خلاصه

پوشش علفزار، تولید اولیه خالص بالای زمین (ANPP)، و ترکیب گونه‌ها به عنوان شاخص‌های تخریب مراتع استفاده می‌شود. با این حال، کمبود شوری خاک، که یکی از عوامل تخریب مراتع نیز می باشد، به ندرت در ارزیابی تخریب مراتع در مناطق نیمه خشک استفاده می شود. ما تخریب مراتع را با کیفیت، کمیت و الگوی فضایی آن در غرب نیمه خشک جیلین، چین ارزیابی کردیم. با در نظر گرفتن شوری خاک در جیلین غربی، هدایت الکتریکی (EC) به عنوان یک شاخص با ANPP برای ارزیابی تخریب مراتع استفاده می شود. ابتدا، توزیع فضایی مرتع با اطلاعات استخراج شده از تصاویر سنجش از راه دور چند زمانی با استفاده از تجزیه و تحلیل تصویر مبتنی بر شی همراه با روش‌های طبقه‌بندی و درخت تصمیم اندازه‌گیری شد. دوم، با 166 نمونه میدانی، ما از الگوریتم جنگل تصادفی (RF) به عنوان روش انتخاب متغیر و رگرسیون برای پیش‌بینی EC و ANPP استفاده کردیم. در نهایت، ما یک مدل جدید تخریب مراتع (GDM) بر اساس ANPP و EC ایجاد کردیم. نتایج نشان داد که R2 (0.91) و RMSE (0.057 mS/cm) مدل EC به طور کلی بالاترین و کمترین زمانی بودند که ntree 400 بود. مدل ANPP زمانی که درخت 600 بود بهینه بود (R2 = 0.85 و RMSE = 15.81 gC / m2 ) . با 210.47 × 10 3در هکتار به شدت تخریب می شود. این مقاله از محدودیت‌های گذشته اتکای بیش از حد به شاخص پوشش گیاهی برای ساخت یک مدل تخریب مرتع که ویژگی‌های منطقه مورد مطالعه و شوری خاک را در نظر می‌گیرد، فراتر می‌رود. نتایج تأثیر مثبت پروژه‌های حفاظت از محیط‌زیست تحت حمایت دولت را تأیید می‌کند. نتیجه تحقیق می‌تواند داده‌های حمایتی را برای تصمیم‌گیری برای کمک به کاهش تخریب مراتع و ارتقای بازسازی پوشش گیاهی مرتع ارائه دهد.

کلید واژه ها:

سنجش از دور ؛ بهره وری اولیه خالص بالای زمین (ANPP) ; شوری خاک ؛ مدل تخریب مراتع (GDM) ; جنگل تصادفی (RF) ; تجزیه و تحلیل اجزای اصلی (PCA)

1. معرفی

علفزارها با جلوگیری از فرسایش خاک و منظم کردن رژیم های آبی، به ویژه در مناطق خشک/نیمه خشک، کل اکوسیستم ها را در برابر تغییرات محیطی انعطاف پذیرتر می کنند [ 1 ، 2 ]. اطلاعات منطقه و توزیع فضایی مراتع برای درک بقای گونه های گیاهی، جانوری و پرنده مهم است [ 3 ]. علفزارها همچنین نقش حیاتی در حفظ زندگی انسان ها دارند [ 4 ]. تخریب علفزار فرآیند توالی پس‌رونده و کاهش بهره‌وری اکوسیستم مرتع تحت استفاده غیرمنطقی ( چرای بیش از حد و احیای غیر منطقی) و فرآیندهای طبیعی غیرعادی (خشکسالی، شن‌های بادی، فرسایش آب، شور-قلیایی، غرقابی و غیره) است [ 5 , 6 ]]. تظاهرات اصلی عبارتند از ارتفاع، پوشش، عملکرد و کیفیت پوشش گیاهی مرتع، زوال زیستگاه خاک، و کاهش ظرفیت تولید و عملکرد اکولوژیکی [ 7 ]. در چند دهه گذشته، تخریب مراتع نه تنها باعث کاهش بهره وری خود مرتع، بلکه بدتر شدن محیط زیست محیطی و تهدید بقا و توسعه انسان شده است. در دهه های اخیر، تخریب مراتع به یک مشکل شدید زیست محیطی جهانی تبدیل شده است (به عنوان مثال، به خطر انداختن خدمات و عملکردهای اکوسیستم منطقه ای) [ 8 ، 9 ، 10 ]. در حال حاضر، حدود 90 درصد از مراتع در چین در معرض تخریب قرار دارند و 34 درصد از مراتع به طور متوسط ​​تا شدید تخریب شده اند [1112 ] ,.]. فعالیت های انسانی می تواند علفزارها را به طور کامل به سایر عملکردهای زمین تبدیل کند [ 13 ]، که می تواند خاک حاصلخیز را به زمین های بایر تبدیل کند (به عنوان مثال، زمین شور-قلیایی، ماسه) که دیگر نمی تواند محصول تولید کند [ 14 ، 15 ، 16 ]. اندازه‌گیری تخریب اکوسیستم‌های علفزار یک مسئله فوری برای دولت و جوامع محلی است، به‌ویژه برای مناطق نیمه‌خشک و خشک چین که در آن اکوسیستم‌ها شکننده‌تر هستند.
تخریب علفزار به طور معمول از طریق تحقیقات میدانی مورد مطالعه قرار می گیرد، اما این روش در تحقیقات در مقیاس بزرگ زمان بر و پرهزینه است. سنجش از دور فناوری های متعددی را برای نظارت بر تخریب مراتع ارائه می دهد [ 17 ، 18 ، 19 ]. بیشتر تحقیقات در مورد تخریب مراتع با اندازه گیری تغییرات سطح مرتع [ 20 ، 21 ]، وضعیت پوشش گیاهی بالای زمین [ 22 ، 23 ] و سایر ویژگی های مراتع انجام شده است. 24 ].]. روش های ارزیابی تخریب مراتع را می توان به دو دسته تقسیم کرد: طبقه بندی بصری و وارونگی شاخص تخریب شده. اولی سطوح تخریب مراتع را با توجه به ویژگی های تصویر طبقه بندی می کند که تقاضای بالاتری برای کارشناسان طبقه بندی در بعد حرفه ای دارد و در مقایسه با دومی زمان بر و پرهزینه است. با ظهور داده های سنجش از دور عظیم، دومی به طور گسترده تر برای ارزیابی تخریب مراتع استفاده می شود. ژانگ و همکاران از داده‌های شاخص گیاهی دیفرانسیل نرمال شده (NDVI) (تفکیک فضایی 8 کیلومتر) برای ارزیابی تخریب مراتع بر روی فلات مغولستان [ 25 ] استفاده کرد. لی و همکاران برآورد زیست توده مرتع بالای زمین با استفاده از داده‌های چند زمانی MODIS (رزولوشن فضایی 250 متر) در دشت Songnen غربی، چین [22 ] استفاده کرد. تارانتینو و همکاران تغییرات در علفزارهای نیمه طبیعی را با تجزیه و تحلیل همبستگی متقابل با تصاویر WorldView-2 و داده های Landsat 8 شناسایی کرد. 26 ]. وانگ و همکاران تخریب مراتع تحت نظارت از طریق روش‌های پارامترسازی ویژگی‌های طیفی مؤثر، گونه‌های سازنده و شاخص‌های تخریب‌شده را با استفاده از داده‌های سنجش از دور فراطیفی، دقیقاً متمایز کرد [ 27 ]. لیو و همکاران تخریب علفزار را از تصویر Landsat TM در ارتباط با پوشش چمن و نسبت علف های ناخوشایند (PUG) ارزیابی کرد [ 24 ]. در بررسی تحقیقات قبلی، اگرچه حسگرهای با تفکیک مکانی پایین دارای وضوح زمانی بالایی هستند که امکان دید کلی خوبی از پویایی مراتع را فراهم می کند، اما برای به دست آوردن جزئیات تغییر منطقه و نظارت بر سطوح تخریب شده در مقیاس منطقه ای مناسب نیستند [ 28 ]. ]. تصاویر با وضوح فضایی بالا دارای اطلاعات جزییات فراوان و اطلاعات بافت برجسته شی زمینی است که محدودیت مکانی را جبران می کند، اما به دلیل پوشش کم و هزینه گران نمی تواند به طور گسترده برای ارزیابی فضایی تخریب مراتع در مقیاس بزرگ استفاده شود [ 29 ]]. تصویرگر زمین عملیاتی لندست 8 (OLI) دارای وضوح فضایی 30 متر است. علاوه بر این، یک نوار پانکروماتیک با وضوح 15 متر وجود دارد که می تواند خواسته های نظارت بر تخریب علفزار را برآورده کند. بنابراین، وضوح فضایی متوسط ​​به طور گسترده برای ارزیابی تخریب مراتع استفاده شد [ 23 ، 30 ، 31 ].
در انتخاب شاخص‌های تخریب، مطالعات قبلی سطح تخریب شده را با پوشش گیاهی، زیست توده گیاهی، تولید اولیه خالص بالای زمین (ANPP)، PUG و گونه‌های مرتع ارزیابی کردند. تولید اولیه خالص بالای زمین، ارزش انرژی است که تولیدکنندگان می توانند برای رشد، توسعه و تولیدمثل استفاده کنند، و همچنین پایه مادی برای بقا و تولید مثل سایر اعضای بیولوژیکی در اکوسیستم است. علاوه بر این، ANPP پارامتری است که می تواند تغییرات محیطی را منعکس کند زیرا به عوامل بیولوژیکی و غیرزیستی حساس است [ 32 ]. تنوع در ANPP به عنوان یک شاخص برای اندازه گیری از دست دادن عملکرد اکوسیستم به دلیل تخریب مراتع در چندین مطالعه استفاده شده است [ 33 , 34 ]]. این مطالعات وضعیت مرتع بالای سطح زمین را به طور کامل در نظر گرفت، اما شرایط خاکی مرتع را در نظر نگرفت. علاوه بر این، شور شدن مراتع، یک پدیده رایج به دلیل تجمع نمک در خاک، شکل اولیه تخریب مراتع در مناطق خشک، نیمه خشک و خشک نیمه مرطوب است [ 35 ، 36 ]. استان جیلین غربی چین یک منطقه نیمه خشک معمولی است که بین زمین های شور-قلیایی و زمین های شنی وزش باد قرار دارد. زمین کم ارتفاع و زهکشی ضعیف آبراه ها را از انتشار نمک مسدود می کند و در نتیجه باعث شور شدن خاک و تخریب علفزار می شود [ 37 ، 38]. تحقیقات نشان می دهد که سطح شوری خاک 34 درصد از استان جیلین غربی را تشکیل می دهد. حدود 77 درصد از مناطق علفزار تحت تأثیر نمک قرار گرفتند [ 39 ]. مراتع این منطقه در گذشته مرتع خوبی با عملکرد بالا و کیفیت چمن خوب بوده است، اما به دلیل بهره برداری بی رویه و بهره برداری بی رویه از منابع زمین، پوشش گیاهی در سال های اخیر به شدت تخریب شده است. تحقیقات قبلی نشان داد که شور شدن خاک عاملی در تخریب مراتع در مناطق نیمه خشک و خشک است [ 37 ، 40 ]. این با شوری جدی همراه بوده است. تخریب مراتع نیز خود را از طریق مکانیسم بازخورد منفی ناشی از تغییر پوشش زمین و شور شدن خاک افزایش داده است [ 37 , 41 ]]. یو و همکاران (2018) گزارش داد که علفزارها در بین تمام پوشش‌های گیاهی در استان جیلین غربی شدیدترین آسیب را تحت تأثیر شوری قرار می‌دهند. نویسندگان دیگر ویژگی های شوری خاک های مرتع شور و قلیایی را در مناطق نیمه خشک مورد مطالعه قرار دادند و تفاوت های الگوهای مرتع را با سطوح مختلف شوری و قلیایی تجزیه و تحلیل کردند [ 41 ]. رشد پوشش گیاهی به طور مستقیم تحت تأثیر خواص خاک است. ایجاد یک سیستم ارزیابی تخریب مراتع بر اساس زیست توده مرتع و شوری خاک در مناطق نیمه خشک و سپس تجزیه و تحلیل توزیع فضایی مرتع تخریب شده همراه با داده های کمکی در منطقه مورد مطالعه ضروری است [ 42 , 43 ].]. در مطالعات قبلی، توجه بیشتری به زیست توده بالای زمین، پوشش گیاهی، و گونه‌های پوشش گیاهی نسبت به ویژگی‌های خاک در برآورد تخریب مراتع شده است. بنابراین، این مقاله با هدف ایجاد یک مدل جدید تخریب مراتع (GDM)، طراحی شده برای مناطق نیمه خشک و بر اساس توزیع فضایی ANPP و شوری خاک به تخریب مراتع اندازه‌گیری شده از تصاویر ماهواره‌ای است.
جنگل تصادفی (RF) به طور گسترده ای در تخمین پارامترهای زیست توده گیاهی و خاک در سال های اخیر استفاده شده است [ 44 ، 45 ]. RF یک روش یادگیری مجموعه ای محبوب است که می تواند برای ایجاد مدل های پیش بینی برای مسائل طبقه بندی و رگرسیون با استفاده از درخت تصمیم گیری تصادفی نامرتبط [ 46 ] استفاده شود. در مقایسه با تحلیل رگرسیون عمومی، RF سرعت پردازش بسیار بالایی دارد و در برخورد با داده های بزرگ عملکرد خوبی دارد. RF نیازی به نگرانی در مورد مشکل هم خطی چند متغیره ندارد. روش RF به نویز در نمونه های تمرینی حساس نیست. بنابراین، دقت مدل‌ها می‌تواند در مقایسه با سایر یادگیری ماشینی و رگرسیون‌های آماری سنتی بسیار بالاتر باشد [ 47 ]]. در اینجا، مدل‌های وارونگی ANPP و رسانایی الکتریکی (EC) توسط RF به دست آوردن رابطه بین اطلاعات طیفی تصاویر سنجش از دور و نمونه‌برداری‌های میدانی ایجاد شد.
این تحقیق دارای اهداف زیر است: (1) اندازه گیری وسعت مرتع و توزیع فضایی آنها در غرب استان جیلین در سال 2017. (2) روابط بین باندهای بازتاب، شاخص های طیفی و اندازه گیری های میدانی ANPP و EC با استفاده از RF را فرموله کنید. و (3) و ایجاد مدل تخریب مرتع با استفاده از تجزیه و تحلیل مؤلفه های اصلی (PCA) با استفاده از ANPP و EC پیش بینی شده. ما انتظار داریم که نتیجه این تحقیق بتواند یک روش پایش تخریب مراتع مبتنی بر سنجش از دور برای مدیریت طولانی مدت منابع زمین در مناطق نیمه خشک ارائه دهد.

2. مواد و روشها

2.1. مواد

2.1.1. توضیحات منطقه مطالعه

استان جیلین غربی (43°59′~46°18′ شمالی، 121°38′~126°11′ شرقی)، یکی از جدی ترین مناطق شور-قلیایی در جهان [ 48 ]، در جنوب Songnen واقع شده است. دشت های شمال شرقی چین. ارتفاع منطقه مورد مطالعه از 100 تا 200 متر بالاتر از سطح دریا است [ 49 ]. این منطقه تحت تأثیر آب و هوای موسمی معتدل و نیمه خشک قاره ای است. میانگین بارندگی سالانه حدود 411 میلی متر است که از غرب به شرق به تدریج افزایش می یابد. میانگین تبخیر سالانه حدود سه برابر بارندگی است و از شرق به غرب افزایش می یابد. تبخیر زیاد و بارندگی کم عوامل اصلی شوری خاک در استان جیلین غربی هستند [ 39 , 50]. میانگین دمای زمستان 16- درجه سانتیگراد و تابستان 23 درجه سانتیگراد است. بادها عموماً در تمام طول سال معتدل هستند، به طور متوسط ​​3-6 متر بر ثانیه [ 51 ، 52 ].
علفزارها پراکنده ترین نوع پوشش زمین به جز زمین های زراعی در این منطقه هستند. گونه های علف عبارتند از: Leymus chinensis ، Phragmites australis ، Leymus secalinus ، Spodiopogon sibiricus ، Cleistogenes polyphylla ، Chloris virgate و Iris lactea var. چیننسیس . در طول دهه های گذشته، نسبت Leymus chinensisکاهش یافت، اما نسبت علفزارهای ناخوشایند با افزایش برجستگی مشکلات محیط زیستی افزایش یافت. خاک ها عبارتند از: چرنوزم (Haplic Chernozem، FAO، رم، ایتالیا)، خاک چمنزار (EutricVertisol، FAO، رم، ایتالیا)، خاک بادی (Arenosol، FAO، رم، ایتالیا)، Solonetz (Solonetz، FAO، رم، ایتالیا)، و خاک شاه بلوط (Haplic Kastanozem، FAO، رم، ایتالیا). زمین های نمکی پراکنده و اسکار مانند بخشی از علفزار است. در دهه های گذشته، حدود 20 درصد از مراتع در استان جیلین غربی به دلیل رشد جمعیت و افزایش تقاضای غذا به عنوان زمین کشاورزی بازیابی شده است. علاوه بر این، برخی از مناطق علفزار به دلیل چرای بی رویه تخلیه شدند [ 53 ]. این کاربری‌ها همگی منجر به کاهش سریع مساحت استپ‌های طبیعی شدند [ 54]. پدیده تخریب مراتع قابل توجه است و به طور جدی توسعه اکولوژی طبیعی و اقتصاد اجتماعی را محدود می کند. شکل 1 موقعیت منطقه مورد مطالعه را نشان می دهد.
2.1.2. سنجش از دور و پیش پردازش
ما در مجموع از شش صحنه از Landsat 8 OLI ( https://www.usgs.gov/ ) و دو صحنه Sentinel-2A ( https://scihub.copernicus.eu/ ) از سال 2017 استفاده کردیم. The Sentinel-2A صحنه‌ها فقط برای تأیید صحت طبقه‌بندی نوع پوشش زمین در سال 2017 مورد استفاده قرار گرفتند. بیشتر داده‌های تصویری برای این مطالعه بدون ابر هستند و در فصول مشابه (آگوست تا سپتامبر) به‌دست آمده‌اند. وضوح فضایی 30 متر است که برای تجزیه و تحلیل علفزار و دیگر کاربری زمین کافی است [ 49 ]. تصحیح جغرافیایی، تصحیح اتمسفر، و کالیبراسیون رادیومتری برای هر تصویر قبل از تفسیر برای تصحیح اثرات افزایشی و ضربی جو اعمال شد. بازتاب باند و شاخص های طیفی را می توان پس از پردازش محاسبه کرد [ 55]. به منظور درک بهتر رابطه بین اطلاعات طیفی و داده‌های اندازه‌گیری شده در میدان، ما هشت شاخص طیفی را انتخاب کردیم که شامل شاخص گیاهی متمایز نرمال شده [ 56 ، 57 ]، شاخص گیاهی تقویت‌شده (EVI) [ 58 ]، شاخص گیاهی تعدیل‌شده خاک است. SAVI) [ 59 ]، و شاخص شوری (SIs) [ 60 ، 61 ]. تمام شاخص های طیفی در جدول 1 فهرست شده اند .
2.1.3. داده های میدانی و پردازش نمونه گیری

نمونه‌های زیست توده خاک و علفزار از 170 محل نمونه‌برداری واقع در علفزار با وضعیت‌های مختلف جمع‌آوری شد. سه قطعه 0.5 متر مربعی در اوج زیست توده در هر منطقه (10-21 اوت 2016 و 8-19 اوت 2017) انتخاب شدند. مواد چمن سبز و اخیراً مرده در سطح خاک بریده شد و در کیسه های کاغذی قرار داده شد [ 62 ]. پس از به دست آوردن زیست توده مرتع، نمونه های خاک از لایه 0-5 سانتی متری زیر علفزار مربوطه جمع آوری شد. تمام نمونه های علفزار حداقل به مدت 48 ساعت در دمای 65 درجه سانتی گراد خشک و سپس وزن شدند. به منظور مقایسه مؤثرتر با مطالعات قبلی، واحدهای زیست توده علفزار (g) به شکل کربن (gC) بیان می‌شوند [ 35 ، 63]؛ زیست توده و ضریب تبدیل (0.45) برای اندازه گیری ANPP بر اساس Piao و همکاران استفاده شد. (2002) و چن و همکاران. (2008). بیان به شرح زیر است:

بg=نپپاسبn(1+استوg)
بgنشان دهنده عملکرد یونجه علفزار در واحد سطح (g/m2 ) است. اسبnنشان دهنده ضریب تبدیل، مقدار 0.45 و واحد g/gC است. و استوgنشان دهنده ضریب نسبت زیست توده بین بخش های زیرزمینی و زیرزمینی مرتع است. در این مطالعه، ما فقط ANPP را تجزیه و تحلیل می کنیم. بنابراین، مقدار 0 بود.
EC با آزمایش های آزمایشگاهی خاک به دست آمد. ابتدا هر نمونه خاک پس از خشک شدن با هوا توسط پاستول خرد شد. دوم، با عبور دادن 10 گرم خاک از یک الک 2 میلی متری، سوسپانسیون خاک:آب 1:5 تهیه کردیم. سوسپانسیون با سرعت 15 دور در دقیقه به مدت 1 ساعت به صورت مکانیکی تکان داده شد تا نمک های محلول در آنها حل شود. در نهایت، ما هدایت الکتریکی را با استفاده از متر LEICI DDS-307A آزمایش کردیم [ 16 ، 64 ]. نتایج آزمون نشان داد که مقادیر چهار نقطه داده نابجا هستند، بنابراین هنگام ایجاد مدل‌های وارونگی، داده‌های این چهار نقطه نمونه‌برداری را حذف کردیم. در حال حاضر، 166 نقطه نمونه برداری معتبر به دو بخش تقسیم شده است که شامل مجموعه داده آموزشی (116 = n) و مجموعه داده اعتبار (n = 50) است.
از داده های کمکی برای پشتیبانی از تفسیر و تجزیه و تحلیل نتایج استفاده شد. داده‌های مدل رقومی ارتفاع (DEM، وضوح 30 متر) برای طبقه‌بندی و تصحیح جغرافیایی استفاده شد. سایت های مرجع/ اعتبارسنجی برای طبقه بندی پوشش زمین در سال 2017 از بررسی میدانی، استخراج تصادفی از Sentinel-2A و از Google Earth به دست آمد.

2.2. مواد و روش ها

2.2.1. تجزیه و تحلیل تصویر مبتنی بر شی (OBIA) و درخت تصمیم

تجزیه و تحلیل تصویر مبتنی بر شی (OBIA) تصویر را به اشیاء غیر همپوشانی تقسیم می کند. هیچ شکافی بین اشیاء وجود ندارد که با رابطه توپولوژیکی مطابقت دارد. OBIA شامل گروه بندی پیکسل ها به اشیاء بر اساس شباهت طیفی تصاویر یا یک متغیر خارجی مانند مالکیت، نوع خاک، یا ارتفاع زمین شناسی است [ 65 ]. یک جسم تصویری اطلاعات غنی تری از جمله اطلاعات طیفی، بافت و ویژگی های هندسی و همچنین رابطه بین اشیاء مختلف مانند فاصله [ 66 ] ارائه می دهد. سه پارامتر وجود دارد که اثر بخش‌بندی را تعیین می‌کند: مقیاس، شکل، و فشردگی [ 67 ، 68 ]]. مقیاس بهینه تقسیم بندی با آزمایش های متعدد و مقایسه اثرات تعیین می شود. در این مقاله، مقیاس تعیین شده روی 100 برای Landsat OLI می‌تواند الزامات تحقیق ما را برآورده کند. مقدار پارامتر شکل و فشردگی به ترتیب 0.3 و 0.6 بود.
درخت تصمیم (DT) فرآیند استفاده از مجموعه قوانین اطلاعاتی برای تحقق طبقه بندی است [ 69 ]. قواعد به راحتی قابل درک هستند و فرآیند طبقه بندی نیز در راستای فرآیند شناختی انسان است [ 70 ]. متمایزترین ویژگی درخت تصمیم، انعطاف پذیری برای استفاده از داده های چند منبعی مانند داده های برداری، تصاویر با وضوح مکانی مختلف و سایر داده های کمکی (جغرافیایی، هواشناسی و اقتصادی) است. علاوه بر این، درخت تصمیم می تواند داده های کمکی را به عنوان داده های ورودی با رکوردهای ناقص بپذیرد [ 71]. بنابراین، تفسیر علفزار توسط OBIA و DT تکمیل شد. استخراج اطلاعات علفزار در مقایسه با سایر انواع پوشش گیاهی مانند زمین های کشاورزی و جنگلی دشوارتر است. بنابراین، توزیع علفزار در دو مرحله استخراج شد: (1) به استثنای انواع پوشش زمین به راحتی قابل شناسایی (غیر پوشش گیاهی، زمین کشاورزی، و جنگل). (2) تایید لبه علفزار با توجه به داده های اندازه گیری شده و اطلاعات طیفی ( شکل 2 ).
2.2.2. رگرسیون تصادفی جنگل
RF یک طبقه‌بندی کننده یادگیری ماشینی قدرتمند است که توانایی ضد نویز خوبی برای عملکرد رگرسیون دارد، اما در سنجش از دور به طور کامل ارزیابی نشده است [ 72 ، 73 ]. RF از چندین درخت تصمیم تشکیل شده است، که می توان با ترکیب یک سری از تصمیمات مدل های پایه [ 74 ] پیش بینی کرد که دقت پیش بینی را با مقدار متوسط ​​درخت های تصمیم طبقه بندی متعدد در هر زیر نمونه [ 75 ] بهبود می بخشد. RF از یک زیرمجموعه ورودی تصادفی یا متغیرها در پارتیشن گره به جای بهترین متغیرها استفاده می کند، هدف آن کاهش خطای تعمیم است و بالاترین دقت را به دست می آورد [ 76 ]]. در نهایت، الگوریتم RF دارای مزایای برجسته ناپارامتریک بودن، نتایج پیش‌بینی با دقت بالا و توانایی اندازه‌گیری اهمیت متغیرها در مقایسه با الگوریتم‌های رگرسیون خطی است [ 73 ، 76 ].
چهارده متغیر مورد استفاده برای ارزیابی تخریب مراتع شامل هشت شاخص طیفی و شش باند طیفی است. متغیرهای پیش‌بینی ANPP و EC توسط RF غربالگری شدند، که متغیرهایی با امتیاز اهمیت کمتر را حذف می‌کند. بسته نرم افزاری R “randomForest” برای پیاده سازی وارونگی ANPP و EC استفاده شد و مدل های وارونگی با سه پارامتر تایید شدند: ntree ، mtry و nodesize [ 44 ، 45 ]. مقدار nodesize به صورت پیش فرض یک است که نشان دهنده حداقل اندازه گره های پایانه درخت است. ntree تعداد درخت های تصمیم موجود در یک جنگل تصادفی را مشخص می کند. mtryتعداد متغیرهای گره را برای درخت باینری مشخص می کند. شکل 3 نحوه برقراری رابطه بین تصاویر سنجش از دور و اندازه‌گیری میدانی را برای به دست آوردن مدل‌های وارونگی شوری خاک (EC) و معکوس ANPP با استفاده از RF نشان می‌دهد.
نمونه‌های بوت ntree ( شامل تقریباً یک سوم عناصر مجموعه داده اصلی) به طور تصادفی با پخش از مجموعه داده اصلی استخراج شدند. نمونه های انتخاب نشده شامل داده های خارج از کیسه (OOB) برای آزمایش است. دقت پیش‌بینی هر درخت تصمیم با میانگین OOB [ 77 ] تعیین می‌شود. امتیاز اهمیت می تواند اهمیت متغیرها را آزمایش کند، که با افزایش درصد میانگین مربعات خطا از طریق جابجایی هر متغیر در زمانی که متغیرهای دیگر تغییر نمی کنند، محاسبه می شود. در نهایت، دقت RF با ضریب تعیین (R2 ) و ریشه میانگین مربعات خطا (RMSE) اندازه‌گیری می‌شود. علاوه بر این، عدم قطعیت مدل باید با دقت به عنوان خروجی مدل ارائه شود [ 78 ].
در مطالعه خود، ما نه تنها دقت کلی مدل‌ها را تأیید کردیم، بلکه توزیع فضایی عدم قطعیت مدل‌های وارونگی را نیز تحلیل کردیم. توزیع فضایی عدم قطعیت یک نقشه از عدم قطعیت به جای RMSE ارائه می دهد و بنابراین می تواند به درک و بهبود مدل از جنبه جغرافیایی کمک کند. فلوچارت در شکل 4 نشان داده شده است و مراحل مشخص به شرح زیر است:
(1)
یک ساختار تور ماهی ایجاد کنید که منطقه علفزار را با اندازه سلول 2500 متر پوشش می دهد و سپس نقطه مرکزی هر سلول را برای نشان دادن مکان ها استخراج کنید ( شکل 4 a).
(2)
به هر نقطه مرکزی یک مقدار RMSE اختصاص دهید که بر اساس مقادیر مکان های نمونه محاسبه می شود. مقدار نقاط مرکزی میانگین مقدار RMSE چند نقطه نمونه برداری است. نقاط نمونه برداری نزدیک به نقاط مرکزی با فاصله کنترل ( شکل 4 ب) است که بر اساس مساحت منطقه مورد مطالعه و تراکم نقاط نمونه برداری در این مطالعه 3000 متر تعیین شده است.
(3)
پنجره را به نقطه بعدی ببرید تا تمام نقاط مرکزی پردازش شوند ( شکل 4 ج).
(4)
حذف نقاط با مقدار صفر و ایجاد عدم قطعیت فضایی مدل توسط ابزارهای تحلیل فضایی.
2.2.3. مدل تخریب علفزار از تجزیه و تحلیل مؤلفه اصلی
هر دو ANPP و EC شاخص های مهم تخریب مراتع هستند. با این حال، مدل تخریب مراتع باید از ترکیب وزنی آنها استفاده کند، جایی که وزن ها را نمی توان از مطالعات تجربی به دلیل عدم وجود مرجع تعیین کرد. اگر وزن ها به طور دلخواه تعیین شوند، توجیه یا قابل تعمیم کردن مدل دشوار است. در اینجا، وزن این دو پارامتر با تحلیل مؤلفه های اصلی محاسبه شد.

اصل PCA تلاش برای ترکیب مجدد متغیرهای اصلی در یک گروه جدید از متغیرهای مستقل مستقل با تبدیل متعامد است. متغیرهای تبدیل شده اجزای اصلی نامیده می شوند که هر یک توسط یک بردار ویژه و مقدار ویژه آن از ماتریس کوواریانس متغیرهای ورودی توصیف می شود [ 79 ]. اجزای اصلی توسط متغیرهای غیر همبسته متقابل با حداکثر واریانس ترکیب می شوند. هدف بصری PCA کاهش ابعاد ویژگی‌های داده اضافی است، در حالی که مهمترین بخش از ویژگی‌های داده را حفظ می‌کند، به طوری که اجزای اصلی بتوانند یکپارچگی تمام اطلاعات داده را حفظ کنند. مقدار GDM اولین جزء اصلی محاسبه شده با روش PCA خواهد بود. بیان فرمول به صورت زیر است:

F = AU
X یک ماتریک با n ردیف و m ستون است. A یک ماتریک داده تنظیم شده است که برابر با مقدار آزمایش ( X ) منهای میانگین هر ستون است، F نشان دهنده متغیرهای جدیدی است که توسط PCA محاسبه می شوند و U ماتریکی از بردارهای مقدار ویژه است که از طریق A محاسبه می شود . کوواریانس

اف=آU=[آ11آ12⋯آ1کآ21آ21⋯آ2ک⋮⋮آn1آn2⋯آnک][λ11λ12⋯λ1مترλ21λ22⋯λ2متر⋮⋮λn1λn2⋯λnمتر]=[v11v12⋯v1کv21v22⋯v2ک⋮⋮vمتر1vمتر2…vمترک]

C ماتریس ضرایب پارامترها است که توسط مقدار ویژه و بردار مقدار ویژه محاسبه شده است. بیان به شرح زیر است:

سیمن=UمنEigenvآلتوهمن

i تعداد مولفه های اصلی است و C i ماتریس ضریب پارامترها به جزء اصلی i نتیجه تجزیه و تحلیل است. در این قسمت داده های ورودی توزیع فضایی ANPP و EC بود که به روش RF محاسبه شد. اولین جزء نتیجه خروجی از طریق تبدیل متعامد بود.

3. نتایج

3.1. مدل سازی تصادفی جنگل برای EC و ANPP

RF توانایی رتبه بندی اهمیت متغیرها را قبل از پیش بینی ANPP و EC دارد. با استفاده از روش RF، امتیاز اهمیت همه متغیرها را رتبه بندی کردیم و متغیرهایی را که امتیازات بالاتری داشتند به عنوان متغیرهایی برای ایجاد مدل های وارونگی انتخاب کردیم [ 45 ]. ما متغیرهای مهم را برای تخمین ANPP و EC اندازه‌گیری کردیم. شکل 5نشان می دهد که باند گرین و SI برای مدل EC بیشتر قابل توجه بودند و باند ساحلی، NDVI و SAVI اهمیت بیشتری نسبت به سایر متغیرهای پیش بینی شده برای ایجاد مدل ANPP داشتند. با در نظر گرفتن این موضوع، باندهای سبز، قرمز، آبی، NIR و شاخص های طیفی SI و EVI را به عنوان متغیرهای پیش بینی شده برای مدل EC معکوس و باندهای ساحلی، SWIR، قرمز، آبی و شاخص های طیفی SAVI و NDVI را به عنوان متغیرهای پیش بینی شده برای ایجاد انتخاب کردیم. مدل ANPP
نتایج وارونگی ANPP و EC با سه پارامتر تعیین شد: اندازه گره ، ntree و mtry [ 80 ]. به طور کلی، mtry یک به یک آزمایش شد تا زمانی که مقدار ایده آل پیدا شد. ntree تقریباً می تواند ارزش پایداری خطا را در مدل توسط نمودار قضاوت کند. مقدار پارامترهای بهینه شده با ریشه میانگین مربعات خطا تعیین شد. نتیجه نشان می دهد که مدل بهینه برای ANPP زمانی ایجاد شد که ntree 600 و mtry 4 بود. برای EC، مدل وارونگی زمانی که ntree 400 و mtry 3 بود بهترین بود. R 2از مدل های ANPP و EC به ترتیب 0.85 و 0.91 و RMSE 15.81 g/m2 و 0.057 mS/cm بود.
علاوه بر این، توزیع فضایی عدم قطعیت مدل‌های وارونگی را تحلیل کردیم. مقدمه روش در بخش 2.2.2 شرح داده شده است . شکل 6 نقشه فضایی عدم قطعیت برای پارامترهای تخریب مرتع را نشان می دهد. شکل 6 الف نشان می دهد که RMSE بالاتر مدل ANPP در شمال و شرق منطقه مورد مطالعه توزیع شده است. RMSE در ناحیه مرکزی عمدتاً زیر 10 گرم بر متر مربع و در شمال غربی منطقه بالای 20 گرم بر متر مربع بود . این بدان معناست که مدل ANPP در منطقه مرکزی موثرتر از مناطق شمال یا شرق بوده است. شکل 6b نشان می دهد که RMSE EC زیر 0.10 mS/cm تقریباً کل منطقه را به جز ناحیه مرکزی و بخش کوچکی از ناحیه شمالی را پوشش می دهد. برای مدل EC، مقادیر پیش‌بینی‌شده بسیار بیشتر از مقادیر اندازه‌گیری شده بود که مقدار EC بالای 1 mS/cm بود.

3.2. توزیع فضایی ANPP و EC با استفاده از RF

توزیع فضایی مرتع در غرب استان جیلین توسط OBIA و با استفاده از درخت تصمیم به دست آمد. دقت طبقه‌بندی مراتع با بررسی میدانی و نقاط استخراج تصادفی از تصاویر با وضوح بالاتر ارزیابی شد. صحت طبقه بندی کلی مرتع 92.55 درصد بود. لکه‌های بزرگ‌تر علفزار عمدتاً در ناحیه مرکزی و شمالی توزیع شده‌اند، در حالی که تکه‌های کوچک‌تر از علفزار در جنوب منطقه مورد مطالعه پراکنده شده‌اند. مساحت علفزار 606.73×103 هکتار در غرب استان جیلین در سال 2017 بود.
روابط بین تصاویر لندست OLI و اندازه‌گیری‌های نمونه‌برداری با هدف پیش‌بینی ANPP و EC توسط RF به دست آمد. شکل 7 توزیع فضایی ANPP و EC را در غرب استان جیلین نشان می دهد. شکل 7 a نشان داد که مقدار ANPP مرتع از 32.912 gC/m2 تا 273.794 gC/m2 و مقدار میانگین 106.231 gC/m2 بود . 44.45٪ از منطقه دارای ارزش ANPP بین 75-125 گرم بر متر مربع ، عمدتا در مناطق مرکزی و شمالی بود. 29.79٪ از منطقه دارای 125-200 گرم بر متر مربع ، متمرکز در مناطق مرکزی و شرقی بود. 17.43 درصد از سطح زیر 75 گرم در متر مربع واقع در مناطق میانی بود.
برای اینکه درک روشنی از میزان شوری خاک در منطقه مورد مطالعه داشته باشیم، چهار سطح را برای شوری خاک با استفاده از EC رتبه بندی کردیم. هنگامی که مقدار EC زیر 0.2 mS/cm بود، منطقه بدون نمک در نظر گرفته شد. EC از 0.2 mS/cm تا 0.4 mS/cm کمی شور در نظر گرفته شد. EC در محدوده 0.4 mS/cm تا 0.8 mS/cm به طور متوسط ​​نمکی در نظر گرفته شد و EC بالای 0.8 mS/cm به شدت نمک زده شد. شکل 7b نشان داد که منطقه غیرنمکی آسیب دیده پراکنده است، عمدتاً در بخش مرکزی و شرقی منطقه و تنها 16.39 درصد از کل مساحت مرتع را تشکیل می دهد. مناطق با نمک شدید در منطقه کم ارتفاع در مرکز منطقه مورد مطالعه متمرکز و مناطق با نمک متوسط ​​در وسط و جنوب منطقه پراکنده شدند. منطقه تحت تاثیر نمک 509.72 × 103 هکتار بود که 83.61 درصد از منطقه مورد مطالعه را تشکیل می دهد. شوری کمی رایج ترین رخداد در زمین های متاثر از نمک (116.88 × 103 هکتار ) بود که 19.17 درصد از مساحت را تشکیل می داد. مناطق دارای نمک متوسط ​​و شدید نمک 183.82 × 10 3 هکتار و 209.02 × 10 3 بود.هکتار، به ترتیب 30.15% و 34.28% از علفزار را تشکیل می دهند.

3.3. ارزیابی تخریب علفزار

برای تخمین موثر تخریب مراتع، هم پوشش گیاهی بالای زمین و هم شوری خاک (EC) مرتع را در نظر گرفتیم. مدل تخریب علفزار با ترکیب نرخ تغییر EC و ANPP با استفاده از روش PCA ایجاد شد. ماتریس کوواریانس از داده های نمونه زمینی ساخته شد. از طریق تجزیه ماتریس، دو مقدار ویژه 0.738 و 0.083 به دست آوردیم. مولفه اول با بزرگترین مقدار ویژه 0.738 و بردار ویژه مربوطه (0.261-، 0.685) T تعریف می شود. F 1 نشان دهنده داده های نهایی GDM است. بیان GDM به شرح زیر است:

GDM=اف1=-0.224×آنپپآدj+0.588×Eسیآدj

ANPP adj و EC adj به ترتیب ANPP و EC تنظیم می شوند.
نقشه تخریب مراتع با مدل فوق به دست آمد. اولین جزء اصلی به ترتیب حاوی اطلاعات بیشتری نسبت به ANPP یا EC است. ما اولین جزء را به چهار سطح (تجزیه‌نشده، کمی تخریب‌شده، نسبتاً تخریب‌شده و شدیداً تخریب‌شده) طبقه‌بندی کردیم که به مطالعات شاخص طبقه‌بندی تخریب مراتع چین [ 81 ] و استاندارد ملی چین برای «پارامترهای تخریب، شن‌زدایی و شوری مراتع» اشاره شد. (GB19377-2003) [ 23 ، 28 ]. ارزیابی علفزارهای تخریب نشده در استاندارد ملی بر اساس ویژگی‌های پوشش گیاهی سطحی و شرایط خاک از انواع علفزارهای مشابه در شرایط هیدروترمال مشابه در نزدیکی منطقه نظارت است [ 82 ].]. نتایج نشان داد که علفزار به شدت تخریب شده تقریباً با منطقه شدیداً تحت تأثیر نمک منطبق است و مقادیر ANPP در منطقه به شدت تخریب شده کمتر از 75 گرم در متر مربع بود . نواحی کمی تخریب شده مرتع عمدتاً در نواحی نسبتاً متاثر از نمک و کمی متاثر از نمک که مقادیر ANPP بالاتر از 125 گرم بر متر مربع است ، توزیع شده است. برای منطقه نسبتاً تخریب شده علفزار، مقادیر ANPP از 55 تا 125 گرم بر متر مربع متغیر بود . این قسمت از مرتع در مناطق نسبتاً متأثر از نمک و شدیداً متاثر از نمک قرار داشت. نتایج تجزیه و تحلیل آماری نشان می دهد که 61.31 درصد از مراتع تخریب شده است. مساحت 373.78×103 هکتار بود. شکل 8نشان می دهد که منطقه تخریب نشده مرتع در مرکز و شرق منطقه مورد مطالعه قرار گرفته است، منطقه به شدت تخریب شده در وسط و شمال منطقه واقع شده است، منطقه نسبتاً تخریب شده در کل منطقه پراکنده بوده و کمی تخریب شده است. منطقه عمدتاً در غرب منطقه قرار داشت. زمین‌های به شدت تخریب‌شده بیشتر در مناطق تخریب‌شده مرتع دیده می‌شد که 34.52 درصد را شامل می‌شد و پس از آن زمین‌های با تخریب متوسط ​​قرار داشت. منطقه نسبتاً تخریب شده 88.29×103 هکتار بود. تنها 12.30 درصد علفزار وجود داشت که کمی تخریب شده بود. مساحت 75.01 × 103 هکتار بود.

4. بحث

4.1. جنگل تصادفی در مقابل رگرسیون حداقل مربعات جزئی

برای نشان دادن بهتر مزایای روش RF در پیش‌بینی پارامترهای تخریب مراتع، نتایج پیش‌بینی روش‌های RF و PLSR را مقایسه کردیم. PLSR توسعه ای از تحلیل رگرسیون چندگانه است که در آن اثرات ترکیب خطی چندین پیش بینی کننده بر روی یک متغیر پاسخ (یا متغیرهای پاسخ چندگانه) تحلیل می شود. برخی از محققان از PLSR برای تخمین زیست توده [ 83 ] و EC در گذشته استفاده کردند [ 84 ، 85 ]. PLSR از توانایی قابل استنتاج خود برای شبیه سازی رابطه خطی احتمالی بین بازتاب طیفی و داده های زمین اندازه گیری شده استفاده می کند. در عین حال، PLSR همچنین می‌تواند شامل متغیرهای پاسخ چندگانه برای مقابله موثر با نویز قوی و هم خطی متغیرهای پیش‌بینی شود [ 86 ]]. PLSR از متغیرهای اضافی یا پیش پردازش غیرخطی متغیرها برای مقابله با وضعیت غیرخطی استفاده می کند. با این حال، استراتژی استفاده از عوامل اضافی باعث برازش بیش از حد می شود و توانایی پیش بینی واقعی آن را کاهش می دهد [ 87 ]. RF می تواند از میانگین برای بهبود دقت پیش بینی و کنترل بیش از حد برازش استفاده کند.
جدول 2 نتیجه تخمین ANPP و EC با استفاده از PLSR را نشان می دهد. برای ANPP، مدل‌های وارونگی نشان داد که NDVI و SWIR بهترین متغیرها هستند. برای مدل EC، تأثیرگذارترین متغیر نوار سبز بود. در مطالعه قبلی ما متوجه شدیم که انعکاس سبز به طور قابل توجهی زمانی که مقدار EC بالای 1 میلی‌ثانیه بر سانتی‌متر بود افزایش می‌یابد، که توضیح می‌دهد که چرا نتایج وارونگی مدل توان توان دارای دقت بالایی است [ 39 ].
داده‌های اعتبارسنجی (50=n) برای اعتبارسنجی عملکرد پیش‌بینی مدل‌ها استفاده شد. شکل 9 دقت مدل های RF و PLSR را نشان می دهد. نتایج اعتبار سنجی نشان می دهد که R2 مدل های RF به طور قابل توجهی بالاتر از مدل PLSR بود. شکل 9 a,c رابطه بین مقدار واقعی و مقدار پیش بینی شده توسط RF را نشان می دهد. شکل 9 b,d رابطه را با PLSR نشان می دهد. برای ANPP، R2 از 0.57 به 0.87 و از 0.81 به 0.95 برای EC افزایش یافت. این مدل‌های وارونگی که توسط RF ایجاد شده‌اند دارای بالاترین R2 و کمترین RMSE بودند. مدل‌های RF بیش از 85 درصد از تغییرات ANPP/EC را با RMSE 13.13 gC/m2 توضیح دادند .و 0.046 mS/cm به ترتیب. نتایج نشان داد که RF تکنیک مناسب تری نسبت به PLSR برای تخمین و نقشه برداری ANPP و EC است.
RF دارای یادگیری یکپارچه است، هر دو واریانس و انحراف نسبتا کم هستند و عملکرد تعمیم در مقایسه با درختان رگرسیون کلاسیک برتر است. RF می تواند یک روش موثر برای متعادل کردن خطای مجموعه داده ها در صورت عدم تعادل در طبقه بندی ارائه دهد. از آنجایی که RF یک مدل درختی است، می توانیم مستقیماً بدون نرمال سازی از آن استفاده کنیم. اگرچه RF بیش از PLSR به روش “جعبه سیاه” شباهت دارد، اما هنوز معنای درختان تصمیم را با اهمیت متغیر تفسیر می کند [ 88 ].

4.2. اهمیت شوری خاک

استان جیلین غربی از نظر اکولوژیکی منطقه حساس و شکننده با سطح وسیعی از شوری خاک است و یکی از تنها سه سرزمین قلیایی در جهان است. شور شدن خاک به طور جدی توسعه استپ های طبیعی و دامپروری را محدود می کند [ 42 ]. شوری خاک عامل اصلی تخریب مراتع است. علفزارهای متعددی بر روی خاک های شور در استان جیلین غربی پراکنده شده است و موضوع شور شدن خاک علفزار توجه روزافزونی را به خود جلب می کند. با تشدید شوری خاک، نسبت در معرض لکه های قلیایی به طور قابل توجهی افزایش یافت [ 39 ، 54 ]]. شوری خاک یکی از عوامل اصلی محدود کننده توسعه پایدار اکولوژی در غرب استان جیلین، کاهش تولید پوشش گیاهی، افزایش نسبت علفزارهای غیر خوش طعم و تأثیر بر تنوع گونه های گیاهی است [ 22 ، 39 ]. شکل 10 وضعیت های مختلف مراتع را در سطوح مختلف شوری خاک نشان می دهد. شکل 10 a پوشش مرتع را نشان می دهد، نرخ پوشش از زیاد به پایین a1 > a3 > a4 > a2 است، شکل 10 b سطوح خاک متاثر از نمک را نشان می دهد، ترتیب شوری خاک از b3 > b2 > b4 > b1 است. بالا به پایین. سطح نمک خاک در شکل 10b3 بالاتر از سایر نمونه ها بود. با این حال، پوشش گیاهی پایین ترین بود. اگر مدل تخریب مراتع فقط بر پوشش علفزار یا عملکرد چمن متمرکز شود، این وضعیت با مناطق تخریب نشده اشتباه گرفته می شود. در واقع با افزایش شوری خاک، میزان گونه های غالب چمن کاهش یافته است. GMD بر اتکای بیش از حد به پوشش علفزار و توانایی تولید چمن برای تجزیه و تحلیل تخریب علفزار غلبه کرد و مدلی مؤثر را تولید کرد که به وضعیت واقعی نزدیک‌تر بود.
به دلیل شوری خاک، 61/83 درصد از مراتع مناطق آلوده به نمک بودند. علاوه بر این، مناطق با نمک متوسط ​​و شدید، رایج ترین نوع در مناطق مرتعی تحت تأثیر نمک بودند. بنابراین شور شدن مراتع عاملی است که در ارزیابی تخریب مراتع نمی توان آن را نادیده گرفت.
در مطالعات گذشته، مساحت کل مرتع کاهش یافت و علفزار شدیدترین نوع پوشش گیاهی تحت تأثیر نمک در دهه های گذشته بود [ 7 ، 16 ، 39 ]. علاوه بر این، شوری خاک عامل کلیدی تخریب مراتع در استان جیلین غربی است [ 89 ]]. در این مقاله متوجه شدیم که مناطق بسیار شور با علفزارهای به شدت تخریب شده همبستگی بالایی دارند. مشخص شد که سلامت و رفاه مراتع با وضعیت خاک همبستگی زیادی دارد. با این حال، این مفهوم به وضوح در بسیاری از مطالعات تخریب مراتع اشاره نشده است، و شوری خاک به ندرت در محاسبه مدل تخریب مرتع ادغام شده است. در مطالعات قبلی، توجه بیشتری به زیست توده بالای زمین، پوشش گیاهی، و گونه‌های پوشش گیاهی نسبت به ویژگی‌های خاک در برآورد تخریب مراتع شده است. این مطالعه پیشگامانه به ارزیابی جامعی از تخریب مراتع از دیدگاه جدیدی دست می یابد.

4.3. عدم قطعیت های تخریب علفزار

سنجش از دور فناوری های سنجش متعددی را برای نظارت بر تخریب علفزار ارائه می دهد. پایش تخریب مراتع از طریق ایجاد مدل‌هایی با استفاده از اندازه‌گیری‌ها و تصاویر ماهواره‌ای در مقایسه با روش‌های سنتی به ابزار بسیار مطمئن‌تری تبدیل شده است. دو مشکل عمده پیش روی ارزیابی تخریب وجود دارد: (1) عدم قطعیت ارزیابی‌های پایه و سیستم‌های شاخص و (ب) استفاده نادرست از منابع داده سنجش از دور. لیو و همکاران درجه تخریب علفزار را با استفاده از نسبت پوشش چمن و نسبت علف های ناخوشایند، که توسط قطعات 1 متر مربعی نمونه برداری شد ، ارزیابی کرد . سپس مدل خطر تخریب علفزار با جمع وزنی با وزن 0.5 اختصاص داده شده به هر پارامتر به دست آمد [ 24 ]]. وی و همکاران تخریب علفزار را با نرخ تغییر پوشش علفزار و NPP متوجه شد و سپس سهم نیروهای محرک را به صورت کمی ارزیابی کرد [ 8 ]. برخی از مطالعات تخریب علفزار را با تفسیر تصاویر از راه دور با سطوح مختلف ارزیابی کردند [ 90 ]. در این مطالعات، برخی عدم قطعیت در تخریب مراتع وجود داشت که ناشی از انتخاب شاخص‌های تخریب و تخصیص وزن شاخص‌های ارزیابی بود. علاوه بر این، وضوح تصویر، تأثیر باندها، شناخت مترجم برای منطقه مورد مطالعه، و مهارت های حرفه ای بر نتایج تخریب علفزار تأثیر دارد. مطالعات قبلی نشان می دهد که توزیع فضایی علفزار عمدتاً تحت تأثیر نمک موجود در خاک سطحی در مناطق نیمه خشک یا خشک قرار گرفته است [ 37 ]]. در مقاله ما، ANPP و شوری خاک را به عنوان پارامترهای تحقیقاتی سیستم تخریب مرتع با توجه به ویژگی‌های خاک استان جیلین غربی انتخاب کردیم. علاوه بر این، در توزیع وزن پارامترها، از روش PCA به جای تصمیم مصنوعی برای کاهش عدم قطعیت ناشی از دخالت انسان استفاده می‌کنیم. اگرچه ما روش ارزیابی تخریب مراتع را بهبود بخشیده ایم، هنوز برخی عدم قطعیت ها وجود دارد. شکل 6 عدم قطعیت های فضایی مدل های ANPP و EC و چگونگی کاهش RMSE بالاتر را در مناطق جنوبی و شرقی نشان می دهد. بهبود بیشتر دقت تخریب مراتع تمرکز اصلی تحقیقات آینده ما است.

5. نتیجه گیری ها

در این تحقیق، ما تخریب مراتع را نه تنها با پوشش آن، بلکه کیفیت و بهره‌وری آن را نیز ارزیابی کردیم. ما یک مدل تخریب مرتع جدید را ایجاد کردیم، که به طور ویژه برای مناطق نیمه خشک، بر اساس تولید اولیه خالص بالای زمین و شوری خاک با استفاده از 166 نمونه برداری مزرعه طراحی شده بود. پارامترهای تخریب مرتع با تایید RF رابطه با شاخص های طیفی و باندهای فردی از تصاویر ماهواره ای ارزیابی شد. نتیجه نشان می دهد که RMSE ANPP 15.81 gC/m2 ( R2 = 0.85) و EC 0.057 mS/cm (R2) بود .= 0.91). GMD با تخمین ANPP و EC با استفاده از PAC به دست آمد. GMD نشان داد که 61.31 درصد از علفزار در منطقه مورد مطالعه تخریب شده است. زمین های به شدت تخریب شده بیشتر در منطقه تخریب شده مرتع دیده می شود که 34.52 درصد از منطقه را تشکیل می دهد و پس از آن با تخریب متوسط ​​​​را تشکیل می دهد. منطقه نسبتاً تخریب شده 88.29×103 هکتار بود. تنها 12.30 درصد از مراتع تخریب جزئی را نشان داد و منطقه 75.01 × 10 3 بود.در هکتار نتایج ما نشان می‌دهد که روش ما راه‌حلی مناسب برای پایش تخریب مراتع از طریق سنجش از دور و جمع‌آوری داده‌های درجا ANPP و EC است. علاوه بر این، اقدامات بازسازی و حفاظت با کمک دولت باید به شیوه‌ای معمول و با شدت بالاتر اجرا شود تا تخریب مراتع آینده در استان جیلین غربی چین به حداقل برسد.

منابع

  1. پیائو، اس. نیش، جی. او، جی. Xiao، Y. توزیع فضایی زیست توده مرتع در چین. Acta Phyto Sin. 2004 ، 28 ، 491-498. (به زبان چینی) [ Google Scholar ]
  2. Scurlock، JM; جانسون، ک. اولسون، RJ برآورد بهره‌وری خالص اولیه از اندازه‌گیری‌های دینامیک زیست توده علفزار. گلوب. چانگ. Biol. 2002 ، 8 ، 736-753. [ Google Scholar ] [ CrossRef ]
  3. کارلیر، ال. روتار، آی. ولاهوا، م. Vidican, R. اهمیت و عملکرد مراتع. نه. ربات Horti Agrobot. کلوژ ناپوکا 2009 ، 37 ، 25-30. [ Google Scholar ]
  4. Sperling، K. عملکردهای اکوسیستم علفزار چیست؟ در دسترس آنلاین: https://sciencing.com/functions-grassland-ecosystem-5681746.html (در تاریخ 2 دسامبر 2018 قابل دسترسی است).
  5. وانگ، ز. دنگ، XZ; آهنگ، دبلیو. لی، ژ. Chen, JC علت اصلی تخریب مراتع چیست؟ مطالعه موردی خدمات اکوسیستم علفزار در مغولستان داخلی میانه جنوبی. Catena 2017 ، 150 ، 100-107. [ Google Scholar ] [ CrossRef ]
  6. هائو، ال. سان، جی. لیو، ی. گائو، ز. او، جی. شی، تی. Wu، B. اثرات بارش بر احیای اکوسیستم مرتع تحت محرومیت چرا در مغولستان داخلی، چین. Landsc. Ecol. 2014 ، 29 ، 1657-1673. [ Google Scholar ] [ CrossRef ]
  7. فی، ال. ژانگ، اس. یانگ، جی. چانگ، ال. یانگ، اچ. بو، ک. اثرات تغییر کاربری زمین بر ارزش خدمات اکوسیستم در جیلین غربی از زمان اصلاحات و افتتاح چین. اکوسیست. خدمت 2018 ، 31 ، 12-20. [ Google Scholar ] [ CrossRef ]
  8. فنگ، ی. لو، کیو. توکولا، تی. لیو، اچ. وانگ، X. ارزیابی تخریب علفزار در شهرستان گوینان، استان چینگهای، چین، در 30 سال گذشته. تخریب زمین توسعه دهنده 2009 ، 20 ، 55-68. [ Google Scholar ] [ CrossRef ]
  9. وانگ، ز. آهنگ، ک. ژانگ، بی. لیو، دی. رن، سی. لو، ال. یانگ، تی. هوانگ، ن. هو، ال. یانگ، اچ. و همکاران انقباض و تکه تکه شدن مراتع در دشت سونگن غربی، چین. کشاورزی اکوسیست. محیط زیست 2009 ، 129 ، 315-324. [ Google Scholar ] [ CrossRef ]
  10. Andrade، BO; کوچ، سی. بولدرینی، دوم; ولز مارتین، ای. هاسناک، اچ. هرمان، جی.ام. کولمان، جی. ستون، VD; Overbeck، GE Grassland تخریب و بازسازی: یک چارچوب مفهومی از مراحل و آستانه نشان داده شده توسط مراتع جنوبی برزیل. نات. حفظ کنید. 2015 ، 13 ، 95-104. [ Google Scholar ] [ CrossRef ]
  11. لیو، جی. الماس، محیط زیست چین در جهان در حال جهانی شدن. طبیعت 2005 ، 435 ، 1179-1186. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  12. لیو، جی. کوانگ، دبلیو. ژانگ، ز. خو، X. Qin، Y. نینگ، جی. ژو، دبلیو. ژانگ، اس. لی، آر. Yan, C. ویژگی‌های فضایی و زمانی، الگوها و علل تغییرات کاربری زمین در چین از اواخر دهه 1980. جی. جئوگر. علمی 2014 ، 24 ، 195-210. [ Google Scholar ] [ CrossRef ]
  13. دای، جی. اولگیاتی، س. ژانگ، ی. یو، بی. کانگ، م. جین، ی. دونگ، ایکس. ژانگ، ایکس. وعده‌های دروغین بهره‌برداری از زغال‌سنگ: چگونه استخراج معادن بر رفاه گله‌داران در اکوسیستم‌های مرتعی مغولستان داخلی تأثیر می‌گذارد. سیاست انرژی 2014 ، 67 ، 146-153. [ Google Scholar ] [ CrossRef ]
  14. نیش، ال. ژانگ، بی. سو، دبلیو. سلام.؛ وانگ، ز. آهنگ، ک. لیو، دی. تغییر بیابان زایی لیو، زی و نیروهای محرک آن در غرب استان جیلین، شمال چین. محیط زیست نظارت کنید. ارزیابی کنید. 2008 ، 136 ، 379-390. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  15. وو، جی. وینسنت، بی. یانگ، جی. بوارفا، س. ویدال، الف. نظارت سنجش از دور تغییرات شوری خاک: مطالعه موردی در مغولستان داخلی، چین. Sensors 2008 , 8 , 7035-7049. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  16. بای، ال. وانگ، CZ; زنگ، سی. ژانگ، YH; هائو، QN; Wu، YX سنجش از دور قلیاییت و شوری خاک در حوضه رودخانه Wuyu’er-Shuangyang، شمال شرقی چین. Remote Sens. 2016 , 8 , 163. [ Google Scholar ] [ CrossRef ]
  17. زو، ی. ژانگ، ز. ژو، Q. ژائو، ایکس. لیو، ب. الگوی فضایی و تحلیل آن از تغییرات مرتع چین در ده سال اخیر با استفاده از سنجش از دور و GIS. J. Remote Sens. 2003 ، 7 ، 428-432. (به زبان چینی) [ Google Scholar ]
  18. Drummond، MA پویایی منطقه ای تغییر علفزار در دشت های بزرگ غربی. Gt. Plains Res. 2007 ، 17 ، 133-144. [ Google Scholar ]
  19. علی، من. کاوکول، اف. دوایر، ای. بارت، بی. گرین، S. سنجش از دور ماهواره‌ای مراتع: از مشاهده تا مدیریت. J. Plant Ecol. 2016 ، 9 ، 649-671. [ Google Scholar ] [ CrossRef ]
  20. نندل، سی. هو، ی. دریاچه‌ها، T. تغییر کاربری زمین و تخریب زمین در فلات مغولستان از سال 1975 تا 2015 – مطالعه موردی از Xilingol، چین. تخریب زمین توسعه دهنده 2018 ، 29 ، 1595-1606. [ Google Scholar ]
  21. هو، ایکس. ژوانگ، دی. یو، X. تغییر علفزار و الگوهای فضایی آن در سین کیانگ در دهه 1990. Acta Geogr. گناه 2004 ، 59 ، 409-417. (به زبان چینی) [ Google Scholar ]
  22. لی، اف. جیانگ، ال. وانگ، ایکس. ژانگ، ایکس. ژنگ، جی. ژائو، Q. تخمین زیست توده مرتع بالای زمین با استفاده از داده های MODIS چند زمانی در دشت Songnen غربی، چین. J. Appl. Remote Sens. 2013 , 7 , 073546. [ Google Scholar ] [ CrossRef ]
  23. گائو، کیو. وان، ی. خو، اچ. لی، ی. وانگ، جی. Borjigidai، A. شاخص تخریب مرتع آلپ و پاسخ آن به تغییرات آب و هوایی اخیر در تبت شمالی، چین. کوات. بین المللی 2010 ، 226 ، 143-150. [ Google Scholar ] [ CrossRef ]
  24. لیو، ی. ژا، ی. گائو، جی. Ni، S. ارزیابی تخریب مرتع در نزدیکی دریاچه چینگهای، غرب چین، با استفاده از Landsat TM و داده های طیف بازتاب درجا. بین المللی J. Remote Sens. 2004 ، 25 ، 4177-4189. [ Google Scholar ] [ CrossRef ]
  25. ژانگ، ی. وانگ، ک. یانگ، ی. لی، جی. ژانگ، ی. Zhang, C. تحقیق در مورد ارزیابی کمی تخریب مرتع و توزیع مکانی و زمانی در فلات مغولستان. پارتاکولت علمی 2018 ، 35 ، 233-243. [ Google Scholar ]
  26. تارانتینو، سی. آدامو، م. لوکاس، آر. Blonda، P. تشخیص تغییرات در علفزارهای نیمه طبیعی با تجزیه و تحلیل همبستگی متقابل با تصاویر WorldView-2 و داده های جدید Landsat 8. سنسور از راه دور محیط. 2016 ، 175 ، 65-72. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  27. وانگ، اچ جی. فن، WJ; Cui، YK; ژو، ال. Yan، BY; وو، دی اچ. Xu، XR فراطیفی سنجش از دور تخریب علفزار. Spectrosc. طیف مقعدی 2010 ، 30 ، 2734-2738. [ Google Scholar ]
  28. لیو، جی. Xu، XL; Shao، تخریب علفزار QQ در منطقه “Three-River Headwaters”، استان Qinghai. جی. جئوگر. علمی 2008 ، 18 ، 259-273. [ Google Scholar ] [ CrossRef ]
  29. لو، بی. او، Y. طبقه‌بندی گونه‌ها با استفاده از وسایل نقلیه هوایی بدون سرنشین (UAV) تصاویری با وضوح فضایی بالا در یک علفزار ناهمگن به دست آورد. ISPRS J. Photogramm. Remote Sens. 2017 ، 128 ، 73-85. [ Google Scholar ] [ CrossRef ]
  30. ژانگ، XF; نیو، جی.ام. بویانتویف، آ. ژانگ، کیو. دونگ، جی جی. کانگ، اس. ژانگ، جی. درک تخریب و احیای مراتع از دیدگاه خدمات اکوسیستم: مطالعه موردی حوضه رودخانه Xilin در مغولستان داخلی، چین. Sustainability 2016 , 8 , 594. [ Google Scholar ] [ CrossRef ][ Green Version ]
  31. جینگ، ال. جیان، دبلیو. تخمین زیست توده گیاهی در جون ما چانگ شهرستان شاندان با استفاده از داده های Landsat TM. فناوری سنسور از راه دور. Appl. 2011 ، 19 ، 343-347. [ Google Scholar ]
  32. ایمهوف، ام ال. بونوآ، ال. ریکتز، تی. لوکس، سی. هریس، آر. لارنس، WT الگوهای جهانی در مصرف انسانی تولید اولیه خالص. طبیعت 2004 ، 429 ، 870-873. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  33. لو، ال. وانگ، ز. مائو، دی. لو، ی. رن، سی. Song، K. پاسخ بهره وری اولیه خالص علفزار در دشت Songnen غربی در شمال شرقی چین به تغییرات آب و هوا و فعالیت های انسانی. چانه. جی. اکول. 2012 ، 31 ، 1533-1540. [ Google Scholar ]
  34. Knapp، AK; اسمیت، MD تنوع در بین بیوم ها در دینامیک زمانی تولید اولیه بالای زمین. Science 2001 , 291 , 481-484. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  35. پیائو، اس. نیش، جی. تولید اولیه خالص زمینی و الگوهای مکانی-زمانی آن در فلات چینگهای-ژیزانگ، چین طی سال‌های 1982-1999. جی. نات. حفظ کنید. 2002 ، 17 ، 373-380. [ Google Scholar ]
  36. لی، جی. یانگ، ایکس. جین، ی. یانگ، ز. هوانگ، دبلیو. ژائو، ال. گائو، تی. یو، اچ. ما، اچ. Qin، Z. و همکاران پایش و تجزیه و تحلیل پویایی بیابان زایی مراتع با استفاده از تصاویر Landsat در Ningxia، چین. سنسور از راه دور محیط. 2013 ، 138 ، 19-26. [ Google Scholar ] [ CrossRef ]
  37. لین، جی. وانگ، جی. لی، ایکس. ژانگ، ی. خو، Q. Mu، C. اثرات تنش‌های شور و قلیایی در رژیم‌های دمایی مختلف بر جوانه‌زنی بذر Leymus chinensis از علفزار Songnen چین. علم علوفه علف. 2011 ، 66 ، 578-584. [ Google Scholar ] [ CrossRef ]
  38. وو، ال. لی، کیو. تحقیق مکانیسم بیابان زایی شور در دشت سونگنن غربی. J. حفظ آب خاک. 2003 ، 17 ، 79-81. (به زبان چینی) [ Google Scholar ]
  39. یو، اچ. لیو، ام. دو، بی. وانگ، ز. هو، ال. ژانگ، ب. نقشه برداری از شوری / سدیمی خاک با استفاده از تصاویر Landsat OLI و الگوریتم PLSR بر روی استان جیلین غربی، چین. Sensors 2018 , 18 , 1048. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  40. هان، DM; وانگ، جی کیو؛ Xue, BL; لیو، تگزاس؛ A, YL; Xu، XY ارزیابی تخریب مراتع نیمه خشک در شمال چین از دیدگاه های متعدد. Ecol. مهندس 2018 ، 112 ، 41-50. [ Google Scholar ] [ CrossRef ]
  41. جیانگ، اس. ژو، دی. Jin, Y. ویژگی دینامیک رطوبت و نمک در علفزارهای قلیایی شور دشت Songnen در طول دوره ذوب. J. شمال شرقی هنجار. دانشگاه 2006 ، 38 ، 124. (به زبان چینی) [ Google Scholar ]
  42. الدریج، دی جی; Wong، VNL درختان انباشته و جدا شده بر سطوح مواد مغذی خاک در جنگل‌های باکس معتدل استرالیا تأثیر می‌گذارند. خاک گیاهی 2005 ، 270 ، 331-342. [ Google Scholar ] [ CrossRef ]
  43. فریفته، ج. ون در میر، اف. آتزبرگر، سی. Carranza، EJM تجزیه و تحلیل کمی طیف بازتاب خاک متاثر از نمک: مقایسه دو روش تطبیقی ​​(PLSR و ANN). سنسور از راه دور محیط. 2007 ، 110 ، 59-78. [ Google Scholar ] [ CrossRef ]
  44. موتانگا، او. آدام، ای. Cho, MA برآورد زیست توده با چگالی بالا برای پوشش گیاهی تالاب با استفاده از تصاویر WorldView-2 و الگوریتم رگرسیون جنگل تصادفی. بین المللی J. Appl. زمین Obs. Geoinf. 2012 ، 18 ، 399-406. [ Google Scholar ] [ CrossRef ]
  45. راموئلو، ا. چو، MA; متیو، آر. مادونسلا، اس. ون دی کرچوو، آر. کاستا، ز. Wolff, E. نظارت بر مواد مغذی چمن و زیست توده به عنوان شاخص های کیفیت و کمیت مرتع با استفاده از مدل سازی تصادفی جنگل و داده های WorldView-2. بین المللی J. Appl. زمین Obs. Geoinf. 2015 ، 43 ، 43-54. [ Google Scholar ] [ CrossRef ]
  46. باراندیران، اول. روش زیرفضای تصادفی برای ساخت جنگل های تصمیم. IEEE Trans. الگوی مقعدی ماخ هوشمند 1998 ، 20 ، 1-22. [ Google Scholar ]
  47. چن، ال. وانگ، ی. رن، سی. ژانگ، بی. Wang, Z. ارزیابی SAR چند طول موج و داده‌های ابزار چندطیفی برای نقشه‌برداری زیست توده بالای زمینی جنگل با استفاده از کریجینگ تصادفی جنگل. برای. Ecol. مدیریت 2019 ، 447 ، 12-25. [ Google Scholar ] [ CrossRef ]
  48. ما، اچ. Lv، B. لی، ایکس. لیانگ، Z. پاسخ جوانه زنی به سطوح مختلف شوری برای 18 گونه چمن از علفزارهای شور-قلیایی دشت سونگن، چین. پاک جی. بات. 2014 ، 46 ، 1147-1152. [ Google Scholar ]
  49. لیو، بی. Guo, J. ارزش خدمات اکوسیستم علفزار در استان جیلین غربی. گراسل. چین 2005 ، 27 ، 2-21. (به زبان چینی) [ Google Scholar ]
  50. وانگ، ز. ژانگ، ی. ژانگ، بی. آهنگ، ک. گوا، ز. لیو، دی. لی، اف. پویایی منظر و عوامل محرک در شهرستان داآن استان جیلین در شمال شرقی چین طی سال‌های 1956 تا 2000. چانه. Geogr. علمی 2008 ، 18 ، 137-145. [ Google Scholar ] [ CrossRef ]
  51. مویوو، جی پی؛ لو، دبلیو. ژائو، ی. یانگ، ی. یانگ، ی. تأثیر استفاده از زمین بر فرآیندهای هیدرولوژیکی توزیع شده در اکوسیستم تالاب نیمه خشک جیلین غربی. هیدرول. روند. 2010 ، 24 ، 492-503. [ Google Scholar ] [ CrossRef ]
  52. مائو، دی. او، X. وانگ، ز. تیان، ی. شیانگ، اچ. یو، اچ. مرد، دبلیو. جیا، م. رن، سی. ژنگ، اچ. سیاست های متنوعی که منجر به تأثیرات متضاد بر پوشش زمین و خدمات اکوسیستم در شمال شرقی چین می شود. J Clean. تولید 2019 ، 240 ، 117961. [ Google Scholar ] [ CrossRef ]
  53. کائو، سی. ژانگ، ی. کیان، دبلیو. لیانگ، CP; وانگ، سی ام؛ تائو، اس. تغییرات کاربری زمین بر جوامع باکتریایی خاک در یک علفزار چمنزار در شمال شرقی چین تأثیر می گذارد. زمین جامد 2017 ، 8 ، 1119-1129. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  54. لی، اف. ژانگ، اس. بو، ک. یانگ، جی. وانگ، کیو. چانگ، L. روابط بین تغییر کاربری زمین و پویایی جمعیتی در استان جیلین غربی. جی. جئوگر. علمی 2015 ، 25 ، 617-636. [ Google Scholar ] [ CrossRef ]
  55. وو، دبلیو. مهیمید، ع. الشافعی، WM; زیادت، ف. ذهیبی، بی. نانگیا، وی. De Pauw, E. نقشه برداری تغییرات شوری خاک با استفاده از سنجش از دور در مرکز عراق. ژئودرما Reg. 2014 ، 2-3 ، 21-31. [ Google Scholar ] [ CrossRef ]
  56. Shrestha، RP ارتباط هدایت الکتریکی خاک با سنجش از دور و سایر خواص خاک برای ارزیابی شوری خاک در شمال شرقی تایلند. تخریب زمین توسعه دهنده 2006 ، 17 ، 677-689. [ Google Scholar ] [ CrossRef ]
  57. جیا، م. وانگ، ز. وانگ، سی. مائو، دی. Zhang، Y. یک شاخص گیاهی جدید برای تشخیص جنگل حرا غوطه ور دوره ای با استفاده از تصاویر Single-Tide Sentinel-2. Remote Sens. 2019 ، 11 ، 2043. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  58. جیانگ، ز. هیوت، ا. دیدان، ک. میورا، تی. توسعه یک شاخص پوشش گیاهی دو باندی بدون نوار آبی. سناتور از راه دور محیط زیست. 2008 ، 112 ، 3833-3845. [ Google Scholar ] [ CrossRef ]
  59. الحمدی، ام اس; Glenn, EP تشخیص سلامت درختان خرما و تغییر سبزی گیاهی در سواحل شرقی امارات متحده عربی با استفاده از SAVI. بین المللی J. Remote Sens. 2008 ، 29 ، 1745-1765. [ Google Scholar ] [ CrossRef ]
  60. بوعزیز، م. ماتشولات، ج. Gloaguen, R. بهبود تشخیص از راه دور شوری خاک از آب و هوای نیمه خشک در شمال شرقی برزیل. CR Geosci. 2011 ، 343 ، 795-803. [ Google Scholar ] [ CrossRef ]
  61. دوائوی، AEK; نیکلاس، اچ. والتر، سی. تشخیص خطرات شوری در یک بافت نیمه خشک با استفاده از ترکیب خاک و داده های سنجش از دور. ژئودرما 2006 ، 134 ، 217-230. [ Google Scholar ] [ CrossRef ]
  62. بیرن، KM; Lauenroth، WK; آدلر، پی بی. برن، CM برآورد تولید اولیه خالص بالای زمین در مراتع: مقایسه روش های غیر مخرب. Rangel Ecol. مدیریت 2011 ، 64 ، 498-505. [ Google Scholar ] [ CrossRef ]
  63. چن، اس. وانگ، اس. ژو، ی. برآورد بهره وری چمنزار چینی با استفاده از سنجش از دور. ترانس. CSAE 2008 ، 24 ، 208-212. (به زبان چینی) [ Google Scholar ]
  64. ژانگ، T.-T. Qi، J.-G. گائو، ی. اویانگ، Z.-T. Zeng، S.-L. Zhao، B. تشخیص شوری خاک با داده های سری زمانی MODIS VI. Ecol. اندیک. 2015 ، 52 ، 480-489. [ Google Scholar ] [ CrossRef ]
  65. جاواک، SD; دیولیال، پ. Luis, AJ مروری جامع بر روی روش‌های پیکسل‌گرا و شی گرا برای استخراج اطلاعات از تصاویر ماهواره‌ای سنجش از راه دور با تأکید ویژه بر کاربردهای کرایوسفر. Adv. Remote Sens. 2015 ، 4 ، 177. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  66. حسین، م. چن، دی. چنگ، ا. وی، اچ. Stanley, D. تغییر تشخیص از تصاویر سنجش از راه دور: از رویکردهای مبتنی بر پیکسل به رویکردهای مبتنی بر شی. ISPRS J. Photogramm. Remote Sens. 2013 ، 80 ، 91-106. [ Google Scholar ] [ CrossRef ]
  67. هلسن، تی. Matikainen, L. یک رویکرد مبتنی بر شی برای نقشه برداری پوشش درختچه و درخت در زیستگاه های علفزار با استفاده از LiDAR و CIR orthoimages. Remote Sens. 2013 ، 5 ، 558-583. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  68. ژانگ، XL; شیائو، پی اف. آهنگ، XQ; او، روش تقسیم‌بندی چند مقیاسی محدود با مرز JF برای تصاویر سنجش از دور. ISPRS J. Photogram. 2013 ، 78 ، 15-25. [ Google Scholar ] [ CrossRef ]
  69. Otukei، JR; Blaschke، T. ارزیابی تغییر پوشش زمین با استفاده از درخت های تصمیم، ماشین های بردار پشتیبان و الگوریتم های طبقه بندی حداکثر احتمال. بین المللی J. Appl. زمین Obs. Geoinf. 2010 ، 12 ، S27–S31. [ Google Scholar ] [ CrossRef ]
  70. النگر، ع. Noller, J. کاربرد داده های سنجش از دور و تجزیه و تحلیل درخت تصمیم برای نقشه برداری خاک های متاثر از نمک در مناطق بزرگ. Remote Sens. 2010 , 2 , 151-165. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  71. دی کولستون، بانک مرکزی اروپا؛ Walthall, CL بهبود طبقه بندی پوشش زمین در مقیاس جهانی با داده های POLDER چند جهته و طبقه بندی درخت تصمیم. سنسور از راه دور محیط. 2006 ، 100 ، 474-485. [ Google Scholar ] [ CrossRef ]
  72. بریمن، L. جنگل های تصادفی. ماخ فرا گرفتن. 2001 ، 45 ، 5-32. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  73. رودریگز-گالیانو، وی اف. قیمیر، بی. روگان، جی. چیکا اولمو، م. Rigol-Sanchez، JP ارزیابی اثربخشی طبقه‌بندی‌کننده تصادفی جنگل برای طبقه‌بندی پوشش زمین. ISPRS J. Photogram. 2012 ، 67 ، 93-104. [ Google Scholar ] [ CrossRef ]
  74. پال، M. طبقه بندی جنگل تصادفی برای طبقه بندی سنجش از دور. بین المللی J Remote Sens. 2005 ، 26 ، 217-222. [ Google Scholar ] [ CrossRef ]
  75. لیز، ام. گلیزر، بی. Huwe, B. عدم قطعیت در پیش‌بینی فضایی بافت خاک: مقایسه مدل‌های درخت رگرسیون و جنگل تصادفی. Geoderma 2012 ، 170 ، 70-79. [ Google Scholar ] [ CrossRef ]
  76. گوا، ال. چهاتا، ن. مالت، سی. Boukir، S. ارتباط داده‌های تصویر چند طیفی و لیدار هوابرد برای طبقه‌بندی صحنه شهری با استفاده از جنگل‌های تصادفی. ISPRS J. Photogram. 2011 ، 66 ، 56-66. [ Google Scholar ] [ CrossRef ]
  77. هوانگ، اچ. لیو، سی. وانگ، ایکس. ژو، ایکس. Gong, P. ادغام داده های سنجش از راه دور چند منبعی و مدل های آلومتریک برای تخمین زیست توده بالای زمینی جنگل در چین. سنسور از راه دور محیط. 2019 ، 221 ، 225-234. [ Google Scholar ] [ CrossRef ]
  78. مارتنز، اچ. مارتنز، ام. برآورد جک چاقوی اصلاح شده عدم قطعیت پارامتر در مدلسازی دوخطی با رگرسیون حداقل مربعات جزئی (PLSR). کیفیت غذا ترجیح می دهند. 2000 ، 11 ، 5-16. [ Google Scholar ] [ CrossRef ]
  79. Ringnér, M. تجزیه و تحلیل مؤلفه اصلی چیست؟ نات. بیوتکنول. 2008 ، 26 ، 303-304. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  80. وینچنزی، اس. زوکتا، م. فرانزوی، پ. پلیزاتو، م. پرانوی، اف. دی لئو، GA; Torricelli، P. کاربرد یک الگوریتم جنگل تصادفی برای پیش‌بینی توزیع فضایی بازده بالقوه Ruditapes philippinarum در تالاب ونیز، ایتالیا. Ecol. مدل. 2011 ، 222 ، 1471-1478. [ Google Scholar ] [ CrossRef ]
  81. لی، اس. وربورگ، پی اچ. Lv، S. وو، جی. لی، X. تجزیه و تحلیل فضایی عوامل محرک تخریب مرتع تحت شرایط تغییر آب و هوا و استفاده فشرده در مغولستان داخلی، چین. Reg. محیط زیست چانگ. 2012 ، 12 ، 461-474. [ Google Scholar ] [ CrossRef ]
  82. گائو، کیو. لی، ی. لین، ای. جیانگ کون، دبلیو. وان، ی. Xiong، W. وانگ، بی. لی، W. توزیع زمانی و مکانی تخریب مرتع در تبت شمالی. Acta Geogr. گناه 2005 ، 60 ، 965-973. (به زبان چینی) [ Google Scholar ]
  83. جین، ایکس. یانگ، جی. خو، X. یانگ، اچ. فنگ، اچ. لی، ز. شن، جی. لان، ی. ژائو، سی. ترکیبی از پارامترهای نوری و راداری چند زمانی برای تخمین شاخص سطح برگ و زیست توده در گندم زمستانه با استفاده از داده‌های HJ و RADARSAR-2. Remote Sens. 2015 ، 7 ، 13251–13272. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  84. فن، ایکس. لیو، ی. تائو، جی. Weng، Y. بازیابی شوری خاک از سنسور چند طیفی پیشرفته با رگرسیون حداقل مربعی جزئی. Remote Sens. 2015 ، 7 ، 488-511. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  85. پانگ، جی. وانگ، تی. لیائو، جی. لی، اس. مدل کمی بر اساس ویژگی های طیفی مشتق از میدان برای تخمین شوری خاک در شهرستان Minqin، چین. علم خاک Soc. صبح. J. 2014 ، 78 ، 546-554. [ Google Scholar ] [ CrossRef ]
  86. یان، بی. نیش، NF; ژانگ، رایانه شخصی؛ شی، ZH اثرات تغییر کاربری زمین بر جریان آبخیز و عملکرد رسوب: ارزیابی با استفاده از مدل‌سازی هیدرولوژیکی و رگرسیون حداقل مربعات جزئی. جی هیدرول. 2013 ، 484 ، 26-37. [ Google Scholar ] [ CrossRef ]
  87. جانیک، ال جی. Forrester، ST; Rawson, A. پیش‌بینی خواص شیمیایی و فیزیکی خاک از طیف‌سنجی فروسرخ میانی و تحلیل رگرسیون حداقل مربعات جزئی و شبکه‌های عصبی (PLS-NN). شیمی. هوشمند آزمایشگاه. سیستم 2009 ، 97 ، 179-188. [ Google Scholar ] [ CrossRef ]
  88. پراساد، AM; آیورسون، ال آر. Liaw، A. طبقه‌بندی جدیدتر و تکنیک‌های درخت رگرسیون: کیسه‌بندی و جنگل‌های تصادفی برای پیش‌بینی اکولوژیکی. اکوسیستم ها 2006 ، 9 ، 181-199. [ Google Scholar ] [ CrossRef ]
  89. Li، YY; ژائو، ک. رن، جی اچ. دینگ، ییل. تجزیه و تحلیل وو، LL ثابت دی الکتریک خاکهای شور-قلیایی و تأثیر بر ضریب پراکندگی رادار: مطالعه موردی خاکهای شور قلیایی سودا در استان جیلین غربی با استفاده از داده های RADARSAT-2. علمی World J. 2014 ، 2014 ، 563015. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  90. آکیاما، تی. Kawamura، K. تخریب علفزار در چین: روش های نظارت، مدیریت و بازسازی. گراسل. علمی 2007 ، 53 ، 1-17. [ Google Scholar ] [ CrossRef ]
Ijgi 08 00511 g001 550
شکل 1. مکان مناطق مورد مطالعه و مکان های نمونه برداری ذکر شده در این مقاله، با تصویر ترکیبی رنگی واقعی تصویرگر زمین عملیاتی لندست (OLI) در سال های 2016 و 2017.
Ijgi 08 00511 g002 550
شکل 2. مدل‌های درخت تصمیم برای طبقه‌بندی مراتع استان جیلین غربی در سال 2017. (آستانه هر مجموعه قوانین با تصاویر متفاوت است. NIR نوار نزدیک مادون قرمز است، R نوار قرمز، G نوار سبز است. NDWI نرمال شده است. شاخص تفاوت آب، محاسبه شده از باندهای G و NIR).
Ijgi 08 00511 g003 550
شکل 3. نمودار جریان روند جنگل تصادفی (RF) برای ارزیابی پارامترهای تخریب مرتع با استفاده از تصاویر سنجش از دور و اندازه‌گیری‌های میدانی در Semiarid West Jilin، چین (SD کمی تخریب شده، MD نسبتاً تخریب شده، و ID به شدت تخریب شده است).
Ijgi 08 00511 g004 550
شکل 4. نمودار شماتیک روش ارزیابی عدم قطعیت فضایی. ( الف ) نقاط مرکزی را با ایجاد یک ساختار تور ماهی که منطقه علفزار را پوشش می دهد استخراج کنید. ( ب ) مقدار نقاط نمونه برداری را با محاسبه میانگین مقدار تمام نقاط در یک فاصله معین اختصاص دهید. ( ج ) محاسبه تمام نقاط در پنجره و رفتن به پنجره بعدی تا اتمام تمام نقاط.
Ijgi 08 00511 g005 550
شکل 5. امتیاز اهمیت متغیرها برای تخمین تولید اولیه خالص بالای زمین (ANPP) و هدایت الکتریکی (EC). هر چه امتیازهای اهمیت بالاتر باشد، متغیر برای تخمین ANPP و EC اهمیت بیشتری دارد. SWIR موج کوتاه مادون قرمز است. NIR نزدیک مادون قرمز است.
Ijgi 08 00511 g006 550
شکل 6. عدم قطعیت های فضایی مدل های ANPP و EC. ( الف ) توزیع عدم قطعیت فضایی ANPP. ( ب ) توزیع عدم قطعیت فضایی EC.
Ijgi 08 00511 g007 550
شکل 7. توزیع فضایی EC و ANPP در جیلین غربی. ( الف ) توزیع فضایی ANPP. ( ب ) توزیع مکانی شوری خاک.
Ijgi 08 00511 g008 550
شکل 8. توزیع فضایی درجات مختلف تخریب مراتع بر فراز جیلین غربی در سال 2017.
Ijgi 08 00511 g009 550
شکل 9. روابط بین ANPP/EC پیش بینی شده و ANPP/EC اندازه گیری شده علفزار. ( الف ) مدل ANPP با استفاده از RF. ( ب ) مدل ANPP با استفاده از PLSR. ( ج ) مدل EC با استفاده از RF. ( د ) مدل EC با استفاده از PLSR.
Ijgi 08 00511 g010 550
شکل 10. تصاویر نمونه برداری میدانی از مرتع در سال 2017. ( a1 )–( a4 ) وضعیت پوشش چمن در نقاط نمونه برداری; ( b1 )–( b4 ) شوری خاک نقاط نمونه برداری مربوطه.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید