کلمات کلیدی:

سنجش از دور مدیریت پاکسازی زمین؛ وضوح فضایی بسیار بالا؛ سیاست پیشگیری برای محافظت از جنگل ها در برابر آتش

چکیده

هر ساله، منطقه مدیترانه فرانسه در معرض آتش سوزی در مناطق وحشی قرار می گیرد. سیاست پیشگیری نقش اصلی چیدمان جنگل را ارتقا می‌دهد، که برای آن لازم است تسهیلات مناسب مانند کاهش خطرات اشتعال و انتشار آتش در نزدیکی مرزهای جاده‌ها و مسیرها، ایجاد مسیرهای جنگلی برای امکان حرکت ایمن آتش‌نشانان در جنگل‌ها در طول یک دوره زمانی ایجاد شود. آتش سوزی، ایجاد شکاف سوخت به منظور تقسیم جنگل ها و محدود کردن انتشار آتش. پاکسازی زمین در امتداد مسیر جنگل شامل ایجاد ناپیوستگی بین لایه علفی و لایه درخت با حذف لایه درختچه ای و قطع تاج درختان است. از انتشار آتش توسط همرفت جلوگیری می کند و آتش نشانان را قادر می سازد تا با ایمنی با آتش مقابله کنند. مشکل اصلی برای افسران جنگل، شناسایی یک روش بهینه برای انتخاب مسیرهای مناسب برای پاکسازی، زیرا پاک کردن همه مسیرها در هر سال غیرممکن است. به نظر می رسد ابزار سنجش از راه دور برای به دست آوردن بهترین نمای استراتژیک و اقتصادی از مسیرهای جنگلی در مقیاس دپارتمان مفید باشد. این موضوع “روش ارزیابی پاکسازی زمین” به عنوان یک برنامه هدف برای تصاویر مشتق شده از حسگرهای جدید Pleiades انتخاب شد: محصولات و خدمات مورد نیاز کاربران نهایی. هدف از این کار ارزیابی پتانسیل واقعی چنین تصاویری با وضوح بسیار بالا (VHSR) برای مدیریت پاکسازی زمین است. روش مورد استفاده شامل طبقه بندی تصاویر و تحلیل فضایی به منظور استخراج کیفیت پاکسازی زمین و همچنین ارزیابی کیفیت پاکسازی زمین بر اساس پرسشنامه های میدانی است که از طریق تعامل با آتش نشانان و محیط بانان اعتبار سنجی شده است. توسعه این روش و کاربرد آن در تصاویر QuickBird – که به عنوان شبیه‌سازی داده‌های Pleiades استفاده می‌شود – با موفقیت نشان داد که تصاویر VHSR برای جلوگیری از خطر آتش‌سوزی مفید است. به نظر می رسد چشم انداز خوبی برای ارائه خدمات نقشه برداری عملیاتی برای کمک به مدیریت پاکسازی زمین باشد.

1. مقدمه

هر ساله، منطقه مدیترانه فرانسه در معرض آتش سوزی در مناطق وحشی قرار می گیرد. از سال 1973 تا 2011، میانگین سالانه آتش سوزی در این منطقه 2657 مورد و متوسط ​​سطح سالانه سوخته حدود 23000 هکتار بوده است (www.promethee.com). با این حال، ارزیابی‌های سالانه بسیار متغیر است: بیشتر آتش‌سوزی‌ها بسیار کوچک هستند، اما برای مثال در سال 2003، 14 آتش‌سوزی بزرگ‌تر از 1000 هکتار رخ داد.

دولت فرانسه یک سیاست پیشگیرانه برای محافظت از جنگل ها در برابر آتش ایجاد کرده است. این سیاست پیشگیری ملی، روش‌های فنی و نظارتی اجرا شده برای حفاظت از جان، کالاهای انسانی و محیط زیست را گرد هم می‌آورد [ 1 ]. موضوعات اصلی سیاست ملی پیشگیری عبارتند از: کاهش علت، بررسی و گشت جنگل، زیرساخت های پیشگیرانه، اطلاعات عمومی، مدیریت ریسک و نقشه برداری. زیرساخت های پیشگیرانه عمدتاً شامل ایجاد مسیرها و راه اندازی مخازن آب و برج های مراقبت در جنگل ها است.

برای آتش نشانان فرانسوی، استراتژی ملی مبتنی بر کنترل شکل گیری آتش در سطح اولیه است [ 2 ]. این امر نقش اصلی چیدمان جنگل را توضیح می دهد که برای آن ایجاد امکانات مناسب لازم است [ 3 ]. این به معنای کاهش خطرات اشتعال و انتشار آتش در نزدیکی مرزهای جاده ها و مسیرها، ایجاد مسیرهای جنگلی برای امکان حرکت ایمن در جنگل به آتش نشانان در هنگام آتش سوزی و ایجاد شکستن سوخت به منظور تقسیم جنگل ها و محدود کردن انتشار آتش است.

شکستن سوخت را می توان به عنوان «یک بلوک یا نوار پهن با موقعیت استراتژیک تعریف کرد که روی آن پوششی از پوشش گیاهی متراکم، سنگین یا قابل اشتعال به طور دائم به حجم کمتر یا کاهش یافته است.

“اشتعال پذیری” [4،5]. این امکانات باید برای وسایل نقلیه و آتش نشانان ایمن باشد. با چیدمان نامناسب زمین، آتش نشانان به دلیل درخشندگی آتش مجبور به انجام مانورهای دفاعی در برابر آتش می شوند. یک منطقه به خوبی پاکسازی شده به آتش نشانان اجازه می دهد تا با خیال راحت مداخله کنند و یک استراتژی تهاجمی اتخاذ کنند [6،7].

به عنوان مثال، آتش سوزی در زمین های وحشی با سرعت باد حدود 50 کیلومتر در ساعت، سوزاندن پوشش گیاهی به ارتفاع 8 متر، شار تابشی حدود 1 وات بر سانتی متر مربع در 22 متر ایجاد می کند. آستانه درد برای آتش نشانی که از تجهیزات حفاظتی استفاده می کند حدود 0.7 وات بر سانتی متر مربع است [8،9]. بنابراین در این مورد نزدیک شدن و مبارزه با آتش برای او غیر ممکن است.

پاکسازی زمین شامل کاهش پوشش گیاهی برای محدود کردن تداوم افقی و عمودی آن است. عملیات پاکسازی زمین، مانند ایجاد گلید، سوخت موجود برای آتش سوزی احتمالی را کاهش می دهد و انتشار آن را محدود می کند [10-12].

به طور دقیق تر، در امتداد یک مسیر جنگلی، پاکسازی زمین شامل ایجاد یک ناپیوستگی 2 متری [ 13 ] بین لایه علفی و لایه درخت (ارتفاع بیش از 3 متر) با حذف لایه درختچه ای و بریدن تاج درختان است. از انتشار آتش از طریق جابجایی از لایه علفی به لایه درخت جلوگیری می کند و آتش نشانان را قادر می سازد تا با ایمنی با آتش مقابله کنند. پاکسازی زمین باید در تمام مسیرهای جنگلی انجام شود، به طور کلی عرضی بین 10 تا 20 متر در هر طرف، بسته به سیاست پیشگیری محلی، جنبه های توپوگرافی و اهمیت استراتژیک موقعیت مسیر پاکسازی شود.

عملیات پاکسازی زمین تحت نظارت سازمان های عمومی است: اداره ملی جنگل های فرانسه برای جنگل های عمومی، و دفاتر منطقه ای برای شهرداری ها و برخی از جنگل های خصوصی. آنها به ویژه مسئول ایجاد مسیر، عملیات نگهداری و پاکسازی زمین هستند.

روش های مختلفی برای پاکسازی زمین وجود دارد: پاکسازی دستی، مکانیکی، شیمیایی یا حیوانی و آتش سوزی های تجویزی [14،15]. هر روشی که برای پاکسازی زمین استفاده شود، اثربخشی آن کوتاه مدت است (یعنی به طور متوسط ​​2 تا 3 سال) و هزینه ها بسیار زیاد است (www.ofme.org). مشکل اصلی برای افسران جنگل، شناسایی یک روش بهینه برای انتخاب مسیرهای مناسب برای پاکسازی هر سال است، زیرا پاکسازی همه مسیرها در هر سال غیرممکن است [ 16 ]. به عنوان مثال، در دپارتمان وار فرانسه، جایی که جنگل حدود 70 درصد از کل مساحت را پوشش می دهد، حدود 6000 کیلومتر مسیر جنگلی وجود دارد.

تمام روش‌های فضایی موجود که برای ارزیابی اولویت‌های پاکسازی زمین طراحی شده‌اند، ابتدا با هدف پاکسازی مناطقی که بیشتر در معرض خطر آتش‌سوزی قرار دارند، هستند [ 17 ]. این روش‌های فضایی پارامترهایی مانند جنبه‌های توپوگرافی (مثلاً تاج‌ها یا تالوز)، شیب، قرار گرفتن در معرض باد، و تراکم پوشش گیاهی را در نظر می‌گیرند. تا آنجا که ممکن است، همچنین لازم است بدانیم که قبلاً چه عملیات پاکسازی زمین در منطقه انجام شده است [ 15 ].

به نظر می رسد ابزار سنجش از دور برای به دست آوردن بهترین نمای استراتژیک و اقتصادی از مسیرهای جنگلی در مقیاس دپارتمان مفید باشد [18،19]. و به طور دقیق تر، موضوع خاص “روش ارزیابی پاکسازی زمین” توسط آژانس فضایی فرانسه (CNES) به عنوان یک برنامه هدف در هنگام مشخص کردن محصولات و خدمات ارائه شده توسط تصاویر حاصل از حسگرهای جدید Pleiades انتخاب شد: محصولات و خدمات مورد نیاز کاربران نهایی

1.1. برنامه همراهی ORFEO

در سال 2003، در فرانسه توسط CNES، برنامه همراهی ORFEO (رصد زمین فدرال اپتیکال و رادار) به منظور آماده سازی، همراهی و ترویج استفاده و بهره برداری از تصاویر به دست آمده از سنسورهای جدید Pleiades و Cosmo-Skymed راه اندازی شد. (https://smsc.cnes.fr/PLEIADES/A_prog_accomp.htm). چنین برنامه ای به دلیل موارد زیر مورد نیاز بود: قابلیت ها و عملکردهای جدید سیستم های ORFEO (رزولیشن نوری و راداری بالا، قابلیت دسترسی، کیفیت داده ها، امکان به دست آوردن همزمان داده های نوری و راداری)، نیاز ضمنی به پیشرفت های روش شناختی جدید: پردازش جدید. روش‌ها یا انطباق روش‌های موجود، نیاز به انجام آن پیشرفت‌های جدید در همکاری بسیار نزدیک با کاربران نهایی و ادغام محصولات جدید در سیستم‌های آنها.

برنامه همراهی شامل دو بخش است که بین آنها باید سطح بالایی از تعامل وجود داشته باشد: یک بخش روش شناختی که هدف آن تعریف و توسعه ابزارهایی برای بهره برداری عملیاتی از تصاویر اپتیکی و راداری زیرمتری آینده است (جعبه ابزار ORFEO).

یک بخش موضوعی که طیف وسیعی از کاربردها (مدنی و دفاعی) را پوشش می دهد و هدف آن تعیین و اعتبارسنجی محصولات و خدمات ارزش افزوده مورد نیاز کاربران نهایی است. این بخش شامل در نظر گرفتن نحوه ادغام محصولات در سیستم های عملیاتی یا خطوط پردازش است. همچنین شامل بررسی دقیق در مورد ساختارهای واسطه ای است که باید برای کمک به کاربران غیرمستقل ایجاد شوند.

این برنامه از داده های شبیه سازی شده (به دست آمده در طی کمپین های هوایی) و تصاویر ماهواره ای کاملاً شبیه به Pleiades (مانند QuickBird و Ikonos) استفاده می کند که به طور مشترک در مجموعه ای از سایت های خاص استفاده می شود. محصولات و خدماتی که باید مشخص شوند با استفاده از آن داده های شبیه سازی شده تایید می شوند.

پس از تکمیل، تصاویر به دست آمده از حسگرهای Pleiades-HR کاربران را قادر می‌سازد تا به سرعت به داده‌های رزولوشن فرومتری به‌روز شده روزانه برای هر نقطه روی زمین دسترسی داشته باشند [ 20 ]. برای دستیابی به این هدف، سیستم Pleiades از یک صورت فلکی از دو ماهواره نوری (حوزه مرئی و مادون قرمز نزدیک) در مداری همزمان با خورشید در 694 کیلومتری تشکیل شده است. دو ماهواره برای تضمین دسترسی و فرکانس بازدید مجدد مورد نیاز برای ارائه پاسخ عملیاتی به ماموریت های دفاعی و امنیت غیرنظامی ضروری هستند [ 21 ].

سیستم Pleiades با دو ماهواره چابک خود ارائه می دهد: دسترسی روزانه به هر نقطه از زمین، وضوح پانکروماتیک 0.7 متر در دید عمودی، چهار باند طیفی (آبی، سبز، قرمز و نزدیک به مادون قرمز) با وضوح 2.8 متر در مشاهده عمودی، میدان دید 20 کیلومتری، به دست آوردن موزاییک تصویری 120 × 120 کیلومتری در همان مدار، به دست آوردن زوج های استریوسکوپی تقریباً آنی (یا حتی سه قلو) 20 کیلومتر در 300 کیلومتر، کسب ابر تصاویر رایگان با پوشش 2,500,000 کیلومتر مربع در سال، محلی سازی بسیار دقیق تصاویر (کمتر از 1 متر با نقاط کنترل زمین) امکان استفاده بهینه از داده ها در سیستم های اطلاعات جغرافیایی (GIS).

کار ارائه شده در زیر، نمونه ای از تحقیق در مورد استفاده از سنجش از دور برای کاربردهای امنیت مدنی، نشان دهنده علاقه زیاد برنامه همراهی ORFEO با توجه به موضوع خاص آتش سوزی در مناطق وحشی است.

1.2. هدف از مطالعه

هدف این کار ارزیابی پتانسیل واقعی چنین تصاویری با وضوح بسیار بالا (VHSR) برای مدیریت پاکسازی زمین است: شناسایی سطح کیفی پاکسازی زمین در رابطه با جنبه های ایمنی آتش نشانی، و ارزیابی پاکسازی دیاکرونیک زمین. پارامترهای تکامل

به طور دقیق‌تر، این مقاله روشی مبتنی بر تصاویر VHSR را به منظور شناسایی رخساره‌های مختلف اکولوژیکی و ترکیبات آنها – آنچه در ادبیات به عنوان “انواع سوخت” تعریف می‌شود [22،23] – در جنگلی در مدیترانه فرانسه ارائه می‌کند. منطقه معیارهای صلاحیت را برای سطوح مختلف پاکسازی مربوط به جنبه های ایمنی آتش نشانی تعریف می کند و مکاتباتی بین رخساره های مختلف زیست محیطی ایجاد می کند و سطوح پاکسازی واجد شرایط تکامل در سطح پاکسازی را با استفاده از تحلیل دیاکرونیک ارزیابی می کنند.

1.3. منطقه مطالعه

منطقه مورد مطالعه در دپارتمان Var در جنوب شرقی فرانسه قرار دارد. این بخش تابع آب و هوای مدیترانه ای است که با تابستان های گرم و خشک و باد غالب شمالی مشخص می شود که باعث خشک شدن پوشش گیاهی و آسیب پذیری آن در برابر آتش سوزی در مناطق وحشی می شود. در طول تابستان 2003، یک آتش سوزی بزرگ 10 درصد از “Massif des Maures” را سوزاند [ 24 ].

به طور دقیق تر، منطقه مورد مطالعه در منطقه جنگلی به نام «Massif des Maures» است که 150000 هکتار را پوشش می دهد ( شکل 1 ). این توپوگرافی شیب دار است، در نزدیکی دریای مدیترانه قرار دارد و تا حد زیادی توسط جنگل پوشیده شده است.

پوشش گیاهی “Massif des Maures” ناهمگن، در سمت جنوبی خشک تر است و خاک ها سیلیسی هستند. اجزای اصلی پوشش گیاهی مخلوط حاصل (تصویر 1) به شرح زیر است [ 25 ]:

Ÿ طبقه علفی: خانواده علف

Ÿ قشر بوته ای: آربوتوس، هدر، سیستوس، جارو

Ÿ طبقه درختان: بلوط (بلوط چوب پنبه، بلوط زنده، …)، شاه بلوط، کاج (کاج دریایی و کاج حلب)

سیاست پیشگیری محلی برای محافظت از جنگل ها در برابر آتش سوزی شامل آسیب پذیری جنگل ها در برابر انتشار آتش و اجازه دادن به آتش نشان ها برای کار موثر و ایمن در نزدیکی آتش است.

این سیاست پیشگیری محلی به طور قابل توجهی محدودتر از سیاست ملی است، به دلیل آسیب پذیری بالا در برابر آتش سوزی در مناطق وحشی [ 9 ]. پاکسازی زمین می تواند مناطق بسیار وسیعی را پوشش دهد، بسته به ارتفاع درختان: عرض پاک شده باید حداقل 8 برابر باشد.

شکل 1 . محل قرار گرفتن “Massif des Maures”.

تصویر 1. پوشش گیاهی مشخصه منطقه مورد مطالعه (منطقه رایول).

ارتفاع پوشش گیاهی غالب و نمی تواند کمتر از 50 متر باشد. در صورت غالب بودن یک طرف در فرآیند انتشار، عرض بیشتر خواهد بود.

درختان به عنوان باد شکن عمل می کنند و سرعت و سرعت باد را کاهش می دهند و در نتیجه خطر آتش سوزی نقطه ای را کاهش می دهند. نگهداری درختان کامل در مناطق پاکسازی شده مهم است، اما تراکم آنها به موقعیت آنها در منطقه جنگلی بستگی دارد. ناپیوستگی افقی باید با فاصله حداقل 5 متر از یکدیگر حفظ شود. درختان باید حداقل 2.5 متر هرس شوند (تصویر 2).

شرکای ما آتش نشانان محلی (Service d’Incendie et de Secours du Var) و دفتر محیط بانان محلی (Sivom du Pays des Maures) بودند.

2. مواد

2.1. داده ها

به منظور پیش بینی تصاویر واقعی Pleiades، برنامه ریزی شده برای سال 2012، تصاویر ماهواره ای VHRS استفاده شده توسط QuickBird و Pelican کاملا مشابه تصاویر Pleiades آینده بود.

تصاویر QuickBird توسط DigitalGlobe® توسعه یافته اند و تنها محصول با وضوح فضایی فرومتریک هستند . محصول QuickBird یک تصویر پانکروماتیک با وضوح فضایی 0.61 متر است ( شکل 2 (الف) را ببینید). پهنای باند پانکروماتیک (0.45 – 0.90 میکرومتر) نسبت به NIR گسترده تر از Pleiades (0.48 – 0.83 میکرومتر) است. QuickBird همچنین یک تصویر چند طیفی است ( شکل 2 (ب) را ببینید) از نوارهای آبی، سبز، قرمز و مادون قرمز، با وضوح فضایی 2.44 متر تشکیل شده است. میدان دید QuickBird 16.5 کیلومتر است، در حالی که میدان دید Pleiades 20 کیلومتر خواهد بود (منبع: https://smsc.cnes.fr/PLEIADES/index.htm).

تصاویر پلیکان توسط CNES از تصاویر به دست آمده توسط حسگرهای هوا تهیه می شود و برای شبیه سازی تصاویر Pleiades در نظر گرفته شده است. پلیکان یک سیستم دریافت تصویر در هوا است که از چهار دوربین دیجیتال با آرایه‌های پیکسلی 4096×4096 تشکیل شده است.

چهار دوربین دیجیتال چهار پهنای باند مستقیم به رنگ آبی (452 ​​- 529 نانومتر)، سبز (512 – 595 نانومتر)، قرمز (623 – 706 نانومتر) و مادون قرمز (780 – 932 نانومتر) تولید می‌کنند [ 26 ].

چنین عملکردهای فضایی و طیفی پیشرفته راه را برای احتمالات جدید در مطالعه باز می کند

(الف) (ب)

شکل 2 . (الف) و (ب) تصاویر پانکروماتیک و چند طیفی استفاده شده (نمایش پاکسازی زمین در امتداد مسیرهای جنگلی).

تصویر 2. نمونه ای از پاکسازی زمین در امتداد مسیر جنگلی در منطقه مورد مطالعه.

خطرات طبیعی. در گذشته، تصاویر با وضوح پایین‌تر از ماهواره‌های دیگر (SPOT، LANDSAT) محققان را قادر می‌سازد تا پدیده‌هایی مانند رها شدن کشاورزی یا سقوط تنوع زیستی در مناطق طبیعی را درک کنند. تولید داده‌های با وضوح بسیار بالا (VHSR) به درک جدیدی از محیط و خصوصیات پوشش گیاهی [27-30]، و به ویژه در اکوسیستم‌های مدیترانه [ 7 ] اجازه می‌دهد. علاوه بر این، این محصولات جدید، کمیت دقیق و عینی یک موقعیت را از طریق ظرفیت های پیچیده تشخیص شی [ 31 ] ممکن می سازند.

سایر داده های سیستم اطلاعات جغرافیایی مورد استفاده:

Ÿ داده های GIS از دفتر محیط بانان (SIVOM du Pays des Maures): واحدهای عملیات پاکسازی زمین، عملیات پاکسازی زمین قبلی از سال 2000.

Ÿ داده های GIS از آتش نشانان (Service d’Incendie et de Secours du Var): مسیرهای جنگلی، مناطق پاکسازی زمین.

2.2. ابزارهای پردازش اصلی

نرم افزار مورد استفاده برای انجام این کار جعبه ابزار ORFEO (OTB) بود.

در چارچوب بخش روش‌شناختی برنامه همراهی ORFEO، آژانس فضایی فرانسه (CNES) تصمیم گرفت OTB را توسعه دهد: مجموعه‌ای از مؤلفه‌های الگوریتمی طراحی‌شده برای تصاویر سنجش از دور بزرگ، که امکان استفاده از دانش روش‌شناختی را به صورت سرمایه‌گذاری می‌کند و بنابراین از یک افزایشی استفاده می‌کند. رویکرد بهره مندی از نتایج تحقیقات روش شناختی.

جعبه ابزار ORFEO (OTB) به عنوان یک کتابخانه منبع باز از الگوریتم های پردازش تصویر توزیع شده است [ 32 ]. OTB بر اساس کتابخانه پردازش تصویر پزشکی ITK است و عملکردهای خاصی را برای پردازش تصویر سنجش از راه دور ارائه می دهد. از OTB، توسعه دهندگان نرم افزار مستقلی را طراحی کردند تا نشان دهند که با این کتابخانه چه کاری می توان انجام داد. علاوه بر این، توسعه دهندگان یک برنامه کاربردی مبتنی بر OTB برای ساخت زنجیره های پردازش به نام Monteverdi توسعه دادند.

OTB تحت مجوز نرم افزار رایگان CeCILL (مشابه GPL) برای تشویق مشارکت کاربران و ترویج تحقیقات تکرارپذیر توزیع می شود. OTB برای پردازش تصاویر عظیم از طریق قابلیت‌های پخش جریانی و چند رشته‌ای طراحی شده است، بنابراین نیازی به ابررایانه نیست (منبع: https://www.orfeo-toolbox.org/otb/).

3. روش ها

3.1. بررسی اجمالی

روش کلی مورد استفاده مبتنی بر دو نوع استدلال است: قیاسی، شامل طبقه بندی تصویر با OTB و سپس تجزیه و تحلیل فضایی داده ها با استفاده از ARCGIS ® GIS به منظور استخراج استقرایی کیفیت پاکسازی زمین، شامل ارزیابی کیفیت پاکسازی زمین بر اساس پرسشنامه میدانی با کاربران نهایی

3.2. پردازش طبقه بندی تصویر

فرآیند طبقه بندی دقیقاً اشیاء جغرافیایی را در یک تصویر شناسایی می کند. هدف این طبقه بندی شناسایی:

Ÿ سنگ های برهنه

Ÿ لایه علفی

Ÿ لایه بوته ای کم (بین 10 سانتی متر تا 50 سانتی متر)

Ÿ لایه بوته ای بلند (بین 50 سانتی متر تا 2 متر)

Ÿ لایه درخت

Ÿ سایه رویکرد طبقه بندی شی گرا اعمال شده از تمام اطلاعات موجود در تصاویر ماهواره ای [ 30 ] استفاده می کند: ویژگی های طیفی، سازمان فضایی و روابط بین اشیاء. کمیت و کیفیت اطلاعات استخراج شده را افزایش می دهد [33-36]. این به ویژه برای نقشه‌برداری از انواع سوخت در مناطق مدیترانه مناسب است [7،17،37].

رویکرد طبقه بندی شی گرا ابتدا بر اساس تقسیم بندی تصاویر برای تولید واحدهای فضایی [ 38 ] است. این عملیات بر اساس معیارهای همگنی، به عنوان مثال شکل، بافت و رادیومتری [ 39 ] انجام می شود که به طور تجربی تعیین می شود تا حد امکان به اشیاء جغرافیایی واقعی نزدیک باشد [30،35]. کیفیت طبقه بندی به کارایی تقسیم بندی بستگی دارد (تبعیض خوب اشیاء جغرافیایی، حذف اختلاط بین پاسخ های طیفی اشیاء مختلف).

این طبقه‌بندی اطلاعات را قادر می‌سازد تا در لایه‌هایی نمایش داده شوند که هر کدام مربوط به مقیاس خاصی است [ 40 ]. با تقسیم بندی که با استفاده از وضوح های فضایی مختلف انجام می شود، بنابراین می توان سطوح مختلف سازمان فضایی را به دست آورد. برای این کار، اولین سطح تقسیم‌بندی باید مناطق پاک‌شده (که در این کار «مناطق DFCI» نامیده می‌شود: منطقه پاک‌سازی زمین در امتداد مسیر جنگلی) را از مناطق جنگلی متمایز کند. هدف دوم تقسیم اقشار مختلف در مناطق DFCI است: سنگ های لخت، لایه علفی، طبقه کم بوته، طبقه بوته ای بلند، طبقه درخت، سایه (همانطور که در شکل 3 نشان داده شده است ). این تقسیم بندی دقیق به منظور شناسایی دقیق درختان جدا شده در مناطق DFCI انجام می شود [ 41 ].

به طور دقیق تر، گردش کار پردازش تصویر شامل چندین عملیات پردازشی است که در پاراگراف های زیر به آنها اشاره شده است.

3.2.1. اصلاحات هندسی

تصاویر چند طیفی و پانکروماتیک از نظر هندسی با استفاده از یک مدل حسگر (به عنوان مثال یک مدل تابع گویا، که در آن ضرایب چند جمله‌ای گویا در فراداده‌های تصاویر گنجانده شده است) و یک مدل زمین دیجیتال (DTM) SRTM © با وضوح فضایی 10 متر و دقت ارتفاع 2.5 متر تصحیح می‌شوند. . این عملیات پردازش تصاویر ثبت شده و تصحیح شده را تولید می کند.

شکل 3 . سطوح مختلف تقسیم بندی

3.2.2. فیوژن تصویر

این وضوح فضایی زیرمتری (از تصاویر پانکروماتیک) و وضوح طیفی چهار باند (از تصاویر چند طیفی) را به منظور به دست آوردن بهترین کیفیت تصویر برای استخراج ویژگی ترکیب می کند. این پردازش به عنوان یک تابه تیز کردن شناخته می شود. روش مورد استفاده در OTB [ 42 ] ارائه شده است. ابتدا تصویر چند طیفی با وضوح فضایی مشابه تصویر پانکروماتیک (اندازه PAN = اندازه XS × 4) نمونه‌برداری می‌شود. سپس یک فیلتر پایین گذر به فیلتر پانکروماتیک در حوزه فوریه اعمال می شود و محتوای حاصل با تصویر چند طیفی نرمال می شود. در نهایت تصویر 4 نسبت در تصویر پانکروماتیک ضرب می شود.

(PAN + XS) = (XS/PAN filteré) × PAN

3.2.3. انتخاب منطقه مورد علاقه

به منظور انتخاب مناطق مورد علاقه در داخل منطقه جنگلی Massif des Maures، سه منطقه DFCI قرار گرفتند، همانطور که در شکل 4 نشان داده شده است. این مناطق به دلیل تنوع رخساره های اکولوژیکی و انواع تکنیک های عملیات پاکسازی زمین انتخاب شدند. آنها مناطق کوچکی برای محدود کردن زمان محاسبات هستند.

3.2.4. انتخاب ویژگی

برای تمایز شش طبقه (یعنی سنگ های لخت، لایه علفی، طبقه کم بوته، طبقه بوته دار بالا، طبقه درخت و سایه)، پنج ویژگی به صورت تجربی انتخاب شدند: نوار قرمز، نوار نزدیک به مادون قرمز، تصویر پانکروماتیک و دو شاخص خاص. برای برجسته کردن پوشش گیاهی و خاک به ترتیب. نوارها و شاخص ها از تصاویر پان شارپن شده به دست آمدند. این دو شاخص به شرح زیر است:

IC (شاخص رنگ یا شفافیت) پوشش زمین را با شار نوری متمایز می کند. با استفاده از کانال های سبز و قرمز توضیح داده شده است.

ARVI (شاخص گیاهی مقاوم در برابر جو)، a

شکل 4 . موقعیت مناطق مورد علاقه

گونه ای از NDVI که کانال آبی را به منظور کاهش اثرات جوی ترکیب می کند [ 43 ]. به خوبی بین مناطق جنگلی و DFCI تمایز قائل می شود.

3.2.5. تقسیم بندی درشت

یک ماسک محاسبه شده و به منطقه مورد نظر DFCI اعمال می شود تا منطقه زمین بالقوه پاک شده را جدا کند. با استفاده از ARCGIS ® GIS، یک بافر از مسیرهای جنگلی (به عنوان داده برداری) تولید می شود. طبق قوانین پاکسازی، عرض بافر مربوط به 50 متر در هر طرف مسیر است. پس از دوتایی سازی (یعنی مقدار پیکسل = 1 برای مناطق مورد نظر، 0 در غیر این صورت) بافر در ویژگی های انتخاب شده ضرب می شود تا آنها را پنهان کند.

3.2.6. تقسیم بندی خوب

همانطور که قبلا ذکر شد، این فرآیند یک وظیفه مهم برای تعریف مناسب اشیاء قبل از طبقه بندی شی گرا است. مشاهدات ما را بر آن داشت تا فقط از اطلاعات طیفی به عنوان معیار همگنی استفاده کنیم. الگوریتم Meanshift [ 44] برای گروه بندی (یا خوشه) پیکسل های مجاور به عنوان اشیا مورد سوء استفاده قرار گرفت. این الگوریتم به سه پارامتر تعریف شده توسط کاربر نیاز دارد. پنجره های طیفی و فضایی برای محاسبه تکراری میانگین های محلی جابجا شده (یعنی رویکرد گروه بندی) مورد نیاز بود. با توجه به وضوح تصویر و اندازه کوچکترین تاج درخت یا بوته ممکن، حداقل پنجره فضایی باید انتخاب می شد (یعنی 3×3). پنجره طیفی به صورت تجربی به عنوان مقداری تنظیم شد که در آن اشیاء با کوچکترین تاج درخت یا درختچه در تصویر مطابقت داشتند. پارامتر سوم حداقل اندازه منطقه پس از گروه بندی بود. آخرین معیار همگرایی فرآیند تکراری است و همچنین باید به همان دلایل روی حداقل مقدار آن (یعنی یک پیکسل) تنظیم شود.

3.2.7. طبقه بندی

مرحله نهایی با استفاده از یک ماشین بردار پشتیبان، معروف به SVM [ 45 ] انجام شد که به خوبی با این موضوع تطبیق داده شده است [ 46 ]. این یک الگوریتم مبتنی بر هسته است که به طور گسترده برای کارهای طبقه بندی و رگرسیون در پردازش تصویر استفاده می شود. گردش کار طبقه بندی شامل انتخاب دستی مجموعه های آموزشی برای هر کلاس (یعنی تا حد امکان نماینده تنوع درون کلاسی) و سپس اعمال الگوریتم برای طبقه بندی کل تصویر بود. در نتیجه، رنگ‌های تعریف‌شده توسط کاربر برای نمایش راحت به هر کلاس اختصاص داده شد.

3.3. استدلال فضایی

هدف از عملیات پاکسازی زمین ایجاد ناپیوستگی عمودی و افقی در مناطق DFCI است. طبقات درختچه ای (پایین و بلند) و طبقه درخت بیشترین سهم را در انتشار آتش دارند و باید کاملاً نقشه برداری شوند. نیازهای کاربران نهایی (آتش نشانان و محیط بانان) شامل داشتن نقشه هایی است که نشان دهنده سه سطح کیفیت پاکسازی زمین، یعنی خوب، متوسط ​​و بد است. یک روش مبتنی بر استدلال فضایی برای تولید چنین نقشه ای تنظیم شد.

از آنجایی که سایه هیچ اطلاعاتی در مورد پوشش گیاهی نمی دهد، مناطق سایه در نظر گرفته نشد. سنگ های لخت و لایه علفی نیازی به توجه خاصی ندارند و بنابراین به خوبی پاکسازی شده اند. طبقات کم بوته ای نیز از نظر آتش نشانان و محیط بانان منطقه ای به خوبی پاکسازی شده به شمار می رود. از طرف دیگر، درختان انبوه نیاز به توجه دارند زیرا تاج آنها می تواند لایه های بوته ای را پنهان کند. آنها در نتیجه به عنوان بد پاکسازی نقشه برداری شدند. سپس یک استراتژی استدلال فضایی برای تعریف کیفیت پاکسازی بر اساس روابط همسایگی و تراکم بین درختان و درختچه‌های مرتفع معرفی شد. این شامل ایجاد یک بافر پنج متری در اطراف هر درخت و محاسبه درصد لایه های بوته ای بالا بود. جدول 1در زیر مطابقت بین کیفیت پاکسازی زمین و رخساره های اکولوژیکی در مناطق DFCI را نشان می دهد.

3.4. پرسشنامه های میدانی

گردآوری دیدگاه کاربران نهایی مورد توجه عمده است. در مورد این پژوهش، پرسشنامه های میدانی دارای هدف دوگانه بودند. از یک طرف، فرآیند شامل به دست آوردن چندین ارزیابی برای تعریف پارامترهای غالب در ارزیابی کیفیت پاکسازی زمین بود. از سوی دیگر، مشاهدات میدانی را برای ارزیابی، بهبود و اعتبارسنجی روش‌های پردازش تصویر و تحلیل فضایی ارائه کرد. این رویکرد در زیر شرح داده شده است: شناسایی پارامترهای اصلی مورد استفاده برای توصیف یک قطعه، برای محیط بانان و آتش نشانان: نوع پوشش گیاهی، محل قطعه، مقدار پوشش گیاهی، تداوم بین لایه های مختلف، عملیات قبلی پاکسازی زمین یا آتش سوزی در زمین های وحشی، جنبه های فنی عملیات پاکسازی زمین انتخاب پارامترهای زمین موثر بر سطوح پاکسازی: گونه، رشد، ارتفاع و پوشش هر لایه،

تهیه پرسشنامه میدانی برای ارزیابی سطوح تسویه.

3.5. تجزیه و تحلیل دیاکرونیک

نقشه‌برداری از تکامل پوشش گیاهی از سال به سال، تعیین زمان‌بندی عملیات پاک‌سازی، ارزیابی تأثیر واقعی عملیات پاک‌سازی و ارزیابی تکامل پوشش گیاهی بدون هیچ گونه عملیات پاک‌سازی را ممکن می‌سازد.

هدف، مشاهده تکامل پوشش گیاهی به منظور برنامه ریزی عملیات پاکسازی زمین به طور موثرتر است. روش به سه مرحله تقسیم شد. از دو نتیجه طبقه بندی (یعنی مربوط به دو سال متمایز)، ابتدا یک مقدار مشخص برای هر کلاس اختصاص داده شد. به دلایل راحتی، مقادیر انتخاب شده اعداد صحیح و نسبتاً دور از یکدیگر بودند. در مرحله دوم یک تمایز مبتنی بر پیکسل انجام شد. در نهایت، مقادیر امضا شده حاصل به عنوان یک معیار تکامل تفسیر شدند. این استراتژی در جدول 2 نشان داده شده است.

4. نتایج و بحث

هدف بخش قبل توصیف انتخاب‌های روش‌شناختی در این زمینه دقیق استفاده از تصاویر با وضوح فضایی بسیار بالا برای مدیریت پاک‌سازی زمین است. اهداف شناسایی سطح کیفی پاکسازی زمین در رابطه با جنبه‌های ایمنی آتش‌نشانی و ارزیابی پارامترهای تکاملی پاک‌سازی زمین است. در این قسمت نتایج روش ها در رابطه با انتظارات کاربران نهایی ارائه و مورد بحث قرار خواهد گرفت.

4.1. طبقه بندی طبقات

یک روش خاص طراحی شد [ 47 ]، آزمایش شد و بهبود یافت. گردش کار عمدتاً با استفاده از نرم افزار مبتنی بر OTB، یعنی Monteverdi انجام شد. این گردش کار در شکل 5 ارائه شده است .

سه داده ورودی مورد نیاز است، یعنی یک تصویر VHRS (با ابرداده)، یک DTM برای فرآیند تصحیح و یک ماسک باینری برای تقسیم‌بندی درشت. در جریان خود

جدول 1 . استراتژی استدلال فضایی

جدول 2 . از دو نقشه طبقه بندی تا نقشه تکامل. توجه داشته باشید که یک تکامل “ناشناخته” می تواند به دلیل سایه رخ دهد. بنابراین علامت در این مورد مهم نیست.

(1) تخصیص ارزش

(2) تمایز

(به عنوان مثال 2008-2009)

(3) تفسیر ارزش

دولت، هر عملیات پردازشی نیاز به نظارت دارد، بنابراین کاربر را ملزم به مداخله می کند. با این وجود، در عمل، تنها مراحل تقسیم بندی و طبقه بندی دقیق نیاز به مداخلات خارجی دارند (به ترتیب برای تنظیم پارامتر پنجره طیفی و انتخاب مجموعه های آموزشی). خودکار کردن گردش کار سودمند خواهد بود، اما نیاز به کار بیشتر بر روی تعریف پارامترهای عمومی و مجموعه های آموزشی دارد.

همانطور که در بالا ذکر شد، هدف این گردش کار شناسایی طبقات زیر در مناطق DFCI است: سنگ های برهنه، لایه علفی، لایه بوته ای کم (بین 10 سانتی متر تا 50 سانتی متر)، لایه درختچه ای بلند (بین 50 سانتی متر تا 2 متر)، طبقه درخت، و سایه از آنجایی که استدلال فضایی و تجزیه و تحلیل دیاکرونیک مبتنی بر آنها است، نتایج طبقه بندی خوب ضروری است. شکل 6 و 7 نتایج طبقه بندی را در زیر مجموعه ای از ناحیه Barral نشان می دهد

شکل 5 . گردش کار طبقه بندی طبقات.

برای سال 2009. این طبقه بندی نتایج بسیار خوبی به دست می دهد (دقت کلی حدود 87٪). ضریب کاپا [ 48 ]، که احتمال یک طبقه بندی خوب را می دهد، تا 93.37٪ رسید. طبقات همانطور که در شکل 6 نشان داده شده است به خوبی متمایز می شوند (برای قرار دادن درست تصویر سمت راست به مخزن آب نگاه کنید). علاوه بر این، طبقه بندی همچنین شناسایی سایه خوبی را ارائه می دهد، همانطور که در شکل 7 [ 49 ] ارائه شده است.

4.2. ارزیابی کیفیت زمین پاکسازی مبتنی بر تصویر

با استفاده از طبقه بندی شرح داده شده در بالا، تجزیه و تحلیل فضایی بسیار قابل اعتماد است [ 49 ]، همانطور که در شکل 8 نشان داده شده است. این بر اساس نسبت درختچه های بلند (50 سانتی متر – 2 متر) در شعاع 5 متر در اطراف یک درخت است. سطوح مختلف پاکسازی زمین با همکاری کاربران نهایی بر اساس استراتژی استدلال فضایی که قبلا در جدول 1 ارائه شده بود، ایجاد شد .

4.3. ارزیابی کیفیت پاکسازی زمین بر اساس پرسشنامه

هدف اعتبار سنجی استدلال فضایی (ارائه شده قبلی) با اعتبارسنجی زمین با کاربران نهایی است. این به منظور جمع آوری اجماع بین محیط بانان و آتش نشانان در سطوح کیفی پاکسازی، و اعتبارسنجی نتایج تجزیه و تحلیل فضایی بر اساس تصویر QuickBird (2009) با ارزیابی زمین با کاربران نهایی (2011) انجام می شود.

شکل 6 . نتایج طبقه بندی برای برجسته کردن شناسایی لایه بوته ای است.

شکل 7 . نتایج طبقه بندی برای برجسته کردن شناسایی سایه.

ارزیابی سطح پاکسازی بر روی قطعات انتخاب شده با استفاده از پرسشنامه میدانی که قبلاً ایجاد شده بود، با محیط بانان و آتش نشانان انجام شد (تصاویر 3-5).

یازده قطعه برای اعتبار سنجی در میدان انتخاب شدند و 3 تا 6 نفر سطوح پاکسازی را در هر کرت ارزیابی کردند.

نتایج اصلی ارزیابی بر اساس پرسشنامه های میدانی، اجماع خوبی را بین محیط بانان و آتش نشانان نشان داد (فقط چند تفاوت جزئی وجود داشت). تفاوت بین رنجرها و آتش نشانان اساساً به ارزیابی پوشش سنگ های لخت در مقابل لایه علفی مربوط می شود. با این حال، ارزیابی جهانی سطح پاکسازی برای محیط بانان و آتش نشانان یکسان بود [ 50 ].

مقایسه بین تجزیه و تحلیل فضایی (بر اساس تصاویر VHRS گرفته شده در سال 2009) و ارزیابی سطح پاکسازی (بر اساس مشاهدات زمین انجام شده در سال 2011) نشان می دهد که پوشش گیاهی از سال 2009 تا 2011 رشد کرده است، و برای قطعاتی که در سال 2009 اتفاق نظر وجود داشت، وجود دارد. در سال 2011 اتفاق نظر وجود داشت. بنابراین می توان نتیجه گرفت که سازگاری خوبی بین تجزیه و تحلیل درون میدانی و

شکل 8 . نقشه سطوح پاکسازی زمین (منطقه بارال، 2009) ناشی از تحلیل فضایی طبقه بندی طبقات.

تحلیل فضایی، و بنابراین تحلیل فضایی کاملاً قابل اعتماد است.

4.4. نقشه تکامل لایه ها

هدف، تعریف تکامل درختچه‌ها، با استفاده از تخصیص یک مقدار به هر رخساره اکولوژیکی، و سپس ایجاد تفاوت مقادیر بین دو تصویر برای یک پیکسل برای ارزیابی سطح تکامل پوشش گیاهی بود. نتایج در شکل 9 زیر نشان می دهد که عملیات پاکسازی زمین بین سال های 2006 و 2008 تأثیر زیادی بر پوشش گیاهی داشته است. اما به نظر نمی رسد این تاثیر برای مدت طولانی ادامه یابد: پوشش گیاهی بین سال های 2008 و 2009 به شدت افزایش یافته است. برخی از گونه های خاص، مانند arbutus unedo، به ویژه پس از آتش سوزی یا عملیات پاکسازی زمین پویا هستند [ 51 ].

4.5. بحث بیشتر

به اشتراک گذاری داده ها از تصاویر با وضوح بسیار بالا (VHRS) در قلمرویی مانند یک منطقه جنگلی ممکن است مورد توجه کاربران باشد. آنها را قادر می سازد تا عملیات پاکسازی زمین را فقط در مواقعی که مفید هستند برنامه ریزی کنند. عملیات پاکسازی زمین شامل کاهش پوشش گیاهی برای محدود کردن تداوم افقی و عمودی آن، محروم کردن آتش از سوخت و ایجاد آتش‌شکن برای توقف تکثیر آن است. برای این منظور، این کار با هدف توسعه یک روش خاص برای مدیریت پاکسازی زمین است: شناسایی سطح کیفی پاکسازی زمین در رابطه با جنبه های ایمنی آتش نشانی، و ارزیابی پارامترهای تکامل پاکسازی زمین.

در منطقه جنگلی Maures، سالانه حدود 300 هکتار از زمین ها عمدتاً با خرد کردن جنگل ها باید پاکسازی شود. بار مالی زیاد و تکراری و متفاوت است

تصویر 3. نمودارهای انتخاب شده برای اعتبار سنجی در میدان و ارزیابی سطح پاکسازی با کاربران نهایی.

تصویر 4. نمودارهای انتخاب شده برای اعتبار سنجی در میدان و ارزیابی سطح پاکسازی با کاربران نهایی.

شکل 9 . سیر تکاملی پوشش گیاهی در سالهای 2006، 2008 و 2009

تصویر 5. نمودارهای انتخاب شده برای اعتبار سنجی در میدان و ارزیابی سطح پاکسازی با کاربران نهایی.

از تکنیک هایی برای به تاخیر انداختن عملیات پاکسازی زمین (مرتع، بهبود ظرفیت تولید خاک و علوفه و غیره) استفاده می شود.

زمان‌بندی دقیق عملیات پاک‌سازی زمین، مدل‌سازی رشد جدید را امکان‌پذیر می‌سازد و بنابراین امکان مقایسه تکنیک‌های مختلف پاک‌سازی مورد استفاده را فراهم می‌کند. علاقه اصلی به دست آوردن دیدگاه آتش نشانان و جنگلبانان و به دست آوردن اجماع در مورد جنبه های ایمنی در مناطق پاکسازی شده، به منظور مکان یابی مناطق با خطر آتش سوزی بالا، به روز رسانی نقشه برداری عملیاتی و برنامه ریزی برای مقابله با آتش سوزی در جنگل است.

5. نتیجه گیری ها

روش ارائه شده در بالا بر اساس این بود: یک رویکرد قیاسی، شامل یک عملیات پردازش طبقه‌بندی تصویر با OTB © و سپس تجزیه و تحلیل فضایی داده‌ها با ARCGIS © GIS به منظور استخراج کیفیت و تکامل پاک‌سازی زمین. و بر روی یک رویکرد استقرایی، شامل ارزیابی کیفیت پاکسازی زمین از طریق پرسشنامه های میدانی با کاربران نهایی.

این روش برای یک منطقه مدیترانه فرانسوی، “Massif des Maures” که به خطر آتش سوزی بسیار حساس است، اعمال شد. روش شناسی برای این منطقه مورد مطالعه از طریق تعامل با آتش نشانان و محیط بانان و مقایسه با مشاهدات میدانی تأیید شد.

به عنوان بخشی از برنامه همراهی ORFEO، توسعه یک روش و کاربرد آن در تصاویر QuickBird که به عنوان شبیه‌سازی داده‌های Pleiades استفاده می‌شود، با موفقیت نشان داد که تصاویر ماهواره‌ای با وضوح بسیار بالا برای جلوگیری از خطر آتش‌سوزی جنگل‌ها مفید است. از جمع‌آوری داده‌های Pleiades، این روش در همان منطقه اعمال خواهد شد، و سپس به یک منطقه مدیترانه جدید فرانسوی که رخساره‌های اکولوژیکی کمی متفاوت هستند (به عنوان مثال توده شمالی مون‌پلیه) گسترش می‌یابد. این مطالعات آینده منجر به آزمایش‌های جدیدی برای به‌روزرسانی و تعمیم روش‌شناسی خواهد شد.

کاربران نهایی محلی، یعنی آتش نشانان (Service d’Incendie et de Secours du Var) و دفتر محیط بانان (Sivom du Pays des Maures)، علاقه زیادی به چنین پشتیبانی های تصمیم گیری دارند. پس از نیاز به اعتبارسنجی و کار تعمیم بیشتر [ 16 ]، به نظر می رسد چشم انداز خوبی برای ارائه خدمات نقشه برداری عملیاتی برای کمک به مدیریت پاکسازی زمین در منطقه مدیترانه وجود دارد.

منابع

  1. Ministère de l’Agriculture, de l’Agroalimentaire et de la Forêt, “Prévention des incendies de foret”، 2012. https://agriculture.gouv.fr/IMG/pdf/2012-07-31-Prevention_des_pdfd24_pdf_2012-07-07-1-Prevention_des_incendies_2012-07-pdf 2012-07-07-31-Prevention_des_incenties  [زمان(های استناد): 1]
  2. DSC، “Guide de Stratégie Générale en Matière de Protection de la Forêt Contre l’Incendie”، وزارت امور داخلی، Direction de la Sécurité Civile، 1994، 14 ص.  [زمان(های استناد): 1]
  3. E. Rigolot و D. Alexandrian، “آموزش از رفتار شکست سوخت در طول آتش سوزی های بزرگ سال 2003 در جنوب شرقی فرانسه”، اکولوژی و مدیریت جنگل، جلد. 234، 2006، ص. 227. doi:10.1016/j.foreco.2006.08.254  [زمان(های استناد): 1]
  4. N. Cassagne، F. Pimont، J.-L. Dupuy، R. Linn، A. Mårell، C. Oliveri و E. Rigolot، با استفاده از یک مدل انتشار آتش برای ارزیابی کارایی سوزاندن تجویز شده در کاهش خطر آتش سوزی، “Ecological Modelling, Vol. 222، شماره 8، 1390، صص 1502-1514. doi:10.1016/j.ecolmodel.2011.02.004
  5. LR Green، “Fuelbreaks and Other Fuel Modification for Wildland Fire Control”، دفترچه راهنمای وزارت کشاورزی ایالات متحده، 1977.
  6. DDSC، “راهنمای ملی مرجع، تکنیک های حرفه ای”، Manœuvres Feux de Forêts. Ministère de l’Intérieur, Direction de la Défense et Sécurité Civiles, 2008, 105 p.
  7. R. Lasaponara و A. Lanorte، “در مورد قابلیت داده های ماهواره ای VHR QuickBird برای مشخصه های نوع سوخت در چشم انداز تکه تکه”، مدل سازی اکولوژیکی، جلد. 204، شماره 1-2، 1386، صص 79-84.  [زمان(های استناد): 1]
  8. F. Jacques, “Méthodologie Expérimentale Pour la Détermination des Limites d’Emploi des Équipements de Protection Individuelle des Sapeurs-Pompiers-Application à la Lutte Contre le feu par des Essais sur l’Homme des l’Homme en Conditions, Esais sur l’Homme ecolèneles National Conditions, F. Jacques. Supérieure des Mines de Saint-Etienne, 2008, p. 259.
  9. DDSIS83، “Guide des Équipements de DFCI”، Préfecture du Var، 2004، p. 51.  [زمان(های استناد): 1]
  10. M. Finney، “طراحی الگوهای منظم تصفیه سوخت منظره برای اصلاح رشد و رفتار آتش،” Forest Science، جلد. 47، شماره 2، 1380، صص 219-228.
  11. E. Chuvieco، J. Wagtendonk، D. Riaño، M. Yebra و SL Ustin، “تخمین شرایط سوخت برای ارزیابی خطر آتش سوزی”، مشاهده زمین از آتش سوزی های سرزمین های وحشی در اکوسیستم های مدیترانه، 2009، صفحات 83-96. doi:10.1007/978-3-642-01754-4_7
  12. Equipe PYROSCOPE، ​​”Efficacité des Coupures de Combustible Face au feu, Feux de Saint CYPRIEN”، 9 Août 2002، Communes de LECCI et ZONZA. Ministère Agriculture et Forêts, SDIS de Corse du Sud, 2002, p. 18.
  13. CEMAGREF، “Guide Technique du Forestier Méditerranéen Français, Protection des Forêts Contre l’Incendie”، فصل 4، گزارش فنی، Aix en Provence، 1990، ص. 65.   [زمان(های) استناد: 1]
  14. M. Etienne and E. Rigolot، “Méthodes de Suivi des Coupures de Combustible”، Réseau Coupures de Combustible RCC 1st Édition, de la Cardère Morières, 2001, 48 p.
  15. E. Rigolot، L. Castelli، M. Cohen، M. Costa و Y. Duché، “توصیه هایی برای طراحی سوخت و مدیریت سوخت در رابط شهری Wildland: یک رویکرد تجربی در جنوب شرقی فرانسه”، موسسه اکوسیستم های جنگلی مدیترانه و کارگاه بین المللی گرم محصولات جنگلی، آتن، 2004، صفحات 131-142.   [Citation Time(s):1]
  16. H. Hesseln و DB Rideout، «اصول اقتصادی سیاست مدیریت آتش‌سوزی در سرزمین‌های وحشی»، خدمات جنگلی USDA، گزارش فنی عمومی، PSW-GTR-173، 1999، 9 ص.   [زمان(های استناد): 2]
  17. LA Arroyo، C. Pascual و JA Manzanera، “مدل های آتش و روش ها برای ترسیم انواع سوخت: نقش سنجش از دور”، اکولوژی و مدیریت جنگل، جلد. 256، شماره 6، 1387، صص 1239-1252. doi:10.1016/j.foreco.2008.06.048   [Citation Time(s):1]
  18. D. Riaño، E. Chuvieco، J. Salas، A. Palacios-Orueta و A. Bastarrika، “تولید نقشه های نوع سوخت از تصاویر Landsat TM و داده های جانبی در اکوسیستم های مدیترانه”، مجله کانادایی تحقیقات جنگل، جلد. 32، شماره 8، 1381، صص 1301-1315.
  19. RE Keane، R. Burgan و J. Van Wagtendonk، “نقشه برداری از سوخت های وحشی برای مدیریت آتش در مقیاس های چندگانه: یکپارچه سازی سنجش از دور، GIS، و مدل سازی بیوفیزیکی”، مجله بین المللی آتش وحشی، جلد. 10، شماره 3-4، 1380، صص 301-319. doi: 10.1071/WF01028
  20. F. De Lussy، P. Kubik، D. Greslou، V. Pascal، P. Gigord و JP Cantou، “محصولات و کیفیت سیستم تصویر Pleiades-HR، محصولات سیستم تصویر Pleiades-HR و دقت هندسی” کنفرانس بین المللی ISPRS، هانوفر، 17-20 مه 2005.   [زمان(ها):1]
  21. P. Kubik، V. Pascal، C. Latry و S. Baillarin، «کیفیت تصویر Pleiades: از نیازهای کاربران تا تعریف محصولات. سنسورها، سیستم‌ها و ماهواره‌های نسل بعدی IX، مجموعه مقالات SPIE، جلد. 5978، 2005، صص 188-198. doi:10.1117/12.627570   [زمان(های) نقل قول: 1]
  22. SJ Pyne، PL Andrews و RD Laven، “مقدمه ای بر آتش وحشی”، ویرایش دوم، جان وایلی و پسران، شرکت، نیویورک، 1996.
  23. DF Merrill، ME Alexander، “واژه نامه اصطلاحات مدیریت آتش سوزی جنگل”، ویرایش چهارم، شورای تحقیقات ملی کانادا، کمیته کانادایی مدیریت آتش سوزی جنگل، اتاوا، 1987.
  24. M. Samson، “Le Monde,” 26 Août 2003.   [زمان(های) نقل قول:1]
  25. Préfecture du Var, “Document d’Objectifs” Massif des Maure, Vol. I, Analyzes et Objectifs, 2009.   [Citation Time(s):1]
  26. Deliot و Duffaut، “اهمیت مشخص کردن یک سیستم دوربین دیجیتال همه کاره”، اتاق خبر SPIE، انجمن بین المللی مهندسی نوری.   [زمان(های استناد): 1]
  27. L. Wang، WP Sousa، P. Gong و G. Biging، “مقایسه تصاویر IKONOS و QuickBird برای نقشه برداری گونه های حرا در ساحل کارائیب پاناما،” Remote Sensing of Environment، جلد. 91، شماره 3-4، 1383، صص 432-440. doi:10.1016/j.rse.2004.04.005
  28. F. Kayitakire, C. Hamel and P. Defourny, “Retrieving Forest Structure Variables based on Image Texture Analysis and IKONOS-2 Imagery,” Remote Sensing of Environment, Vol. 102، شماره 3-4، 1385، صص 390-401. doi:10.1016/j.rse.2006.02.022
  29. FMB van Coillie، LPC Verbeke و RR De Wulf، «انتخاب ویژگی توسط الگوریتم‌های ژنتیک در طبقه‌بندی مبتنی بر شی تصاویر IKONOS برای نقشه‌برداری جنگل در فلاندر، بلژیک»، Remote Sensing of Environment، جلد. 110، شماره 4، 1386، صص 476-487. doi:10.1016/j.rse.2007.03.020
  30. G. Mallinis، N. Koutsias، MT Strati و M. Karteris، “طبقه بندی مبتنی بر شی با استفاده از تصاویر پرنده سریع برای ترسیم چند ضلعی های گیاهی جنگلی در یک مکان آزمایشی مدیترانه،” ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 63، شماره 2، 1387، صص 237-250. doi:10.1016/j.isprsjprs.2007.08.007   [Citation Time(s):1]
  31. N. Masini و R. Lasaponara، “بررسی قابلیت طیفی داده های پرنده سریع برای کشف بقایای باستان شناسی مدفون در مناطق پوشش گیاهی و بدون پوشش گیاهی”، مجله میراث فرهنگی، جلد. 8، شماره 1، 2007، 53-60. doi:10.1016/j.culher.2006.06.006   [Citation Time(s):1]
  32. S. Steiniger و AJS Hunter، “نقشه نرم افزار GIS رایگان و منبع باز – راهنمای تسهیل تحقیق، توسعه و پذیرش”، کامپیوترها، محیط زیست و سیستم های شهری، 2012. doi:10.1016/j.compenvurbsys.2012.10.003   [ زمان(های) استناد:1]
  33. R. Caloz و C. Collet، “Précis de Télédétection, Traitements Numériques d’Images de Télédétection”، جلد. 3، Presses de l’Université du Québec—Agence Universitaire de la Francophonie، کبک، 2001.
  34. A. Karsenty، F. Alzir و J.-S. Centeno، “طبقه بندی Orientée Objet de la Perméabilité des Sols en Zone Urbaine à l’Aide d’Imagerie Très Haute Resolution et de Données Laser Scanner à Curitiba (Brésil)،” INPE، Institute Nacional de Pesquisas, 2007,5,5, Espaciais 572.
  35. UC Benz, P. Hofmann, G. Willhauck, I. Lingenfelder, and M. Heynen, “Multi-Resolution, Object Oriented Fazzy Analysis of Remote Sensing Data for GIS-Ready Information” ISPRS Journal of Photogrammetry and Remote Sensing, Vol. . 58، شماره 3-4، 1383، صص 239-258. doi:10.1016/j.isprsjprs.2003.10.002
  36. جی. کیان، کیو. ژو و کیو هو، «مقایسه روش‌های طبقه‌بندی مبتنی بر پیکسل و شی گرا برای استخراج مناطق ساخته‌شده در منطقه خشک»، کارگاه ISPRS درباره به‌روزرسانی پایگاه‌های داده جغرافیایی-مکانی با تصاویر و پنجمین کارگاه ISPRS در مورد DMGIS ، ارومچی، مرداد 1386، ص 28-29.
  37. LA Arroyo، SP Healey، WB Cohen و D. Cocero، “استفاده از طبقه بندی شی گرا و تصاویر با وضوح بالا برای نقشه برداری از انواع سوخت در یک منطقه مدیترانه”، مجله تحقیقات ژئوفیزیک، جلد. 111، شماره G4، 2006.
  38. C. Corbane, N. Baghdadi, S. Hosford, J. Somma and S. Chevrel, “Application d’Une Méthode de Classification Orientée Objet Pour la Cartographie de l’Occupation du sol: Résultats sur ASTER et Landsat ETM, Revue França de Photogrammétrie et de Télédétection، 2004، صص 13-26.   [زمان(های استناد): 1]
  39. S. Mansor، W. Hong و ARM Shariff، “طبقه بندی شی گرا برای نقشه برداری پوشش زمین،” مجموعه مقالات بیست و سومین کنفرانس آسیایی سنجش از دور، 2002، صفحات 7-9.   [زمان(های استناد): 1]
  40. پی. هافمن، «تشخیص سکونت‌گاه‌های غیررسمی از داده‌های تصویر IKONOS با استفاده از روش‌های تجزیه و تحلیل تصویر شی‌گرا—نمونه‌ای از کیپ‌تاون (آفریقای جنوبی)،» دوم اینترنات. سمپوزیوم سنجش از دور مناطق شهری، رگنسبورگ، 2001، صص 107-118.   [زمان(های استناد): 1]
  41. V. Thierion، D. Maréchal، P.-A. Ayral، MC Lyx، V. Foitier، S. Sauvagnargues-Lesage و J.-C. Poppi، «پتانسیل‌های تصویربرداری VHSR برای تشخیص بوته‌زارهای پاک شده در مدیریت آتش عملیاتی، SPACEAPPLI08-Toulouse، 2008.   [زمان(ها):1]
  42. OTB، “راهنمای نرم افزار جعبه ابزار ORFEO به روز شده برای OTB-3.0.”، CNES، ویرایش، تولوز، 2009، 670 ص.   [زمان(های استناد): 1]
  43. YJ Kaufman و D. Tanre، “شاخص گیاهی مقاوم در برابر جو (ARVI) برای EOS-MODIS، معاملات IEEE در علوم زمین و سنجش از دور، نیویورک، 1992، صفحات 261-270.   [زمان(های استناد): 1]
  44. D. Comaniciu و P. Meer، “تحلیل و کاربردهای تغییر میانگین”، مجموعه مقالات کنفرانس بین المللی بینایی کامپیوتر، 1999، صفحات 1197-1203.   [زمان(های استناد): 1]
  45. C. Cortes و V. Vapnik، “شبکه های بردار پشتیبان”، یادگیری ماشین، جلد. 20، شماره 3، 1374، صص 273-297. doi:10.1007/BF00994018   [زمان(های) استناد:1]
  46. B. Koetz، F. Morsdorf، S. Van der Linden، T. Curt and B. Allgöwer، “طبقه بندی پوشش زمین چند منبعی برای مدیریت آتش سوزی جنگل بر اساس طیف سنجی تصویربرداری و داده های لیدار”، اکولوژی و مدیریت جنگل، جلد. 256، شماره 3، 1387، صص 263-271. doi:10.1016/j.foreco.2008.04.025   [Citation Time(s):1]
  47. ب. کابار، «توسعه روش‌های آموزشی واحدهای آموزش تصاویر Pour le Suivi des Zones Débroussaillées defense des Forêts Contre les Incendies»، Mé- moire de Master II، Université Toulouse III/Ecole des Mines 2000.   [زمان(های استناد): 1]
  48. جی. کوهن، “ضریب توافق برای مقیاس های اسمی”، اندازه گیری روانشناختی آموزشی، جلد. 20، شماره 1، 1960، صص 27-46.   [زمان(های استناد): 1]
  49. F. Perrot، “Développement d’un Outil d’Aide à la Décision Basé sur l’Imagerie Satellite Pour la Gestion des Zones Débroussaillées de DFCI,” Memoire de Master II, Université Rennes II/Ecole des Mines d’20l.   [زمان(های استناد): 2]
  50. R. Oz، “توسعه عملیات بیرونی Dédié au Suivi des Zones Débroussaillées Pour la Prévention des Incendies de Forêts en Méditerranée: Validation Opérationnelle des Seuils Établis des Universé les Utilisate, II) d’Alès، 2011.   [زمان(های) نقل قول:1]
  51. P. Konstantinidis، G. Tsiourlis و P. Xofis، “اثر فصل آتش سوزی، جنبه و اندازه گیاه قبل از آتش سوزی بر روی رشد جوانه های Arbutus Unedo L. (درخت توت فرنگی)،” اکولوژی و مدیریت جنگل، جلد. 225، شماره 1-3، 1385، صص 359-367.   [زمان(های استناد): 1]

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید