده جنگل های سوزنی برگ انتخاب شده است.

2.2. داده های لندست

در این مطالعه از تصاویر ماهواره‌ای Landsat 8 OLI، مجموعه 1 سطح 2 به عنوان ورودی استفاده شد. تصویر سطح 2 پردازش شده Landsat 8 OLI حاوی محصولات بازتابی سطحی است که از نظر هندسی و رادیومتری تصحیح شده و توسط یک فاکتور 10000 مقیاس کوانتیزه شده است. تصاویر ماهواره ای ماموریت لندست 8 که در فوریه 2013 به فضا پرتاب شد دارای وضوح مکانی 30 متر با وضوح زمانی 16 روزه است. در لندست 8، حسگر به تصویرگر زمین عملیاتی (OLI) و حسگر حرارتی فروسرخ (TIRS) به روز شد که با هم شامل یازده باند طیفی و دقت رادیومتری بهبود یافته بودند [ 42 ].]. در چارچوب این مطالعه، تمام داده‌های موجود Landsat 8 (OLI) از دو منطقه مورد مطالعه (مسیر/ردیف، 180/031 و 181/032)، که پوشش ابری کمتر از 10٪ بین دوره فوریه 2013-2013 داشتند. دسامبر 2020 به دست آمد. به طور کلی، 108 تصویری که معیارها را برآورده می کردند برای این مطالعه استفاده شد.

3. روش شناسی

روش استفاده شده با پیش پردازش تصاویر ماهواره ای Landsat 8 OLI از طریق پوشش ابر و محاسبه VI آغاز می شود، سپس ماسک های جنگلی را برای سایت های مورد مطالعه تولید می کند، مراحل BFASTMonitor را اعمال می کند و در نهایت، ارزیابی دقت را انجام می دهد. فلوچارت دقیق روش کاربردی در شکل 2 ارائه شده است .

3.1. تعریف جنگل و مقیاس جنگل زدایی

چندین مطالعه جنگل را به عنوان منطقه ای با بیش از 30 درصد تاج پوشش و با اندازه لکه بیشتر از 0.5 هکتار تعریف کرده اند [ 13 ].]. با این حال، هیچ تعریف خاصی از جنگل زدایی در مقیاس کوچک و بزرگ وجود ندارد. در کالاماندین و همکاران. مطالعه، بحث بر روی برنامه PRODES (Monitoramento do Desmatamento na Amazônia Legal por Satélite) انجام شد که در آن جنگل‌زدایی در آمازون برزیل از سال 1988 با تصاویر Landsat بررسی شد. نویسندگان بیان کردند که حداقل واحد نقشه برداری 6.25 هکتار برای جنگل زدایی در مقیاس کوچک در داده های PRODES در نظر گرفته شده است. بنابراین، اغتشاشات در مقیاس کوچک ناشی از فعالیت‌های معدنی یا کشاورزی در صورتی که در طول سال‌ها انباشته یا گسترش نیابند، ایجاد نمی‌کند. مطالعه آنها همچنین نشان داد که لکه های کوچک جنگلی (کوچکتر از 1 هکتار) در گویان فرانسه و سورینام در یک سال بیش از 300 درصد افزایش یافته است. آنها در مطالعه خود لکه های جنگل زدایی بزرگتر از 50 هکتار را به عنوان جنگل زدایی در مقیاس بزرگ تعریف کردند.43 ]. با توجه به این ملاحظات اندازه و پتانسیل تصاویر لندست، هر گونه جنگل زدایی که توسط الگوریتم “BFASTMonitor” بیشتر یا مساوی با حداقل واحد نقشه برداری لندست، که 0.09 هکتار یا 1 پیکسل است، نقشه برداری شده است، برای اعتبار سنجی تخمین نهایی در نظر گرفته شد. تغییرات پوشش جنگلی در این مطالعه استفاده از این رویکرد ارزیابی تغییرات حتی بسیار کوچک در پوشش جنگلی را به دلیل گسترش کشاورزی و قطع درختان تضمین می کند.

3.2. شاخص های پوشش گیاهی طیفی

این مطالعه عملکرد دو VIs حساس به کلروفیل و دو VIS متعلق به بخش‌های حساس به آب طیف الکترومغناطیسی (EMS) را در تشخیص جنگل‌زدایی ارزیابی می‌کند. در میان آنها، NDVI و EVI مربوط به پوشش گیاهی سالم هستند زیرا به بخش جذب کلروفیل از طیف الکترومغناطیسی تعلق دارند، که ارتباط زیادی با فتوسنتز و تعرق گیاه دارد [ 44 ]. در حالی که NDVI بیشتر به تغییرات باند قرمز پاسخ می دهد، EVI به NIR پاسخ می دهد. علاوه بر این، EVI تمایل به کاهش مسئله اشباع در NDVI نسبت به پوشش های متراکم تاج پوشش یا مقدار بالای شاخص سطح برگ دارد [ 45 ]]. NDMI بیشتر برای تعریف محتوای آب گیاهی، تنش آبی و تغییرات زیست توده گیاهی که با استفاده از NIR و SWIR محاسبه می‌شود، استفاده می‌شود. از این نظر به پوشش تاج پوشش و جذب رطوبت برگ حساس است. بنابراین، پتانسیل تشخیص جنگل زدایی را دارد. اخیراً NBR و نسخه دوم آن NBR2 به دلیل حساسیت در تشخیص آتش سوزی جنگل ها و شدت سوختگی در سری های زمانی لندست به طور گسترده مورد استفاده قرار گرفته اند. علاوه بر این، ثابت شده است که در زمینه توصیف پویایی جنگل، این شاخص های طیفی توانایی های قابل توجهی برای مناطق مختلف جنگلی دارند [ 46 ]. فرمول های VI به شرح زیر ارائه شده است:

NDVI = (NIR – قرمز)/(NIR + قرمز)،
EVI = G × ((NIR – قرمز)/(NIR + C 1 × قرمز – C 2 × آبی + L))،
NDMI = (NIR – SWIR 1 )/(NIR + SWIR 1 )،
NBR = (NIR – SWIR2)/(NIR + SWIR2)،

که در آن NIR-نزدیک مادون قرمز (باند 5 در لندست 8)، باند قرمز-قرمز (باند 4 در لندست 8)، باند آبی-آبی (باند 2 در لندست 8)، SWIR1- باند مادون قرمز موج کوتاه 1 (باند 6 اینچ) Landsat 8)، SWIR2 – باند مادون قرمز موج کوتاه 2 (باند 7 در Landsat 8)، G-ضریب افزایش برای اصلاح (2.5 برای Landsat 8)، C 1 و C2 – ضرایب مقاومت آئروسل عبارت آبی (6 و 7.5 برای لندست 8 به ترتیب).

قبل از محاسبه VI، فرآیند پوشاندن ابر با باند QA پیکسل با استفاده از تابع “processLandsatBatch” R انجام شد. سپس VIهای فوق با تابع “vi” که داخل ماژول “processLandsatBatch” BFAST است محاسبه شدند. الگوریتم فضایی

3.3. ماسک جنگل

هدف اصلی این تحقیق شناسایی اختلالات در پوشش جنگلی است. در این راستا، ماسک جنگل با استفاده از تصویر ماهواره‌ای Landsat از سال اول سری زمانی این مطالعه، 2013، بدون درج هرگونه ابر و/یا سایه ابر، همانطور که شولتز و همکارانش توضیح دادند، ایجاد شد. [ 13 ]. برای ایجاد ماسک جنگلی، در ابتدا از محصول لندست پوشش گیاهی پیوسته (VCF) که پوشش تاج پوشش بیش از 30 درصد و مساحت جنگل حداقل 0.5 هکتار را برای مناطق فراهم می کند، به عنوان نقشه پایه استفاده شد [ 47 ].]. با این حال، محصولات Landsat VCF در فواصل زمانی 5 ساله در دسترس هستند (به عنوان مثال، 2005، 2010، 2015). بنابراین، نقشه VCF سال 2010 باید برای سال 2013 به روز شود. در ابتدا، طبق نقشه VCF در سال 2010، تصاویر Landsat مربوط به سال 2013 با یک جنگل تصادفی نظارت شده (RF) به کلاس های جنگلی و غیر جنگلی طبقه بندی شدند. طبقه بندی کننده با استفاده از آستانه “پوشش سایبان بیشتر از 30٪”. سپس لکه‌های طبقه جنگلی که کمتر از 5/0 هکتار مساحت داشتند به‌عنوان بی‌کلاس در نظر گرفته شدند.

3.4. پیاده سازی BFASTMonitor

وربسلت و همکاران BFAST را که مخفف Breaks for Additive Seasonal Trends است به عنوان یک بسته آماری در زبان برنامه نویسی R توسعه داده است [ 9 ]. این بر اساس یک مدل تجزیه و تحلیل هارمونیک برای تشخیص تغییرات در سری های زمانی است. برای هر پیکسل در صحنه لندست، با بهترین مدل رگرسیون فصلی با یک جزء روند مطابقت دارد. هدف اصلی BFAST تعیین لحظه و مکان تغییرات در طول سری زمانی است. در این راستا، BFAST سری های زمانی را به سه جزء اصلی تجزیه می کند: هارمونیک، روند، و باقیمانده یا عبارت خطا. وربسلت و همکاران دامنه جدید BFAST را نشان داد که BFAST Monitor [ 12 ] است. روش جدید انعطاف پذیرتر و قوی تر است، به خصوص زمانی که داده ها نامنظم و کمیاب هستند [ 48 ]]. BFASTMonitor بر اساس مشاهدات داده های تاریخی عمل می کند که در آن مدل را تعریف می کند و یک دوره نظارت را پیش بینی می کند و مشاهدات جدید با خروجی این مدل مقایسه می شود. مقادیر بزرگی تغییر زمانی تعریف می شوند که انحراف شدید بین مقادیر مشاهده شده و مدل شده در طول دوره نظارت وجود داشته باشد. با توجه به مطالعات قبلی، مدل هارمونیک مرتبه اول با معادله (5) [ 49 ] به مشاهدات پیکسل های Landsat برازش می شود:

yتی= α + γ گناه (2 π تنf+ δ ) +εتیyتی=�+�گناه(2�تیf+�)+�تی

که در آن y t متغیر وابسته، t متغیر مستقل، f فرکانس زمانی، α نقطه قطع، γ و δ به ترتیب دامنه و فاز اجزا هستند و ε t اجزای نویز (باقیمانده) است. برای تشخیص انحرافات قابل توجه بین پیکسل ها در طول دوره پایش از دوره تاریخی، از مجموع متحرک باقیمانده حداقل مربع معمولی (OLS) (MOSUM) استفاده شد (معادله (6)). کسر مشاهده که توسط مقدار تاخیر (h) تعریف شده توسط کاربر در طول دوره تاریخی تعریف شده است، به شرح زیر است:

MOتی=1σˆn–√∑s = t − h + 1تی (yس–yˆس)MOتی=1�^n∑س=تی-ساعت+1تی (yس-y^س)

در جایی که به ترتیب y و ŷ مشاهدات واقعی و تخمینی هستند، n تعداد مشاهدات نمونه است، h کسری از تعداد مشاهداتی است که به عنوان پهنای باند MOSUM در طول دوره تاریخ (n) شناخته می شود [ 12 ]، و σˆ�^برآوردگر واریانس است [ 49 ، 50 ]. سیگنال نقطه شکست به عنوان انحراف از صفر تا فراتر از مرز اهمیت 95٪ تعریف می شود.

BFASTMonitor همچنین فرصتی را برای یادگیری میزان تغییر M در طول دوره نظارت فراهم می کند. این مدل هر پیکسل جدید در یک سری زمانی را به عنوان یک دوره تاریخی و یک دوره نظارت فرض می کند که با t i ε [t 1 , t N ] تعریف می شود. دوره پایش که زمان شروع در t n ، دوره تاریخی، به عنوان t 1 < t i < t n ، و دوره نظارت به عنوان باقیمانده زمان، که t n < t i < t N است، با محاسبه تعریف می شود. میانه باقیمانده ها:

M = میانه  {yتی–yˆتی}م=میانه {yتی-y^تی}

که در آن y t و ŷ t به ترتیب مشاهدات واقعی و تخمینی هستند [ 49 ].

پارامترهای حیاتی که می‌توانند توسط BFASTMonitor اصلاح شوند در زیر فهرست شده‌اند. اگرچه پارامترهای دیگری نیز وجود دارد، اما اینها مهمترین آنها هستند [ 49 ، 50 ]:
  • فرمول-فرمول مدل رگرسیون (مولفه هارمونیک و/یا روند)؛
  • نظم – ترتیب عبارت هارمونیک.
  • شروع – تاریخ شروع دوره نظارت؛
  • تاریخ – مشخص شدن دوره تاریخی پایدار.
  • h – پهنای باند نسبت به اندازه نمونه در فرآیند نظارت MOSUM، عددی بین 0-1.
تحقیقات قبلی نشان داد که استفاده از یک مدل هارمونیک مرتبه اول با مقدار h 0.25 دقیق ترین نتیجه را ارائه می دهد. h = 0.25 به این معنی است که یک پنجره 4 ساله از داده ها در محاسبه آمار “OLS-MOSUM” در نظر گرفته می شود. به عبارت دیگر، با این مقدار “h-value” تنها یک شکست هر 4 سال قابل تشخیص است [ 12 ، 49 ].
پس از اتمام فرآیند بر روی تمام پیکسل های تصاویر، خروجی BFASTMonitor به عنوان یک شی آجر شطرنجی با سه لایه مختلف تولید می شود: به ترتیب به نام های نقطه شکست، بزرگی و خطا. لایه نقطه شکست اساساً زمان وقفه هایی است که برای هر پیکسل شناسایی می شود، بزرگی میانه باقیمانده ها را در طول دوره نظارت مشخص می کند، و لایه خطا مقدار “1” را برای پیکسل ها در هنگام تشخیص خطا یا “NA” ارائه می دهد. زمانی که روش پیروز شد [ 50 ]. برای دستکاری بهتر لایه های خروجی، تابعی به نام “changeMonth” وجود دارد که برای جداسازی نقاط شکست بر اساس سال و ماه استفاده می شود. علاوه بر این، می‌توان نقشه‌ای ایجاد کرد که فقط بزرگی نقاط شکست را نشان دهد.

3.5. داده های مرجع و اعتبارسنجی

ارزیابی دقت BFASTMonitor برای تشخیص جنگل زدایی در هر دو منطقه مورد مطالعه بر اساس Congalton و Olofsson و همکاران انجام شد. (1991)، که روش آن به طور گسترده در مفهوم اعتبار سنجی نقشه در مطالعات علمی استفاده می شود [ 51 ]. ماتریس خطا برای مقایسه مقادیر نقشه مرتبط با بزرگی نقطه شکست از BFAST برای نشان دادن جنگل زدایی با اطلاعات حقیقت زمین ارائه شده از داده های مرجع استفاده شد. چندین معیار دقت را می توان محاسبه کرد، از جمله دقت تولید کننده (PA)، دقت کاربر (UA)، دقت کلی (OA)، و سوگیری از ماتریس خطا [ 52]. برای ارزیابی دقت، نقاط تصادفی طبقه بندی شده با توجه به بزرگی نقطه شکست شاخص های پوشش گیاهی برای هر منطقه مورد مطالعه تولید شد. برای این منظور 500 نقطه برای منطقه مورد مطالعه A و 700 نقطه برای منطقه B انتخاب شد که با توجه به مساحت کل جنگل هر منطقه یک نقطه در کیلومتر مربع تعریف شد.
در مرحله دوم، این داده‌های نقطه‌ای با توجه به اینکه آیا جنگل‌زدایی (D) یا پایدار (S) پوشش زمین/استفاده از زمین را نشان می‌دهند، برچسب‌گذاری شدند [ 49 ، 53 ، 54 ، 55]. این اطلاعات حقیقت زمینی با مقایسه تصویر سال 2013 و اواخر سال 2020 از طریق پلتفرم Google Earth از تصاویر چند زمانی و با وضوح بسیار بالا (VHR) استخراج شد. این پلت فرم تصاویر ماهواره ای با وضوح فضایی کمتر از 5 متر را برای هر دو سایت آزمایشی ارائه می دهد. در طول دوره نظارت، برخی از مناطق رشد مجدد با زیست توده کافی برای شناسایی از تصاویر VHR وجود داشت. این مناطق توسط BFASTMonitor به عنوان مناطق جنگل زدایی (D) انتخاب شدند. با این حال، این مناطق به عنوان نقاط پایدار (S) برای اهداف اعتبار سنجی جمع آوری می شوند.
به طور کلی، مقادیر بزرگی منفی با اختلالات مطابقت دارد. با این حال، شایان ذکر است که همه بزرگی های غیر منفی نشان دهنده اختلالات ناشی از رشد مجدد جنگل نیست [ 49 ]. بنابراین، تعریف آستانه ها بر این اساس برای کاهش مثبت کاذب ضروری است. در این مطالعه، آستانه برای بزرگی تغییر به عنوان <-0.05 انتخاب شد، که در آن احتمال اختلالات مثبت واقعی تقریبا 50٪ برای بزرگی های متوسط ​​تا منفی BFASTMonitor برای همه VI ها بود [ 11 ، 49 ، 54 ]. ارزیابی دقت برای همه VIs (NDVI، NDMI، NBR، و EVI) با توجه به این آستانه (میزان تغییر <-0.05) انجام شد.

4. نتایج

4.1. نقاط شکست و بزرگی

نقشه های توزیع نقاط شکست در طول 2015-2020 (زمان نظارت) برای هر سایت در شکل 3 و شکل 4 آورده شده است. در این نقشه ها، نقاط شکست با توجه به مقادیر بزرگی آنها با استفاده از یک طرح گرادیان رنگ قرمز > زرد > سبز برچسب گذاری می شوند. رنگ قرمز مربوط به بزرگی نقطه شکست خفیف تا شدید منفی است، در حالی که زرد و سبز مربوط به بزرگی نقطه شکست مثبت خفیف تا متوسط ​​است ( شکل 3 و شکل 4).). باید در نظر گرفت که در لایه بزرگی، به همه پیکسل ها بدون توجه به اینکه آیا نقطه شکستی شناسایی شده است، یک مقدار اختصاص داده می شود. مقادیر بزرگی زرد تا سبز نشان دهنده مقادیر مثبت شدید شکست ها هستند که افزایش ناگهانی مقادیر مناطق رویشی در نظر گرفته می شود.
با توجه به نقشه‌های بزرگی هر منطقه مورد مطالعه، مشاهده می‌شود که BFASTMonitor می‌تواند اختلالات را در جایی که تبدیل از جنگل به پوشش زمینی دیگر وجود دارد، تشخیص دهد. این گفتگوها مربوط به ساخت فرودگاه جدید استانبول در منطقه مطالعاتی A و پاکسازی جنگل ها به دلیل فعالیت های معدنی در منطقه مطالعه B است.
خلاصه تشخیص نقاط شکست برای هر دو منطقه در جدول 2 نشان داده شده است. بر اساس این خلاصه، جنگل زدایی/نقاط گسیختگی در منطقه مورد مطالعه A بیشتر از منطقه مورد مطالعه B است. تقریباً 557 کیلومتر مربع وجود دارد . شکست در منطقه مورد مطالعه A وجود دارد که به دلیل احداث یک جنگل، جنگل زدایی در مقیاس بزرگ در نظر گرفته می شود. فرودگاه جدید در آن منطقه شمال استانبول. در همین حال، در منطقه مورد مطالعه B، جنگل زدایی در مقیاس کوچک به دلیل فعالیت های معدنی و گسترش کشاورزی رخ داده است. شکل 5 و شکل 6نشان دهنده سری زمانی تشخیص اختلال جنگل برای همه شاخص های پوشش گیاهی در مناطق مورد مطالعه A و B است. خط قرمز یکدست نشان‌دهنده زمانی است که یک شکست توسط الگوریتم BFASTMonitor شناسایی شد که در 137 روز در سال 2015 در منطقه مورد مطالعه A و روز 101 در سال 2017 در سایت B بود.
با توجه به جدول 3 ، درصد آشفتگی جنگل شناسایی شده در جنگل های برگریز مخلوط (محل A) بین 13 تا 23 درصد برای VI های مختلف متفاوت است. برای جنگل سوزنی برگ (سایت B)، تنوع تشخیص بین 3٪ و 7.5٪ بود. مناطق جنگل زدایی شده برای هر دو سایت مطالعه به ترتیب در شکل 7 و شکل 8 نشان داده شده است.

4.2. ارزیابی دقت تغییرات شناسایی شده

در این مطالعه، معیارهای OA، UA و PA که با توجه به نقاط مرجع برچسب‌گذاری شده محاسبه شده‌اند، برای نشان دادن دقت روش BFASTMonitor در تشخیص تغییرات در انواع جنگل‌های برگریز و مخروطی استفاده شد. جدول 4) استفاده شد.). برای جنگل های برگریز مخلوط، جدای از جنگل زدایی گسترده به دلیل ساخت فرودگاه جدید در استانبول، OA از VIs از 79٪ برای EVI تا تقریبا 85٪ برای NDVI تحمل کرد. علاوه بر این، مناطق جنگلی مخروطی با مناطق کوچکتر اختلال، OA را در حدود 89٪ برای NDVI و حدود 88٪ برای دیگران نشان دادند. در ماتریس سردرگمی، نشان داده شده است که مقدار PA برای کلاس تشخیص جنگل‌زدایی در جنگل‌های برگ‌ریز بین VIs متفاوت است که برای EVI و NDVI حدود 62٪ بود، در حالی که NBR 63٪ PA را نشان داد. در همین حال، درصد PA در سایت جنگل های مخروطی مربوط به کلاس تشخیص جنگل زدایی 64٪ برای NDVI، 66٪ برای NBR، و تقریبا 60٪ برای EVI و NDMI بود.
علاوه بر این، متریک BIAS به عنوان تفاوت بین خطای کمیسیون (CE) و خطای حذف (OE) محاسبه می شود، که در آن CE به صورت 100-UA و OE ها به عنوان 100-PA محاسبه می شود. OE بالاتر نشان دهنده شکست در تشخیص وقوع جنگل زدایی است و به عنوان دست کم گرفتن تغییر در نظر گرفته می شود، که با BIAS منفی قابل مشاهده است. از سوی دیگر، CE بالاتر نشان دهنده تشخیص نادرست جنگل زدایی است و به عنوان تخمین بیش از حد تغییر در نظر گرفته می شود، که با BIAS مثبت قابل مشاهده است [ 56 ]. مقادیر OE، CE و BIAS محاسبه شده VIs برای هر منطقه مورد مطالعه در شکل 9 نشان داده شده است.. از این شکل مشخص است که BIAS با مقادیر منفی افزایش یافته است، به این معنی که خطاهای ناشی از دست کم گرفتن بیشتر از برآورد بیش از حد جنگل زدایی است.

5. بحث

به طور خلاصه، در این تجزیه و تحلیل آشفتگی جنگل مبتنی بر BFASTMonitor، همه VI ها می توانند مناطق جنگل زدایی در مقیاس کوچک و بزرگ را برای هر دو نوع جنگل با دقت کلی حدود 80٪ تا 90٪ تشخیص دهند. با این حال، یک خطای دست کم گرفتن مربوط به هر دو جنگل های برگریز و مخروطی وجود داشت که با کاهش PA و BIAS منفی در تمام ترکیبات سایت-VI مطالعه قابل مشاهده بود. مقادیر منفی BIAS می تواند به رشد مجدد پوشش گیاهی یا سطح جانشینی در جنگل مربوط باشد. همچنین شایان ذکر است که خطای کم برآوردی جنگل زدایی با لکه های بزرگ مانند سایت A کمتر از خطای کم برآوردی جنگل زدایی با تکه های کوچک مانند سایت B است که می توان آن را با ویژگی های جنگل زدایی دائمی در سایت A توضیح داد. ساخت فرودگاه علاوه بر این، دلیل تشخیص شکست مثبت کاذب را می توان با افزایش بارندگی سالانه در مناطق مورد مطالعه توضیح داد، که می تواند تأثیر آشکاری در افزایش جزئی بر VIهایی مانند NBR و NDMI داشته باشد. بنابراین، تعریف یک مقدار کارآمد برای آستانه ضروری است و ممکن است با داده های هواشناسی کمک شود.
در مطالعه شولتز و همکاران. [ 46 ]، NDMI ثابت کرد که PA را بهبود می بخشد و خطاهای دست کم گرفتن و تخمین بیش از حد را در مناطق تخریب شده متعادل می کند. با این حال، این مطالعه مقادیر PA پایین تری از NDMI ارائه کرد که مشابه سایر VI ها [ 46 ] است. همین مطالعه همچنین پیشنهاد کرد که ادغام VIها می‌تواند مشکل خطاهای تخمین و دست کم برآورد نامتعادل را که یک حوزه تحقیقاتی باز است، برطرف کند و مطالعات بیشتری برای ادامه این مطالعه برنامه‌ریزی شده است.
با توجه به مقایسه VIهای مختلف، مشخص شد که شاخص‌های پوشش گیاهی مربوط به بخش‌های جذب آب طیف الکترومغناطیسی، مانند NBR، نسبت به شاخص‌های پوشش گیاهی مرتبط با جذب کلروفیل، کمی حساس‌تر به تغییرات تاج پوشش جنگلی است. به عنوان EVI. تحقیقات قبلی عملکرد کمتر NDVI را در مقایسه با NDMI گزارش کردند [ 57 , 58 , 59]. با این حال، NDVI نتایج قابل اعتماد و مشابهی را در هر دو نوع جنگل در این مطالعه نشان داد. یکی از دلایل احتمالی این تفاوت ممکن است مربوط به تفاوت های اقلیمی بین مناطق مورد مطالعه باشد. بیشتر مطالعات قبلی بر روی اکوسیستم‌های گرمسیری و ساوانا متمرکز شده‌اند، جایی که میزان و تغییرات رطوبت گیاهی ممکن است عامل غالب در طول فصل باشد، در حالی که مکان‌های آزمایشی این مطالعه ویژگی‌های اقلیمی متفاوتی را نشان می‌دهند. شایان ذکر است که BFASTMonitor نه تنها قابلیت تشخیص جنگل زدایی در مقیاس کوچک را روشن می کند، بلکه نمونه ای در مقیاس بزرگ را نیز روشن می کند که در آن چندین کیلومتر مربع از پوشش گیاهی به دلیل ساخت فرودگاه پاکسازی شده است. در این مرحله، مهم است که بیان کنیم که این مطالعه از معیارهای دقت نقشه برداری استفاده کرده است. بدین ترتیب،
منابع متعددی از خطاهای مربوط به الگوریتم های مبتنی بر BFAST وجود دارد که توسط شولتز و همکاران بررسی شده است. [ 13]. در این مطالعه، منبع اصلی خطا، کمبود داده به دلیل سایه ابر و پوشش ابر بود. پوشش ابری به عنوان یک منبع خطای مهم در بررسی تحلیل سری های زمانی با الگوریتم های مبتنی بر BFAST شناخته می شود. این اثر در منطقه مورد مطالعه A معنی دارتر بود. تعداد کل پیکسل ها برای 48 تصویر از 2013 تا 2020 پس از پوشاندن جنگل، در ابتدا تقریباً 18،195،552 بود و 13،243،824 از آنها پس از پوشش ابری باقی ماندند، به این معنی که تقریباً 27٪ از پیکسل های ورودی به عنوان NA (ناکاربرد) پرچم گذاری شدند. با این وجود، به نظر می‌رسد که BFASTMonitor ساختار نامنظم سری‌های زمانی را به دلیل کمبود داده، همانطور که قبلاً توسط Awty-Carroll و همکارانش بیان شد، مدیریت می‌کند. [14 ].

6. نتیجه گیری

این مطالعه کارایی و دقت BFASTMonitor را در تشخیص اختلالات جنگل بر روی انواع جنگل‌های مخروطی و برگ‌ریز در دو سایت مطالعه که مقیاس‌های مختلف (در مقیاس کوچک و در مقیاس بزرگ) جنگل‌زدایی را نشان می‌دهند، ارزیابی کرد. در این مطالعه، ما دقت VIs را برای جنگل‌های مخروطی و برگ‌ریز ارزیابی کردیم، که نشان داد در بین VIهایی که به بخش حساس به کلروفیل طیف الکترومغناطیسی (EMS) تعلق دارند، NDVI از EVI در منطقه جنگل‌های برگ‌ریز دقیق‌تر است. برای منطقه جنگل های مخروطی، دقت کلی مشابه بود، اما دوباره، NDVI دقت تولید کننده بالاتری نسبت به EVI ارائه کرد. با توجه به VIs در بخش جذب آب EMS، NBR دقت تولید کننده بالاتری نسبت به NDMI برای هر دو منطقه ارائه کرد در حالی که دقت کلی مشابه برای هر دو شاخص به دست آمد. به طور کلی، BFASTMonitor نتایج کارآمدی را در توصیف جنگل زدایی و اختلالات جنگل در هر دو منطقه با جنگل زدایی در مقیاس کوچک و بزرگ، با دقت کلی کمی بالاتر در منطقه جنگل زدایی در مقیاس کوچک نشان داد. با این حال، همه VIs با مشکل دست کم گرفتن در تشخیص مناطق جنگل زدایی مواجه بودند که با دقت کمتر تولیدکنندگان و BIAS منفی مشاهده شد. مطالعات بیشتر برای پیاده سازی فیوز چندین VI در رویکرد BFASTMonitor با هدف متعادل کردن خطاهای تخمین بیش از حد و کم برآورد برنامه ریزی شده است. همه VIها در شناسایی مناطق جنگل‌زدایی که با دقت کمتر تولیدکنندگان و BIAS منفی مشاهده شده‌اند، با مشکل دست کم‌گرفتن مواجه شدند. مطالعات بیشتر برای پیاده سازی فیوز چندین VI در رویکرد BFASTMonitor با هدف متعادل کردن خطاهای تخمین بیش از حد و کم برآورد برنامه ریزی شده است. همه VIها در شناسایی مناطق جنگل‌زدایی که با دقت کمتر تولیدکنندگان و BIAS منفی مشاهده شده‌اند، با مشکل دست کم‌گرفتن مواجه شدند. مطالعات بیشتر برای پیاده سازی فیوز چندین VI در رویکرد BFASTMonitor با هدف متعادل کردن خطاهای تخمین بیش از حد و کم برآورد برنامه ریزی شده است.

منابع

  1. مک کینی، ام ال. Lockwood، JL Biotic همگن سازی: چند برنده جایگزین بسیاری از بازندگان در انقراض دسته جمعی بعدی. Trends Ecol. تکامل. 1999 ، 14 ، 450-453. [ Google Scholar ] [ CrossRef ]
  2. پورتیلو-کوینترو، سی. سانچز آزوفیفا، ا. کالو-آلوارادو، جی. کوسادا، م. do Espirito Santo, MM نقش جنگل‌های خشک استوایی برای تنوع زیستی، کربن و حفاظت از آب در نوتروپیک: درس‌های آموخته شده و فرصت‌هایی برای مدیریت پایدار آن. Reg. محیط زیست چانگ. 2015 ، 15 ، 1039-1049. [ Google Scholar ] [ CrossRef ]
  3. Gillespie، TW; فودی، جنرال موتورز; روچینی، دی. جورجی، AP; ساعتچی، س. اندازه‌گیری و مدل‌سازی تنوع زیستی از فضا. Prog. فیزیک Geogr. 2008 ، 32 ، 203-221. [ Google Scholar ] [ CrossRef ]
  4. کلاین گلدوییک، ک. بوسن، آ. ون درشت، جی. دی ووس، ام. پایگاه داده فضایی صریح HYDE 3.1 از تغییرات کاربری زمین در سراسر جهان که توسط انسان در 12000 سال گذشته انجام شده است. گلوب. Ecol. Biogeogr. 2011 ، 20 ، 73-86. [ Google Scholar ] [ CrossRef ]
  5. ون در ورف، جی. مورتون، دی. دفریس، آر. اولیویر، جی جی جی. Kasibhatla، PS; جکسون، RB; کولاتز، جی جی; راندرسون، JT CO 2 انتشار از از دست دادن جنگل. نات. Geosci. 2009 ، 2 ، 737-738. [ Google Scholar ] [ CrossRef ]
  6. لو، دی. ماوزل، پ. بروندزیو، ای. موران، ای. تکنیک های تشخیص تغییر. بین المللی J. Remote Sens. 2004 , 25 , 2365-2401. [ Google Scholar ] [ CrossRef ]
  7. وو، ال. لی، ز. لیو، ایکس. زو، ال. تانگ، ی. ژانگ، بی. خو، بی. لیو، ام. منگ، ی. Liu، B. تشخیص تغییر جنگل چند نوع با استفاده از BFAST و سری زمانی ماهانه Landsat برای پایش دینامیک مکانی و زمانی جنگل‌ها در تالاب نیمه گرمسیری. Remote Sens. 2020 , 12 , 341. [ Google Scholar ] [ CrossRef ]
  8. ژانگ، ال. Wu, C. پیشرفت و توسعه آینده تشخیص تغییر برای تصاویر سنجش از راه دور چند زمانی. Acta Geod. کارتوگر. گناه 2017 ، 46 ، 1447-1459. [ Google Scholar ] [ CrossRef ]
  9. وربسلت، ج. هیندمن، آر. نیونهام، جی. Culvenor، D. تشخیص روند و تغییرات فصلی در سری های زمانی تصاویر ماهواره ای. سنسور از راه دور محیط. 2010 ، 114 ، 106-115. [ Google Scholar ] [ CrossRef ]
  10. Boriah, S. تشخیص تغییر سری زمانی: الگوریتم‌هایی برای تغییر پوشش زمین. Ph.D. پایان نامه، دانشگاه مینه سوتا، مینیاپولیس، MN، ایالات متحده آمریکا، 2010; 160p [ Google Scholar ]
  11. دیوریز، بی. دکویپر، م. وربسلت، ج. زیلیس، ع. هرولد، ام. جوزف، اس. ردیابی دینامیک اختلال-رشد مجدد در جنگل‌های استوایی با استفاده از تشخیص تغییرات ساختاری و سری‌های زمانی Landsat. سنسور از راه دور محیط. 2015 ، 169 ، 320-334. [ Google Scholar ] [ CrossRef ]
  12. وربسلت، ج. زیلیس، ع. هرولد، ام. تشخیص اغتشاش در زمان واقعی با استفاده از سری های زمانی تصویر ماهواره ای. سنسور از راه دور محیط. 2012 ، 123 ، 98-108. [ Google Scholar ] [ CrossRef ]
  13. شولتز، ام. وربسلت، ج. هرولد، ام. Avitabile، V. ارزیابی منابع خطا برای تجزیه و تحلیل سری های زمانی Landsat برای سایت های تست گرمسیری در ویتنام و اتیوپی. در منابع زمین و کاربردهای سنجش از دور محیطی/GIS IV ; SPIE: Bellingham, WA, USA, 2013; صص 121-131. [ Google Scholar ] [ CrossRef ]
  14. اوتی کارول، ک. بانتینگ، پ. هاردی، ا. بل، جی. ارزیابی و مقایسه چهار روش تشخیص تغییر سری های زمانی متراکم با استفاده از داده های شبیه سازی شده. Remote Sens. 2019 , 11 , 2779. [ Google Scholar ] [ CrossRef ]
  15. وربسلت، ج. هیندمن، آر. زیلیس، ع. Culvenor، D. تشخیص تغییرات فنولوژیکی در حالی که روندهای ناگهانی و تدریجی در سری های زمانی تصاویر ماهواره ای را محاسبه می کند. سنسور از راه دور محیط. 2010 ، 114 ، 2970-2980. [ Google Scholar ] [ CrossRef ]
  16. وات، LM؛ Laffan، SW اثربخشی الگوریتم BFAST برای تشخیص الگوهای پاسخ گیاهی در یک منطقه نیمه خشک. سنسور از راه دور محیط. 2014 ، 154 ، 234-245. [ Google Scholar ] [ CrossRef ]
  17. آتزبرگر، سی. پیشرفت‌ها در سنجش از دور کشاورزی: ​​شرح زمینه، سیستم‌های نظارت عملیاتی موجود و نیازهای اطلاعاتی عمده. Remote Sens. 2013 , 5 , 949–981. [ Google Scholar ] [ CrossRef ]
  18. لامبرت، جی. درنو، سی. Denux، JP؛ بالنت، جی. Cheret، V. نظارت بر کاهش جنگل از طریق تجزیه و تحلیل سری های زمانی سنجش از دور. گیسی. Remote Sens. 2013 , 50 , 437-457. [ Google Scholar ] [ CrossRef ]
  19. لامبرت، جی. Denux، JP؛ وربسلت، ج. بالنت، جی. Cheret، V. تشخیص بریدگی های واضح و کاهش سرزندگی جنگل با استفاده از سری زمانی MODIS NDVI. Remote Sens. 2015 ، 7 ، 3588–3612. [ Google Scholar ] [ CrossRef ]
  20. اشمیت، ام. لوکاس، آر. بانتینگ، پ. وربسلت، ج. Armston, J. تصاویر سری زمانی با وضوح چندگانه برای نظارت بر اختلال در جنگل و رشد مجدد در کوئینزلند، استرالیا. سنسور از راه دور محیط. 2015 ، 158 ، 156-168. [ Google Scholar ] [ CrossRef ]
  21. Chandra، P. ارزیابی عملکرد شاخص‌های پوشش گیاهی با استفاده از داده‌های سنجش از دور. بین المللی جی. ژئومات. Geosci. 2011 ، 2 ، 231-240. [ Google Scholar ]
  22. Dutrieux، LP; وربسلت، ج. کویسترا، ال. هرولد، ام. نظارت بر تلفات پوشش جنگلی با استفاده از جریان های داده های متعدد، مطالعه موردی یک جنگل خشک استوایی در بولیوی. ISPRS J. Photogramm. 2015 ، 107 ، 112-125. [ Google Scholar ] [ CrossRef ]
  23. گائو، ی. سولورزانو، JV; کوودو، آ. Loya-Carrillo، JO چگونه روند سریع و اجزای مدل فصلی بر تشخیص اختلال در جنگل‌های خشک استوایی و جنگل‌های معتدل تأثیر می‌گذارند. Remote Sens. 2021 , 13 , 2033. [ Google Scholar ] [ CrossRef ]
  24. اسمیت، وی. پورتیلو-کوینترو، سی. سانچز آزوفیفا، ا. Hernandez-Stefanoni، JL ارزیابی دقت شکست های شناسایی شده در سری های زمانی Landsat به عنوان پیش بینی کننده جنگل زدایی در مقیاس کوچک در جنگل های خشک استوایی مکزیک و کاستاریکا. سنسور از راه دور محیط. 2019 ، 221 ، 707–721. [ Google Scholar ] [ CrossRef ]
  25. چن، ال. میچیشیتا، آر. Xu، B. تغییرات ناگهانی فضایی و زمانی زمین و آب و عوامل بالقوه آنها در دریاچه پویانگ، 2000-2012. ISPRS J. Photogramm. 2014 ، 98 ، 85-93. [ Google Scholar ] [ CrossRef ]
  26. پلات، RV; Ogra، MV; بادولا، ر. Hussain، SA اسکان مجدد ناشی از حفاظت به عنوان محرک تغییر پوشش زمین در هند: یک تحلیل روند مبتنی بر شی. Appl. Geogr. 2016 ، 69 ، 75-86. [ Google Scholar ] [ CrossRef ]
  27. تسوتسومیدا، ن. سایزن، آی. ماتسوکا، ام. ایشی، آر. تشخیص تغییر پوشش زمین در اولان‌باتور با استفاده از شکست برای روش فصلی و روند افزایشی. زمین. 2013 ، 2 ، 534-549. [ Google Scholar ] [ CrossRef ]
  28. ساکسنا، ر. واتسون، LT; Wynne، RH; بروکس، EB; توماس، VA; ژیچیانگ، ی. کندی، RE به سوی یک چندالگوریتم برای تشخیص تغییر کاربری زمین. ISPRS J. Photogramm. 2018 ، 144 ، 217-234. [ Google Scholar ] [ CrossRef ]
  29. دتش، اف. اوت، آی. اپلهانس، تی. کنف، A.; Nauss، T. پویایی پوشش گیاهی فصلی و بلندمدت از سری زمانی NDVI مبتنی بر GIMMS به طول ۱ کیلومتر در کوه کلیمانجارو، تانزانیا. سنسور از راه دور محیط. 2016 ، 178 ، 70-83. [ Google Scholar ] [ CrossRef ]
  30. هالی، جی. وراربکه، اس. هوک، S. تکنیک‌های تشخیص تغییر پوشش زمین مبتنی بر حرارت با استفاده از یک محصول جدید انتشار چندطیفی MODIS پویا (MOD21). سنسور از راه دور محیط. 2014 ، 140 ، 755-765. [ Google Scholar ] [ CrossRef ]
  31. والر، EK; ویارئال، ام ال. پوتراس، سل؛ Nauman، TW; تجزیه و تحلیل سری زمانی Duniway، MC Landsat تغییرات پوشش گیاهی کسری در سایت‌های توسعه انرژی متروکه. بین المللی J. Appl. زمین Obs. 2018 ، 73 ، 407-419. [ Google Scholar ] [ CrossRef ]
  32. بوئنو، فناوری اطلاعات؛ مک درمید، جی. سیلویرا، EMO; هیرد، JN; دومینگوس، BI؛ Acerbi Júnior، FW توافق فضایی بین نقشه‌های اختلال پوشش گیاهی در حوزه‌های گرمسیری با استفاده از سری زمانی Landsat. Remote Sens. 2020 , 12 , 2948. [ Google Scholar ] [ CrossRef ]
  33. لو، ام. پبسما، ای. سانچز، آ. Verbesselt، J. تشخیص تغییرات مکانی-زمانی از آرایه‌های چند بعدی: تشخیص جنگل‌زدایی از سری‌های زمانی MODIS. ISPRS J. Photogramm. 2016 ، 117 ، 227-236. [ Google Scholar ] [ CrossRef ]
  34. کای، ایکس. فنگ، ال. هو، ایکس. چن، X. سنجش از دور دینامیک ذخیره آب دریاچه ها و مخازن بزرگ در حوضه رودخانه یانگ تسه از سال 2000 تا 2014. علم. Rep. 2016 , 6 , 36405. [ Google Scholar ] [ CrossRef ]
  35. چه، ایکس. فنگ، ام. یانگ، ی. شیائو، تی. هوانگ، اس. شیانگ، ی. چن، زی. ترسیم پویایی وسعت دریاچه‌های کوچک با استفاده از کاهش مقیاس بازتاب سطحی MODIS. Remote Sens. 2017 , 9 , 82. [ Google Scholar ] [ CrossRef ]
  36. پاتر، سی. تغییرات در پوشش گیاهی پارک ملی یلوستون برآورد شده از روند سبزی MODIS، 2000 تا 2018. Remote Sens. Earth Syst. علمی 2019 ، 2 ، 147–160. [ Google Scholar ] [ CrossRef ]
  37. لیو، اچ. ژانگ، ی. Zhang، X. نظارت بر پوشش گیاهی در تونگرن از سال 2000 تا 2016 بر اساس landsat7 etm+ و landsat8. یک آکادمی سوتین. Cienc. 2018 ، 90 ، 2721-2730. [ Google Scholar ] [ CrossRef ]
  38. رومرو سانچز، ME; Ponce-Hernandez، R. ارزیابی و نظارت بر تخریب جنگل در جنگل های استوایی برگریز در مکزیک از طریق شاخص های سنجش از دور. Forests 2017 , 8 , 302. [ Google Scholar ] [ CrossRef ]
  39. هامونیلا، ای. روسکا، اس. میرت، ا. انگل، ای. هرولد، ام. گیسکه، اف. Verbesselt, J. پیاده‌سازی الگوریتم BFASTmonitor در موتور Google Earth برای پشتیبانی از نظارت بر تغییرات بزرگ و زیر سالانه با استفاده از داده‌های رصد زمین. Remote Sens. 2020 , 12 , 2953. [ Google Scholar ] [ CrossRef ]
  40. الگانچی، U. نقشه‌برداری پویای پوشش زمین شهرهای شهری با تصاویر چند زمانی لندست 8: ارزیابی مقایسه‌ای الگوریتم‌های طبقه‌بندی و روش‌های کاهش ابعاد. ISPRS Int. Geo-Inf. 2019 ، 8 ، 139. [ Google Scholar ] [ CrossRef ]
  41. چولاک، ق. Rotherham، ID; Ian, D. مروری بر پوشش گیاهی جنگلی ترکیه: وضعیت آن در گذشته و حال و حفاظت از آن در آینده. Biol. محیط زیست Proc. آر ایرلندی آکادمی. 2011 ، 106 ، 343-354. [ Google Scholar ] [ CrossRef ]
  42. سازمان زمین شناسی آمریکا کتابچه راهنمای کاربران داده لندست 7 (L7). 7 نوامبر 2019; پ. 151. در دسترس آنلاین: https://www.usgs.gov/media/files/landsat-7-data-users-handbook (در 5 اوت 2022 قابل دسترسی است).
  43. کلامندین، م. گلور، ای. میچارد، ای. کوینسی، دی. زیو، جی. اسپراکلن، دی. اسپراکلن، بی. آدمی، م. Aragaõ، LEOC؛ گالبریت، دی. ظهور فراگیر جنگل زدایی در مقیاس کوچک در آمازون. علمی Rep. 2018 , 8 , 1-10. [ Google Scholar ] [ CrossRef ]
  44. Huete، A. شاخص های گیاهی. در دایره المعارف سنجش از دور. مجموعه دایره المعارف علوم زمین ; Njoku، EG، Ed. Springer: نیویورک، نیویورک، ایالات متحده آمریکا، 2014. [ Google Scholar ] [ CrossRef ]
  45. هوانگ، سی. گووارد، SN; ماسک، جی جی. گائو، اف. Vermote، EF; توماس، ن. Schleeweis، K. کندی، RE; زو، ز. Eidenshink, JC; و همکاران توسعه مجموعه‌های سری زمانی تصاویر Landsat برای بازسازی تاریخچه اختلالات جنگل. بین المللی جی دیجیت. زمین 2009 ، 2 ، 195-218. [ Google Scholar ] [ CrossRef ]
  46. شولتز، ام. باهوش، JGPW; کارتر، اس. وربسلت، ج. آویتابیل، وی. کوانگ، HV; هرولد، ام. عملکرد شاخص‌های پوشش گیاهی سری زمانی لندست در پایش جنگل‌زدایی. بین المللی J. Appl. زمین Obs. 2016 ، 52 ، 318-327. [ Google Scholar ] [ CrossRef ]
  47. سکستون، جو. آهنگ، XP; فنگ، ام. نوجی پدی، پ. آناند، ا. هوانگ، سی. کیم، دی اچ. کالینز، KM; چانان، اس. دی میسلی، سی. و همکاران زمین‌های پیوسته پوشش درختی با وضوح 30 متری: مقیاس‌گذاری مجدد زمین‌های پیوسته پوشش گیاهی MODIS مبتنی بر Landsat با تخمین‌های خطا مبتنی بر لیدار. بین المللی جی دیجیت. زمین 2013 ، 6 ، 427-448. [ Google Scholar ] [ CrossRef ]
  48. 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 ]
  49. DeVries، B. نظارت بر دینامیک جنگل های استوایی با استفاده از سری زمانی Landsat و داده های مبتنی بر جامعه. Ph.D. پایان نامه، دانشگاه واگنینگن، واگنینگن، هلند، 2015; 170p. [ Google Scholar ] [ CrossRef ]
  50. زیلیس، ع. لیش، اف. کلیبر، سی. هورنیک، ک. نظارت بر تغییرات ساختاری در مدل‌های اقتصادسنجی پویا. J. Appl. اقتصاد. 2005 ، 20 ، 99-121. [ Google Scholar ] [ CrossRef ]
  51. Congalton، RG مروری بر ارزیابی دقت طبقه‌بندی داده‌های سنجش از دور. سنسور از راه دور محیط. 1991 ، 37 ، 35-46. [ Google Scholar ] [ CrossRef ]
  52. اولوفسون، پی. فودی، جنرال موتورز; هرولد، ام. Stehman، SV; Woodcock، CE; Wulder، MA شیوه های خوب برای تخمین مساحت و ارزیابی دقت تغییر زمین. سنسور از راه دور محیط. 2014 ، 148 ، 42-57. [ Google Scholar ] [ CrossRef ]
  53. گروگان، ک. Pflugmacher، D.; هاسترت، پ. وربسلت، ج. Fensholt، R. نقشه برداری فاصله در جنگل های خشک استوایی با استفاده از نقاط شکست، روند، و اجزای فصلی از سری های زمانی مدیس: آیا نوع جنگل مهم است؟ Remote Sens. 2016 , 8 , 657. [ Google Scholar ] [ CrossRef ]
  54. موریلو-ساندووال، پی جی. ون دن هوک، جی. هیلکر، تی. استفاده از مجموعه داده‌های سری زمانی چند حسگر برای نقشه‌برداری از اختلالات کوتاه‌مدت و بلندمدت جنگل‌های استوایی در آند کلمبیا. Remote Sens. 2017 , 9 , 179. [ Google Scholar ] [ CrossRef ]
  55. شولتز، ام. وربسلت، ج. آویتابیل، وی. سوزا، سی. هرولد، ام. منابع خطا در تشخیص جنگل زدایی با استفاده از مانیتور BFAST در سری های زمانی Landsat در سه مکان گرمسیری. IEEE J.-STARS 2016 ، 9 ، 3667–3679. [ Google Scholar ] [ CrossRef ]
  56. هامونیلا، ای. وربسلت، ج. هرولد، ام. استفاده از زمینه فضایی برای بهبود تشخیص زودهنگام جنگل زدایی از سری زمانی لندست. سنسور از راه دور محیط. 2016 ، 172 ، 126-138. [ Google Scholar ] [ CrossRef ]
  57. ویلسون، EH; Sader, SA تشخیص نوع برداشت جنگلی با استفاده از چندین تاریخ از تصاویر Landsat TM. سنسور از راه دور محیط. 2002 ، 80 ، 385-396. [ Google Scholar ] [ CrossRef ]
  58. سیمز، دی. Gamon، JA برآورد محتوای آب گیاهی و سطح بافت فتوسنتزی از بازتاب طیفی: مقایسه شاخص‌های مبتنی بر ویژگی‌های جذب آب مایع و کلروفیل. سنسور از راه دور محیط. 2003 ، 84 ، 526-537. [ Google Scholar ] [ CrossRef ]
  59. وربسلت، ج. سامرز، بی. ون آرت، جی. Jonckheere، I. Coppin، P. نظارت بر زیست توده علفی و محتوای آب با سری زمانی SPOT VEGETATION برای بهبود ارزیابی خطر آتش سوزی در اکوسیستم های ساوانا. سنسور از راه دور محیط. 2006 ، 101 ، 399-414. [ Google Scholar ] [ CrossRef ]
Ijgi 11 00573 g001 550
شکل 1. محل دو منطقه مطالعاتی. ( الف ) جنگل های برگریز یوکسین-کلخی بر روی استانبول. ( ب ) جنگل‌های مخروطی و برگ‌ریز آناتولی بر روی استان چاناک‌قلعه.
Ijgi 11 00573 g002 550
شکل 2. نمودار روشی مطالعه.
Ijgi 11 00573 g003 550
شکل 3. مقادیر بزرگی برای تمام نقاط شکست شناسایی شده در منطقه مورد مطالعه A با توجه به آستانه 0.05-.
Ijgi 11 00573 g004 550
شکل 4. مقادیر بزرگی برای تمام نقاط شکست شناسایی شده در منطقه مطالعه B با توجه به آستانه 0.05-.
Ijgi 11 00573 g005 550
شکل 5. پروفایل های سری زمانی NDVI، NDMI، EVI و NBR با استفاده از تجزیه و تحلیل سطح پیکسل الگوریتم BFASTMonitor در منطقه مورد مطالعه A.
Ijgi 11 00573 g006 550
شکل 6. پروفایل های سری زمانی NDVI، NDMI، EVI و NBR با استفاده از تجزیه و تحلیل سطح پیکسل الگوریتم BFASTMonitor در منطقه مورد مطالعه B.
Ijgi 11 00573 g007 550
شکل 7. نشان دادن نقاط جنگل زدایی (D) و پایدار (S) در سایت A برای همه VIs.
Ijgi 11 00573 g008 550
شکل 8. نشان دادن نقاط جنگل زدایی (D) و پایدار (S) در سایت B برای همه VIs.
Ijgi 11 00573 g009 550
شکل 9. درصد BIAS، خطای حذف و خطای کمیسیون در سایت های A و B.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید