آموزش کاربرد نقشه های اتوکد AutoCAD در ArcGIS

تحلیل الگوی مکانی-زمانی یکپارچه برای ارزیابی و پیش بینی تخریب مناطق جنگلی حفاظت شده با استفاده از GIS

چکیده 

تخریب جنگل ها به عنوان یکی از تهدیدات اصلی جنگل ها در سراسر جهان در نظر گرفته می شود که در دهه های اخیر به طور قابل توجهی افزایش یافته است. جنگل ها به تدریج در حال تکه تکه شدن هستند و به دلیل تغییرات آب و هوایی و فعالیت های انسانی با تلفات تنوع زیستی مواجه می شوند. پیش‌بینی آتی پویایی مکانی و زمانی تخریب جنگل و تکه تکه شدن برای ایجاد چارچوبی که می‌تواند به اولویت‌بندی حفاظت از جنگل و شیوه‌های مدیریت پایدار کمک کند، ضروری است. در این مطالعه، یک الگوریتم جنگل تصادفی توسعه داده شد و روی مجموعه‌ای از تصاویر لندست در سال‌های 1998، 2008 و 2018 برای ترسیم وضعیت پوشش جنگلی مکانی-زمانی در پناهگاه، همراه با مدل پیش‌بینی‌کننده به کار رفت. زنجیره مارکوف خودکار سلولی برای شبیه سازی سناریوی پوشش جنگلی 2028 در پناهگاه حیات وحش شولپنشوار (SWS)، گجرات، هند. توانایی پیش‌بینی مدل با استفاده از یک سری از شاخص‌های دقت ارزیابی شد. علاوه بر این، تجزیه و تحلیل الگوی فضایی – با استفاده از نرم افزار FRAGSTATS 4.2 – به کلاس های پوشش جنگلی تولید شده و پیش بینی شده برای تعیین تکه تکه شدن جنگل در SWS اعمال شد. تجزیه و تحلیل تشخیص تغییر کاهش کلی در جنگل های متراکم و افزایش متعاقب آن در جنگل های باز و تخریب شده را نشان داد. چندین معیار تکه تکه‌شدن در سطح لکه، طبقه و چشم‌انداز اندازه‌گیری شد، که روندهایی را نشان داد که منعکس کننده کاهش تکه تکه شدن در مناطق جنگلی SWS برای دوره 1998 تا 2028 است. دولت برای حفاظت و حراست از حرم. تا آن جایی که می دانیم،
واژه‌های کلیدی: تخریب جنگل‌ها آمار پراکندگی ; پیش بینی پوشش زمین ; سنجش از دور ؛ CA-Markov ; FRAGSTATS

1. مقدمه 

رشد قابل‌توجه در اختلالات انسانی فشار بر جنگل‌های سراسر جهان، به‌ویژه بر جنگل‌های استوایی را افزایش داده است، که باعث تشریح و تخریب پیشرونده منطقه جنگلی می‌شود [ 1 ، 2 ]. چنین کالبد شکافی پیشرونده‌ای از گسترش‌های عظیم جنگلی دست‌نخورده به مجموعه‌ای از تکه‌های کوچک، هندسی تغییر یافته و جدا شده به‌عنوان تکه تکه شدن جنگل [ 3 ، 4 ، 5 ] نامیده می‌شود. تکه تکه شدن جنگل‌های طبیعی عامل اصلی تأثیرگذار بر توزیع فضایی تنوع زیستی است [ 6 ، 7 ، 8 ]، 9 ]، تغییرات آب و هوایی، و آسیب رساندن به خدمات اکوسیستم جنگلی [ 10 ، 11 ]. همچنین بر ترکیب گونه، فراوانی و بازسازی طبیعی تأثیر می گذارد [ 12 ، 13 ]. پیش‌بینی سناریوی جنگل‌های مکانی و زمانی آینده تخریب و تکه تکه شدن جنگل، نیاز ضروری برای توسعه چارچوبی است که می‌تواند به اولویت‌بندی حفاظت از جنگل با هدف پایش از دست دادن تنوع زیستی جنگل [ 14 ]، کاهش تغییرات آب و هوا [ 15 ] و بهبود تدریجی خدمات اکوسیستم کمک کند [ 14 ] . 15, 16 , 17 , 18 , 19 ]. همانطور که توسط [ 18 ] مشخص شد، تکه تکه شدن جنگل نتیجه تبدیل تکه‌ای است، که جغرافیای جنگل را در توده‌هایی با اندازه‌ها و درجه انزوا متفاوت می‌گذارد، در حالی که [ 19 ] تأثیر قطعات جنگلی جدا شده بر گونه‌های مختلف درخت را مورد بحث قرار داد.
سنجش از دور قابل اعتمادترین و قدرتمندترین رویکرد برای ترسیم دینامیک جنگل های گذشته و حال است، هم در مقیاس مکانی و هم در مقیاس زمانی [ 20 ]. این می تواند اطلاعات مربوط به پوشش جنگلی یک منطقه را با هزینه و زمان مقرون به صرفه ارائه دهد و خروجی را می توان در قالب نقشه های پوشش جنگلی تهیه کرد [ 21 ]. چندین تکنیک طبقه بندی جغرافیایی و ریاضی را می توان برای ترسیم تغییرات مکانی-زمانی در دینامیک جنگل استفاده کرد، مانند حداکثر احتمال [ 22 ]، شبکه عصبی [ 23 ]، رگرسیون لجستیک [ 24 ]، و ماشین های بردار پشتیبانی [ 25 ].]. چندین محقق همچنین از مدل‌های ترکیبی خاصی استفاده کردند که چندین مدل را ترکیب می‌کردند تا کاربری زمین یا پوشش جنگل را ترسیم و پیش‌بینی کنند [ 26 ، 27 ]. طبقه‌بندی‌کننده جنگل تصادفی [ 28 ] یکی از این الگوریتم‌ها است که به دلیل سادگی، سرعت و دقت بسیار محبوب است [ 29 ، 30 ، 31 ]. این یک تکنیک طبقه بندی یادگیری ماشینی نظارت شده است که از درخت های تصمیم گیری متعدد برای طبقه بندی و همچنین رگرسیون داده استفاده می کند. از یک روش یادگیری گروهی استفاده می‌کند که از الگوریتم‌های یادگیری متعدد مانند طبقه‌بندی‌کننده درخت تصمیم، بسته‌بندی، و راه‌اندازی برای دستیابی به نتایج دقیق‌تر استفاده می‌کند. 32 ]. توانایی طبقه‌بندی مجموعه‌های داده بزرگ را دارد زیرا روش‌های کاهش ابعاد را در نظر می‌گیرد و همچنین مقادیر گمشده و پرت را کنترل می‌کند [ 33 ]. عملکرد این طبقه‌بندی‌کننده با سایر طبقه‌بندی‌کننده‌ها مانند ماشین بردار پشتیبان قابل مقایسه است و از بسیاری از طبقه‌بندی‌کننده‌های دیگر مانند طبقه‌بندی کننده حداکثر احتمال [ 34 ] و شبکه عصبی مصنوعی [ 35 ، 36 ] بهتر است.
خروجی طبقه‌بندی‌شده تصاویر سنجش از دور را می‌توان با مدل‌های پیش‌بینی‌کننده مانند اتوماتای ​​سلولی (CA) [ 37 ] و زنجیره مارکوف [ 38 ] استفاده کرد، که در آن با استفاده از تحلیل رگرسیون چند متغیره برای شبیه‌سازی سناریوی آینده پوشش جنگل [ 39 ، 40 ] امکان‌پذیر است. ]. زنجیره مارکوف به خودی خود قادر به پیش بینی نیست، اما استفاده هم افزایی از CA و زنجیره مارکوف قادر به ارائه اطلاعات در مورد پویایی مکانی و زمانی و سناریوهای آینده است [ 41 ]. این الگوریتم‌های تصادفی اثرات متقابل دینامیک مکانی و زمانی را برای پیش‌بینی تغییرات پوشش جنگلی آینده در نظر می‌گیرند. 42 ، 43 ، 44 ، 45 ] که به تصمیم گیری کمک می کند [ 46 ، 47 ]. این مدل های یکپارچه بر اساس توزیع اولیه و ماتریس انتقال هستند. از این فرض پیروی می کند که محرک های وضعیت فعلی در یک منطقه در آینده بدون تغییر باقی می مانند [ 48 ]. مطالعات همچنین وجود دارد که در آن سنجش از دور و GIS با مدل CA-Markov برای پیش‌بینی پوشش کاربری اراضی یک منطقه [ 49 ، 50 ، 51 ] همراه شده است.
برای درک دقیق از تکه تکه شدن جنگل، نقشه‌های پوشش جنگلی که با استفاده از داده‌های سنجش از دور تولید می‌شوند، امروزه تحت تحلیل الگوی فضایی قرار می‌گیرند که FRAGSTATS نامیده می‌شود، که تکه تکه شدن را در سطوح مختلف اندازه‌گیری می‌کند. پچ، کلاس و منظره. معیارهای پچ به عنوان قطعه کوچک جدا شده همگن برای هر کلاس کاربری زمین تعریف می شود، در حالی که متریک کلاس به عنوان توزیع پچ تجمعی برای هر کلاس کاربری زمین تعریف می شود و چشم انداز توزیع کلاس تجمعی است که تکه تکه شدن کلی یک منطقه خاص را نشان می دهد. مطالعات سطح وصله توسط بسیاری از نویسندگان [ 52 ، 53 ] انجام شد، در حالی که بسیاری از محققان دیگر تکه تکه شدن جنگل را در سطح کلاس نظارت کردند [ 54 ]، 55 ]. تبدیل سطح چشم انداز برای ترسیم پویایی پوشش زمین نیز توسط بسیاری از نویسندگان نشان داده شده است [ 56 ، 57 ، 58 ، 59 ]. اطلاعات جزئی در مورد پراکندگی زمانی که یک مطالعه به یک سطح محدود می شود بازیابی می شود. برای تجزیه و تحلیل جامع از تکه تکه شدن جنگل، محاسبه معیارها در هر سه سطح. پچ، کلاس و منظره، ضروری می شود.
هدف کار حاضر ارزیابی مکانی – زمانی تجزیه و تحلیل تکه تکه شدن و تخریب جنگل در پناهگاه حیات وحش شولپنشوار در ایالت گجرات، هند، با استفاده از داده‌های Landsat برای سال‌های 1998، 2008 و 2018، با استفاده از شاخص‌های تکه تکه‌شدن مختلف تولید شده در لکه، کلاس، است. و سطوح چشم انداز علاوه بر این، همچنین تلاش می‌کند تا سناریوی تکه تکه شدن جنگل را برای سال 2028 با استفاده از مدل زنجیره مارکوف سلولی اتوماتای ​​سلولی پیش‌بینی کند.

2. مواد و روش ها

2.1. منطقه مطالعه

منطقه مورد مطالعه انتخاب شده پناهگاه حیات وحش شولپنشوار (SWS)، یک منطقه جنگلی حفاظت شده است که در محدوده غربی ساتورا در جنوب رودخانه نارمادا، ناحیه نارمادا، ایالت گجرات، هند واقع شده است ( شکل 1 ). این آرامستان در سال 1368 تأسیس شده و 607.71 کیلومتر مربع وسعت جغرافیایی دارد. از 21 درجه 03 دقیقه شمالی تا 21 درجه و 59 دقیقه عرض شمالی تا 73 درجه و 5 دقیقه شرقی تا 74 درجه و 10 دقیقه طول شرقی، در ارتفاع 800 تا 900 متری بالاتر از سطح متوسط ​​دریا (MSL) [ 60]. دو پروژه مهم آبیاری به نام‌های سردار سرور و سد کرجان در این آرامستان مستقر هستند. منطقه مورد مطالعه شامل جنگل‌های برگ‌ریز خشک مخلوط، جنگل رودخانه‌ای، تعداد کمی از جنگل‌های مرطوب ساج، مزارع کشاورزی و دو مخزن آب است. SWS به عنوان یکی از ضخیم ترین جنگل های ایالت در نظر گرفته می شود، با مناطق حفاظت شده طبیعی که از موجودات زنده منطقه ای حمایت می کنند [ 61 ]. بیشتر جنگل با Tectona grandis L. و Dendrocalamus strictus پوشیده شده است [ 62] و پراکندگی گونه های مختلط نیز در داخل جنگل زیاد است. بیشتر بارندگی در منطقه مورد مطالعه با موسمی جنوب غربی در اواسط خرداد شروع شده و تا اواسط مهر ادامه دارد. میانگین روزانه دمای منطقه در تابستان (مارس تا می) به 43 درجه سانتیگراد می رسد و در زمستان (نوامبر تا فوریه) به 10 درجه سانتیگراد کاهش می یابد. منطقه SWS برای حمایت از جمعیت قبیله ای، حوضه آبریز منطقه ای، تنوع گونه ها و حیات وحش مهم است.

2.2. مجموعه داده ها و روش شناسی

2.2.1. اکتساب و پیش پردازش داده های ماهواره ای

تصاویر ماهواره‌ای با وضوح مکانی 30 متر از Landsat 5 TM برای سال‌های 1998 و 2008 و از Landsat 8 OLI برای سال 2018 از Earth Explorer ( https://earthexplorer.usgs.gov/ ) دانلود شدند. برای به حداقل رساندن تیرگی در تصاویر، از تکنیک تفریق پیکسل تیره استفاده شد [ 63 ، 64 ]. ارجاع جغرافیایی تصاویر با استفاده از طرح UTM و روش نمونه گیری مجدد WGS 84 و نزدیکترین همسایگی انجام شد. منطقه تحت SWS با استفاده از ابزار زیر مجموعه ENVI 5.1 استخراج شد. از این تصاویر ماهواره ای برای تهیه نقشه های پوشش جنگلی استفاده شده است.

2.2.2. طبقه بندی پوشش جنگلی

برای انجام طبقه‌بندی پوشش جنگلی، یک الگوریتم طبقه‌بندی تصادفی جنگلی پرکاربرد و پایدار در پژوهش حاضر پیاده‌سازی شد. طبقه‌بندی جنگل تصادفی بر روی تصاویر پیش‌فرآوری‌شده Landsat در هر 3 بازه زمانی اعمال شد. این تکنیک از تجمع بوت استرپ برای تشکیل مجموعه ای از طبقه بندی و القای طبقه بندی کننده های درخت مانند استفاده می کند. نمونه آموزشی اصلی جمع‌آوری شد و تصاویر ماهواره‌ای به عنوان پارامترهای ورودی استفاده شد، داده‌های بوت استرپ به جلوگیری از برازش بیش از حد و ایجاد یادگیری سریع کمک کرد. انتخاب تصادفی متغیرها در طبقه‌بندی‌کننده همچنین به دنبال به حداقل رساندن همبستگی بین درخت بود و به کاهش نرخ خطا کمک کرد. این امر انتخاب درختان از مجموعه ای از درختان متعدد را برای دستیابی به دقت بالا در محدوده قابل قبول مهم می کرد.
طبقه بندی با استفاده از یک بسته نرم افزاری به زبان R انجام شد. داده ها در طبقه بندی جنگل تصادفی با تعدادی درخت برای کلاس شش ویژگی آموزش داده شدند. در مجموع، شش طبقه ایجاد شد که شامل سه طبقه پوشش جنگلی به نام‌های جنگل انبوه، جنگل باز و جنگل تخریب‌شده و سه طبقه پوشش غیرجنگلی به‌عنوان زمین‌های زراعی، زمین‌های بایر و بدنه آبی بود. برای طبقه‌بندی، نمونه‌های آموزشی برای کلاس‌های مختلف جنگلی و غیرجنگلی با تفسیر تصویری ماهواره‌ای مرجع و تصاویر گوگل ارث جمع‌آوری شد و پس از آن، ارزیابی دقت با استفاده از 30 نمونه آموزشی برای هر کلاس انجام شد.

2.2.3. ارزیابی دقت

ارزیابی دقت تصاویر طبقه بندی شده برای سال های 1998، 2008 و 2018 با استفاده از چهار معیار دقت آماری انجام شد. این موارد شامل دقت کلی، خطاهای کمیسیون (دقت کاربر)، خطاهای حذف (دقت تولیدکننده)، و ضریب کاپا بود. در مجموع 30 نقطه تصادفی برای هر کلاس برای بررسی صحت نقشه های موضوعی تولید شده از تکنیک جنگل تصادفی در نظر گرفته شد. نسبت کل پیکسل های به درستی طبقه بندی شده و تعداد کل پیکسل ها در ماتریس خطا، دقت کلی را ارائه می کند. دقت کلی تمایل به بیش از حد تخمین زدن دقت طبقه بندی دارد زیرا نسبت توافق بین مجموعه داده ها را در بر نمی گیرد [ 65 ]]. دقت سازنده نشان دهنده احتمال طبقه بندی صحیح پیکسل مرجع است. دقت کاربر احتمال پیکسل طبقه بندی شده نقشه را نشان می دهد که در واقع آن کلاس را بر روی زمین نشان می دهد [ 63 ، 66 ]. ضریب کاپا عناصر خارج از مورب را به عنوان حاصل ضرب سطر و ستون ماتریس خطا ترکیب می کند. این امر شانس توافق را با حذف نسبت توافقی که انتظار می رود اتفاقی رخ دهد کنترل می کند [ 67 , 68]. سه تصویر طبقه بندی شده زمانی از لندست برای ترسیم تغییر در پوشش جنگلی که وضعیت جنگل زدایی در منطقه مورد مطالعه را نشان می دهد، مقایسه شد. تجزیه و تحلیل تغییر پوشش موقت جنگل برای پیش‌بینی سناریوی پوشش جنگلی برای سال 2028 تحت تکنیک مدل‌سازی یکپارچه زنجیره مارکوف CA قرار گرفت.

2.2.4. CA-Markov Chain

به منظور پیش‌بینی پوشش جنگلی برای سال 2028، زنجیره مارکوف CA با استفاده از نرم‌افزار IDRISI GIS Analysis انجام شد. مدل CA مارکوف عمدتاً برای شبیه‌سازی تغییرات مکانی و زمانی بین دو پوشش مختلف زمین/پوشش جنگلی استفاده می‌شود و می‌تواند یک ماتریس انتقالی برای پیش‌بینی تغییرات آینده ایجاد کند [ 69 ]. یک اتوماتای ​​سلولی بر روی مفهوم تحلیل مجاورت کار می کند که در آن پیکسل های مجاور را بررسی می کند، ماتریس احتمال انتقالی امکان تبدیل یک پیکسل به کلاس دیگر را تعیین می کند. در مطالعه حاضر، ماتریس انتقالی برای هر کلاس پوشش جنگلی تولید شد که می‌توان آن را با رابطه (1) نشان داد:

که در آن S ( t ) وضعیت سیستم در زمان t است، S ( t + 1) وضعیت سیستم در زمان t + 1 است، P ij ماتریس احتمال انتقالی است که همانطور که در رابطه (2) نشان داده شده است محاسبه می شود:

که در آن P احتمال انتقالی است، P ij احتمال تبدیل یک تصویر طبقه‌بندی‌شده از زمان i به تصویر طبقه‌بندی‌شده دیگری از زمان j است، و PN احتمال در زمان خاص برای تعداد N کلاس است. احتمال انتقال بین 0 و 1 متغیر بود. انتقال با استفاده از فیلتر مجاورت 5 × 5 پیکسل، که برای تعریف مناسب بودن پیکسل های همسایه استفاده شد، برآورد شد. فیلتر مجاورت استاندارد مورد استفاده در مطالعه حاضر در رابطه (3) نشان داده شده است.

در مطالعه حاضر، تصاویر طبقه‌بندی‌شده Landsat از سال‌های 1998، 2008 و 2018 به عنوان پارامترهای ورودی در مدل زنجیره مارکوف CA برای ایجاد یک ماتریس احتمال انتقال برای پیش‌بینی بیشتر سناریو برای سال 2028 استفاده می‌شوند. اعتبارسنجی CA Markov با استفاده از طبقه‌بندی‌شده انجام شد. تصویر سال 2018 با تصویر پیش بینی شده 2018، به منظور ارزیابی عملکرد مدل. چهار شاخص، کاپا برای عدم توانایی (κ no )، کاپا استاندارد ( ک استاندارد )، کاپا برای مکان (موقعیت κ ) ، و کاپا برای اقشار مکان (k locationstrata ) برای یافتن صحت نتایج پیش‌بینی مشتق شدند.

2.2.5. تجزیه و تحلیل تکه تکه شدن

کمی سازی تکه تکه شدن جنگل با استفاده از نسخه رستر نرم افزار تحلیل الگوی فضایی FRAGSTATS (نسخه 4.2.1) [ 70 ] انجام شد. تغییرات در طبقات پوشش جنگلی SWS در طول زمان در سطوح پچ، کلاس و منظر مشخص شد. کمی سازی و مقایسه پیکربندی فضایی قطعات جنگل بر اساس مجموعه معیارهای زیر بود که پس از انجام مطالعات مختلف تکه تکه شدن جنگل انتخاب شد [ 71 ، 72 ]. گفته می شود که این معیارها به تشریح جنگل ها حساس هستند و از این رو برای بررسی تکه تکه شدن در SWS استفاده می شوند. معیارهای انتخاب شده در جدول 1 توضیح داده شده است.
روش مختصر اتخاذ شده در مطالعه حاضر در نمودار جریان ( شکل 2 ) نشان داده شده است و جزئیات اجرای آن در زیر ارائه شده است.

3. نتایج و بحث

3.1. طبقه بندی پوشش جنگلی فضایی و زمانی و ارزیابی دقت

تصاویر طبقه بندی شده پوشش جنگلی فضایی و زمانی برای سال های 1998، 2008، 2018 با استفاده از الگوریتم جنگل تصادفی تولید شد. شکل 3 نقشه های پوشش جنگلی تولید شده را نشان می دهد. دقت کاربر و تولید کننده به همراه دقت کلی و ضریب کاپا برای تمام سال های 1998، 2008 و 2018 در شکل 4 ارائه شده است.. دقت کاربر مربوط به خطای کمیسیونی است که با تقسیم پیکسل طبقه بندی شده صحیح بر پیکسل آموزشی محاسبه می شود، دقت سازنده مربوط به خطای حذف است که با تقسیم پیکسل های طبقه بندی شده صحیح به تعداد کل پیکسل در کلاس خاص محاسبه می شود. و دقت کلی با تقسیم تعداد کل پیکسل های به درستی طبقه بندی شده با کل پیکسل های مرجع محاسبه شد. دقت کلی برای طبقه بندی پوشش جنگلی 90.0 درصد برای سال 1998، 96.6 درصد برای سال 2008، و 94.8 درصد برای سال 2018، و ضریب کاپا به ترتیب 88.5، 95.9 درصد و 93.8 درصد بود. از نظر دقت تولیدکننده برای سال 1998، کمترین مقادیر دقت تولیدکننده (70 درصد) و دقت کاربر (77 درصد) مربوط به جنگل انبوه است. برای طبقه بندی نقشه پوشش جنگلی 2008، تمام کلاس‌ها دقت کاربر و تولیدکننده را بیش از 89 درصد نشان می‌دهند که طبقه‌بندی دقیقی را نشان می‌دهد. از نظر دقت کاربر نقشه پوشش جنگلی 2018، همه طبقات بالای 88 درصد بوده اند که باز هم نشان دهنده یک طبقه بندی خوب است. این نشان‌دهنده مناسب بودن تصاویر طبقه‌بندی‌شده Landsat برای تجزیه و تحلیل موثر و قابل اعتماد تشخیص تغییر و مدل‌سازی پیش‌بینی، با استفاده از الگوریتم CA-Markov است.

3.2. مدلسازی پوشش جنگل با استفاده از CA-Markov و اعتبارسنجی

نقشه های پوشش جنگلی شبیه سازی شده CA-Markov برای سال های 2018 و 2028 در شکل 3 نشان داده شده است. شکل 5 a خلاصه‌ای از ماتریس احتمال تبدیل پوشش جنگلی را برای همه کلاس‌ها در SWS که بین سال‌های 1998 و 2008 رخ داده است، ارائه می‌کند. این ماتریس برای ایجاد نقشه پوشش جنگلی پیش‌بینی‌شده در سال 2018 استفاده شد . شکل 5b ماتریس احتمال انتقال را برای دوره زمانی بین 2008 و 2018 نشان می دهد که سپس برای پیش بینی پوشش جنگلی آینده در سال 2028 استفاده شد. اعتبار سنجی نقشه های شبیه سازی شده CA-Markov با مقایسه نقشه های پوشش جنگلی پیش بینی شده سال 2018 با نقشه پوشش جنگلی طبقه بندی شده جنگل تصادفی واقعی 2018. آمار طبقات مختلف تولید شده با استفاده از نقشه پوشش جنگلی پیش بینی شده 2018 و نقشه پوشش جنگلی مشاهده شده قابل مقایسه بود ( شکل 6 ب). این نقشه‌های پوشش جنگلی تولید شده توسط CA-Markov را تأیید کرد، در نتیجه، اثربخشی آن را اثبات کرد و قدرت پیش‌بینی مدل را در پیش‌بینی سناریوی 2028 جنگل در SWS نشان داد. ابزارهای پیش بینی بسیار قوی عموماً دارای دقت حدود 80 درصد هستند [ 73 ]]. مقدار استاندارد 80% K صحت این مدل را تایید می کند. برای آزمایش دقت کلی مدل، مقدار K no به عنوان یک جایگزین موثر برای استاندارد K در نظر گرفته شد (Pontius Jr, 2000). عملکرد کلی مدل در پیش‌بینی نقشه پوشش جنگلی کاملاً رضایت‌بخش بود. این از K شماره آن منعکس شد که 81% تخمین زده شد. این مدل همچنین قادر به ارائه یک نمایش معقول از مکان بود که با مکان K آن نشان داده شدارزش، یعنی 81٪. علاوه بر این، تفسیر بصری نتایج، اثربخشی مدل را برجسته کرد. پس از بررسی توانایی پیش‌بینی یک مدل تغییر زنجیره مارکوف یکپارچه، از آن برای شبیه‌سازی نقشه پوشش جنگلی 2028 SWS استفاده شد.
ماتریس های انتقال احتمال برای سال های 1998-2008 و 2008-2018 در شکل 5 نشان داده شده است.، احتمال از 0 تا 1 متغیر بود. به شکل دایره نشان داده می شود. اندازه دایره نشان‌دهنده مقدار داده است، یعنی دایره بزرگتر تعداد داده‌هایی را که نگه می‌دارد بیشتر است، در حالی که نمایش رنگی انتقال احتمال بر اساس کلاس را نشان می‌دهد. انتقال طبقاتی در سه دوره زمانی مختلف نتیجه جالبی را نشان داد. هنگامی که انتقال جنگل باز به جنگل انبوه مشاهده شد، احتمال انتقال در سال‌های 1998-2008 بسیار کم بود. با این وجود، احتمال انتقال بین سال‌های 2008 تا 2018 به طور قابل‌توجهی افزایش یافت که تغییر مثبتی را با توجه به بازیابی اکوسیستم نشان داد. در صورت انتقال جنگل های تخریب شده به زمین های بایر، احتمال در سال های 1998-2008 بسیار کم بود اما بین سال های 2008-2018 به شدت افزایش یافت.

3.3. تجزیه و تحلیل تشخیص تغییر

آمار مساحتی برای طبقه بندی تصادفی جنگل برای سال های 1998، 2008، 2018 و 2028 (پیش بینی شده) در شکل 6 الف ارائه شده است. نتایج دینامیک کلاس به ترتیب 45/38 درصد معادل 2/98 کیلومتر مربع و 46/17 درصد معادل 58/27 کیلومتر مربع کاهش در جنگل انبوه SWS از دوره 1998 تا 2008 و دوره 2008 تا 2018 نشان داد. سناریوی پیش‌بینی‌شده جنگل‌های انبوه برای سال 2028 کاهش 11.38 درصدی را نشان می‌دهد، یعنی 14.83 کیلومتر مربع .در جنگل انبوه در سال 1998، جنگل های انبوه 34.98 درصد از مساحت مورد مطالعه را اشغال کرده بود که در سال های 2008 و 2018 به ترتیب به 21.57 درصد و 17.8 درصد کاهش یافت. پیش‌بینی شد که سطح زیر جنگل‌های انبوه کاهش یابد و انتظار می‌رفت که 15.77 درصد، یعنی 115.50 کیلومتر مربع از منطقه مورد مطالعه در سال 2028 را اشغال کند . در طول سه دهه مساحت زیر جنگل باز افزایش بالایی به میزان 124.4 درصد را نشان می دهد، یعنی 86.17 کیلومتر مربع از سال 1998 تا 2008. از سال 2008 تا 2018، افزایش جزئی 2.3 درصد، یعنی 3.78 کیلومتر مربع به تصویر کشیده شده است.مشاهده شد. افزایش بسیار کمی در حدود 1٪ بیشتر در سال 2028 پیش بینی شد. تکه های انبوه جنگل های SWS به جنگل باز تبدیل شدند. مشاهده شد که جنگل های تخریب شده در منطقه مورد مطالعه به تدریج افزایش می یابد. افزایش 15.3 درصدی مساحت تخریب شده طی بازه زمانی 1998 تا 2008 و 6.1 درصد افزایش از سال 2008 تا 2018 مشاهده شد. افزایش جزئی 0.1٪ از سال 2018 تا سال 2028 پیش بینی شد. تجزیه و تحلیل طبقات پوشش غیر جنگلی به ترتیب 63.7 درصد و 16.4 درصد افزایش در سطح زمین زراعی از سال 1998 تا 2008 و از سال 2008 تا 2018 نشان داد. . افزایش بیشتر 11.7٪ از سال 2018 تا 2028 پیش بینی شد. تغییرات در آمار زمین های بایر در طول دوره مورد مطالعه مشاهده شد. در حالی که بدنه آبی طی سال‌های 1998-2008 افزایش نشان داد و پس از آن کاهش در مساحت اشغال شده برای دوره زمانی 2008-2018 مشاهده شد. پیش بینی آینده 2008-2028 نیز کاهش بیشتر آب را تا 24.9٪ نشان داد.

3.4. تجزیه و تحلیل تکه تکه شدن در سطح پچ

در SWS، تغییرات قابل توجهی در توزیع لکه های جنگلی بین فواصل زمانی مشاهده شد ( جدول 2). افزایش تعداد لکه های کوچکتر یکی از شاخص های اساسی تکه تکه شدن جنگل بود که عکس آن در منطقه مورد مطالعه حاضر مشاهده شد. کاهش کلی NP در هر سه کلاس پوشش جنگلی، یعنی. متراکم، باز، و تخریب شده کاهش در تکه تکه شدن SWS را برجسته می کند. در طول دوره اول مطالعه، یعنی 1998-2008، کل NP در جنگل های انبوه کاهش 17.4٪ را نشان داد، جایی که لکه ها از 1749 به 1444 کاهش یافتند. 0.5٪ در طول دوره دوم (2008-2018). کاهش از 1437 به 892 (37.9٪) برای دوره سوم، یعنی 2018-2028 پیش بینی شده بود.
در سال 1998 تنها 18.9 درصد از جنگل های زیر پوشش گیاهی متراکم در تکه های کوچک بین 0 تا 100 هکتار متمرکز شده بود و نسبت بیشتری از TA حدود 55 درصد توسط تکه تکه ای با اندازه بزرگتر از 2000 هکتار پوشانده شد. در سال 2008، TA در طبقه بندی اندازه، به عنوان مثال، 0-100، 100-200، 200-500 افزایش یافت، و دسته های باقی مانده کاهش در TA را نشان دادند. در سال 2018، 52.2 درصد TA از جنگل های انبوه در لکه های کمتر از 100 هکتار و 33.4 درصد جنگل های متراکم در اندازه تکه های 100-200 هکتار یافت شد. آمار TA از لکه‌های جنگل انبوه پیش‌بینی‌شده برای سال 2028 پیش‌بینی می‌کند که 57.3 درصد از جنگل‌های متراکم با اندازه لکه کمتر از 100، 34.4 درصد در دسته اندازه لکه‌های 100 تا 200 هکتار، و هیچ قطعه بزرگ‌تر از اندازه لکه وجود نخواهد داشت. از 1000.
تعداد لکه ها هنگام تجزیه و تحلیل برای جنگل های باز تغییرات را نشان داد. کل NP از 3034 به 3322 (9.5٪) در طول 1998-2008 افزایش یافت. این رخداد تکه تکه شدن را در اولین دوره زمانی 1998-2008 نشان داد. در دوره زمانی دوم، یعنی از سال 2008 تا 2018، کل NP از 3322 به 2730 کاهش یافت که 17.8 درصد کاهش در جنگل‌های باز را به خود اختصاص داد. این به کنترل پراکندگی در این دوره اشاره کرد. پیش‌بینی می‌شود که NP در سال 2028 از 2730 به 1415 کاهش یابد، یعنی کاهش 48.2 درصدی که باز هم نشان‌دهنده کاهش تکه تکه شدن است. افزایش در تکه های کوچکتر در محدوده 0-100 هکتار در طول 1998-2008 مشاهده شد، جایی که NP از 3031 به 3295 افزایش یافت. در سال 1998، 93٪ از مساحت جنگل های باز در تکه های کوچک بین 0 تا 100 هکتار متمرکز شد. مساحت جنگل باقی مانده در تکه های جدا شده بزرگتر از 100 هکتار و کمتر از 200 هکتار رخ داده است. در سال 2008، 52.6% TA جنگل باز مشاهده شد که دارای اندازه لکه کمتر از 100 بود، 32.1% TA با اندازه لکه 100-200 هکتار بود، و تنها سه قطعه از اندازه لکه 200 هکتار فراتر رفت. در سال 2018، 28.8 درصد TA با اندازه لکه 0-100 و 1 پچ که 28.8 درصد TA جنگل های باز را پوشش می دهد، بزرگتر از 2000 هکتار بود. پیش بینی وضعیت تکه تکه شدن 2028 افزایش TA (41٪) را با اندازه لکه بیشتر از 2000 هکتار نشان داد.
کاهش در کل NP تحت کلاس پوشش جنگل تخریب شده از 3029 به 2549 (15.5٪ کاهش) در طول 1998-2008 مشاهده شد. دوره زمانی 2008-2018 کاهش 5 درصدی در NP جنگل های تخریب شده را نشان داد. کاهش قابل توجهی در NP بین دوره های زمانی 2018-2028 پیش بینی شد. در سال 1998، بیشترین TA (37.3%) توسط دو لکه با وسعت بیش از 2000 هکتار اشغال شد. سه قطعه با اندازه بزرگتر از 2000 هکتار بالاترین نسبت TA را در سال 2008 و 2018 به خود اختصاص دادند. در سال 2028، TA مجدداً بالاترین، یعنی 60.3٪ در همان دسته اندازه پچ شامل 3 قطعه پیش بینی شد. در SWS، تجزیه و تحلیل تکه تکه شدن در سطح پچ با استفاده از دو معیار، یعنی TA و NP، کاهش کلی در تکه تکه شدن را نشان داد. این امر تاکید کرد که جنگل در پناهگاه حیات وحش تا حد زیادی تحت نظارت است.

3.5. تجزیه و تحلیل تکه تکه شدن در سطح کلاس

تجزیه و تحلیل تکه تکه شدن سطح طبقات طبقات پوشش جنگل در مقیاس چند زمانی، زمانی که با استفاده از دوازده معیار یعنی NP، GYRATE، PARA، PD، AI، IJI، NLSI، CLUMPY، CONTIG، ED، CORE و ENN انجام شد، کاهشی را نشان داد. تکه تکه شدن جنگل در SWS ( شکل 7 ). همانطور که در تجزیه و تحلیل سطح پچ بحث شد، NP در جنگل های متراکم و تخریب شده از سال 1998 تا 2018 کاهش یافته است و پیش بینی می شود که در سال 2028 کاهش بیشتری داشته باشد، طبق نتیجه تکه تکه شدن نقشه شبیه سازی شده CA-Markov. تکه تکه شدن در کلاس های باز در بازه زمانی 1998-2008 مشاهده شد، همانطور که از افزایش NP منعکس شد، که به نظر می رسید بعداً نظارت شود، همانطور که توسط NP کاهش یافته از 2008-2018 نشان داده شد. پیش بینی می شد که تکه تکه شدن از سال 2018 تا 2028 بیشتر کاهش یابد.
GYRATE با تکه تکه شدن جنگل رابطه معکوس دارد. تجزیه و تحلیل ما از سه بازه زمانی، افزایش مقادیر GYRATE را در تمام طبقات پوشش جنگلی در یک دوره زمانی نشان داد. مقادیر بالاتر PARA نشانگر تکه تکه شدن بود. کاهش در مقادیر PARA در هر سه پوشش جنگلی مشاهده شد، به جز در طول 1998-2008 که در آن PARA مقادیر افزایشی را نشان داد. روند کاهشی در PD جنگل های انبوه مشاهده شد که در آن مقادیر از 2.41 به 1.98 از سال 1998 تا 2018 کاهش یافت و پیش بینی شد که در سال 2028 به 0.68 کاهش یابد. در جنگل های تخریب شده نیز PD به تدریج کاهش یافت. در جنگل‌های باز، PD از 4.18 به 4.57 در سال‌های 1998-2008 افزایش یافت و سپس ارزش به 3.76 در سال 2018 کاهش یافت. در سال 2028، به 1.08 کاهش یافت. هوش مصنوعی روند صعودی را نشان داد که نشان دهنده کاهش پراکندگی است. تغییرات در برآورد IJI مشاهده شد. NLSI مجدداً از سال 1998 تا 2028 روند کاهشی را در تمام طبقات پوشش جنگلی نشان داد و CLUMPY افزایشی را در ارزش آن نشان داد، به جز در طول سال‌های 1998-2008، جایی که مقادیر بالاتری در سال 2008 در جنگل‌های انبوه مشاهده شد. پارامترهای دیگر یعنی CONTIG، ENN، و CORE همچنین کاهش تکه تکه شدن را نشان دادند که نشان دهنده افزایش مقادیر آنها از سال 1998 تا 2018 بود. پیش‌بینی می‌شد که مقادیر این معیارها از 2018 تا 2028 بیشتر افزایش یابد. ED یک رابطه معکوس با تکه تکه شدن نشان داد. مقادیر ED روند کاهشی را از سال 1998 تا 2008 در سه طبقه پوشش جنگلی به استثنای جنگل باز نشان داد. جایی که مقادیر بالاتری در سال 2008 در جنگل های انبوه مشاهده شد. پارامترهای دیگر یعنی CONTIG، ENN، و CORE همچنین کاهش تکه تکه شدن را نشان دادند که نشان دهنده افزایش مقادیر آنها از سال 1998 تا 2018 بود. پیش‌بینی می‌شد که مقادیر این معیارها از 2018 تا 2028 بیشتر افزایش یابد. ED یک رابطه معکوس با تکه تکه شدن نشان داد. مقادیر ED روند کاهشی را از سال 1998 تا 2008 در سه طبقه پوشش جنگلی به استثنای جنگل باز نشان داد. جایی که مقادیر بالاتری در سال 2008 در جنگل های انبوه مشاهده شد. پارامترهای دیگر یعنی CONTIG، ENN، و CORE همچنین کاهش تکه تکه شدن را نشان دادند که نشان دهنده افزایش مقادیر آنها از سال 1998 تا 2018 بود. پیش‌بینی می‌شد که مقادیر این معیارها از 2018 تا 2028 بیشتر افزایش یابد. ED یک رابطه معکوس با تکه تکه شدن نشان داد. مقادیر ED روند کاهشی را از سال 1998 تا 2008 در سه طبقه پوشش جنگلی به استثنای جنگل باز نشان داد.
تجزیه و تحلیل کلی کاهش تکه تکه شدن را نشان داد، همانطور که از روند نزولی در برآوردهای کمی از معیارها مشخص شد. NP، PARA، PD، IJI، NLSI، و ED و یک روند صعودی در معیارها یعنی. GYRATE، AI، CLUMPY، ENN، CONTIG، و CORE، با تغییرات جزئی.

3.6. تجزیه و تحلیل تکه تکه شدن در سطح چشم انداز

از آنجایی که تمرکز مطالعه بر روی تکه تکه شدن جنگل باقی ماند، بنابراین تجزیه و تحلیل سطح چشم انداز در SWS به سه کلاس پوشش جنگل، یعنی جنگل انبوه، جنگل باز، و جنگل تخریب شده محدود شد. شکل 8 تحلیل روند معیارهای مختلف چشم انداز را نشان می دهد. کاهش تدریجی NP، PD، ED و LSI مشاهده شد. PARA و IJI نیز کاهش کلی را با تغییرات جزئی نشان دادند. افزایش در مقادیر معیارها یعنی GYRATE، CORE، ENN، AREA، AI و PLADJ مشاهده شد. نتایج کلی کاهش تکه تکه شدن را از سال 1998 تا 2018 نشان می دهد. تجزیه و تحلیل روند این معیارها همچنین نشان دهنده کاهش بیشتر در پراکندگی در سال 2028 است.
تکه تکه شدن به عنوان یک روش مهم در فرآیند جهانی تخریب چشم انداز در نظر گرفته می شود که توسط تغییرات محیطی و فرآیندهای اجتماعی-اقتصادی مانند تغییرات جهانی، شهرنشینی و بهبود زیرساخت های حمل و نقل هدایت می شود. گفته می شود بسیاری از فعالیت های انسانی مسئول این تخریب هستند. عوامل مختلف کلان اقتصادی، جمعیتی، فناوری، نهادی و سیاسی عوامل محرک این فعالیت های انسانی هستند که باعث تخریب جنگل ها می شوند [ 74 ، 75 ].]. نتایج تجزیه و تحلیل تکه تکه شدن در هر سه سطح وصله، کلاس و منظره کاهش در تکه تکه شدن SWS را برجسته می کند. این نشان می دهد که تکه تکه شدن در پناهگاه به خوبی کنترل می شود که به دلیل شیوه های مدیریتی خاص اتخاذ شده در منطقه است. دلایل اصلی تخریب جنگل ها در هند توسط دولت ایالت گجرات به خوبی ذکر شده است. اینها شامل پیوند حیاتی معیشت و جنگل یک جنگل بزرگ وابسته، بهره برداری از محصولات جنگلی فراتر از ظرفیت حمل آن به دلیل شکاف تقاضا و عرضه، آتش سوزی های مکرر جنگل ها، چرای بیش از حد کنترل نشده و بی بند و بار، قطع غیرقانونی، و انحراف زمین های جنگلی به زمین های دیگر است. استفاده می کند [ 76]. حتی برخی از شیوه های مدیریت جنگل در گذشته که تخریب را افزایش می دهد، مورد توجه قرار گرفت. این عوامل می توانند جنگل-تنوع زیستی را تا حد زیادی از بین ببرند و در نتیجه می توانند جنگل ها را تخریب کنند. دولت قبلاً اقدامات قابل توجهی برای نظارت بر جنگل ها انجام داده است. اینها شامل حفاظت در محل و در محل، جنگل کاری/کاشتکاری، جنگلداری اجتماعی/اجتماعی/مزرعه، مدیریت مشترک جنگل (JFM)، رسیدگی به مسائل درگیر در زیربخش ها مانند مراتع و حرا، ایجاد مناطق حفاظت شده، بهبود سیاست ها، مقررات قانونی است. و غیره. SWS یکی از نقاط داغ تنوع زیستی است و بنابراین طبق قانون تنوع زیستی زیستی، 2002، بخش 37، تحت مدیریت و مکان‌های حفاظتی در نظر گرفته می‌شود. وضعیت موجود در حفاظت از SWS توسط گجرات به خوبی حفظ شده است. دولت. معرفی دو شیوه مهم مدیریت جنگل، 77 ، 78 ] به طور قابل توجهی حفاظت از تنوع زیستی را در جنگل های جنگل های نارمادا بهبود بخشید. این امر باعث می شود SWS یک منطقه حفاظت شده بهتر باشد و بنابراین می تواند دلیلی برای کاهش تکه تکه شدن در SWS باشد. نتایج مطالعه حاضر نیز توسط یک مطالعه قبلی پشتیبانی می شود، که در آن تکه تکه شدن کم در پناهگاه مشاهده شد [ 79 ]. چنین نتایجی همچنین در مطالعه‌ای که در سایر پارک‌های ملی انجام شد، مشاهده شد، جایی که در مقایسه با مناطق غیرپارک، پراکندگی کمتری در پارک ثبت شد [ 80 ].

4. نتیجه گیری

طبقه‌بندی تصادفی جنگل بر روی تصاویر Landsat برای ترسیم تغییرات پوشش جنگلی فضایی و زمانی در سال‌های 1998، 2008 و 2018 در SWS اعمال شد. در همین حال، مدل ترکیبی یکپارچه CA-Markov Chain برای پیش‌بینی سناریوی پوشش جنگلی آینده استفاده شد. تحلیل حاضر بر این فرض استوار بود که وضعیت در آینده بدون تغییر باقی می ماند و روند مشابه آنچه برآورد شده باقی می ماند، اما همیشه اینطور نبود. ماتریس احتمال انتقال تولید شده بین سال‌های 1998-2008 و 2008-2018 تغییر ناپایداری را در برخی از انتقال‌های متغیر نشان داد، بنابراین، آموزش دقیق مدل‌ها در حین پیش‌بینی سناریوهای آینده انجام شد. ماتریس احتمال انتقال به دست آمده از تصاویر طبقه بندی شده SWS در سال های 1998، 2008 و 2018 تغییرات را در کلاس های مختلف با زمان نشان داد. و ماتریس انتقال بیشتر برای پیش‌بینی وضعیت پوشش جنگل در سال‌های 2018 و 2028 مورد استفاده قرار گرفت. این تصویر پیش‌بینی‌شده سال 2018 با تصویر پوشش جنگلی طبقه‌بندی‌شده سال 2018 برای اعتبارسنجی مدل پیش‌بینی‌کننده مقایسه شد. نقشه های پوشش جنگلی سال های 1998، 2008، 2018 و نقشه پیش بینی شده سال 2028 برای بررسی سناریوی تکه تکه شدن گذشته و آینده در SWS تحت نرم افزار Fragstats قرار گرفت. به طور کلی، نتایج آمار تکه تکه شدن به وضوح کاهش تکه تکه شدن در مناطق جنگلی SWS را طی سال‌های 1998، 2008 و 2018 نشان می‌دهد. روند تخریب جنگل وجود داشت که در مطالعه حاضر نیز مشاهده شد. نشان داد که تخریب جنگل در حال وقوع است اما میزان تخریب جنگل به تدریج کاهش می یابد. و با کاهش قطعات جنگل می توان آن را نشانه مثبتی برای اکوسیستم منطقه دانست. همانطور که در ماتریس احتمال انتقال نشان داده شده است، جنگل های باز با گذشت زمان در حال افزایش هستند و زمین های بایر به تدریج در حال تبدیل به جنگل های باز و زمین های زراعی هستند. بر اساس تحلیل حاضر، پیش‌بینی می‌شود که در سال 2028 این تقسیم‌بندی کاهش بیشتری پیدا کند. با استفاده از نتایج مطالعه حاضر می توان چارچوبی برای شیوه های حفاظتی آینده پیاده سازی کرد. طبق اطلاعات ما، مسئولان جنگل SWS از این نیاز آگاه هستند و اقدامات مدیریتی و حفاظتی را در پناهگاه با موفقیت اجرا کرده اند. این امر می تواند پیامد خوبی برای مسئولان جنگل های سایر قرق های کشور و سایر کشورها باشد.

مشارکت های نویسنده

Conceptualization، Prashant K. Srivastava and G. Sandhya Kiran; سرپرستی داده، راماندیپ کائور ام. مالی، و آکاش آناند. تحلیل رسمی، راماندیپ کائور ام. مالی، و آکاش آناند. تامین مالی، کریستوس چالکیاس; تحقیق، پراشانت کی. سریواستاوا، و جورج پی پتروپولوس. روش شناسی، پراشانت ک. سریواستاوا و راماندیپ کائور ام. مالیهی. مدیریت پروژه، Prashant K. Srivastava; منابع، Prashant K. Srivastava و George P. Petropoulos; نرم افزار، آکاش آناند; نظارت، پراشانت ک. سریواستاوا; تجسم، و آکاش آناند. نوشتن – پیش نویس اصلی، راماندیپ کائور ام. مالی و آکاش آناند. نگارش-بررسی و ویرایش، پراشانت کی. سریواستاوا، جی. ساندیا کیران، جورج پی پتروپولوس، و کریستوس چالکیاس. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و با آن موافقت کرده اند.

منابع مالی

نویسندگان مایلند از هیئت تحقیقات علوم و مهندسی، گروه علوم و فناوری برای حمایت مالی از اولین نویسنده ای که این کار تحقیقاتی را تحت طرح ملی کمک هزینه تحصیلی پسادکتری انجام دهد (PDF/2017/002620) تشکر کنند.

قدردانی ها

نویسندگان از وزارت محیط زیست، جنگل و تغییرات آب و هوا و اداره جنگل گجرات برای ارائه مجوز لازم برای انجام نمونه برداری در پناهگاه تشکر می کنند. همچنین از مسئولان جنگل های محلی برای کمک به نمونه برداری تشکر می شود. همچنین مایلیم از داوران ناشناس برای بازخورد مفیدشان که منجر به بهبود نسخه خطی شد تشکر کنیم.

تضاد علاقه

نویسندگان هیچ تضاد منافع را اعلام نمی کنند.

منابع

  1. کیران، جی اس. مالی، RKM ارزیابی اقتصادی خاک های جنگلی. کر. علمی 2011 ، 100 ، 396-399. [ Google Scholar ]
  2. لوئیس، اس ال. ادواردز، DP; Galbraith, D. افزایش تسلط انسان بر جنگل های استوایی. Science 2015 ، 349 ، 827-832. [ Google Scholar ] [ CrossRef ]
  3. Fahrig, L. اثرات تکه تکه شدن زیستگاه بر تنوع زیستی. آنو. کشیش اکول. تکامل. سیستم 2003 ، 34 ، 487-515. [ Google Scholar ] [ CrossRef ]
  4. فورمن، RT; گادرون، ام. اکولوژی چشم انداز ; جان وایلی و پسران: نیویورک، نیویورک، ایالات متحده آمریکا، 1986; جلد 4، ص 22-28. [ Google Scholar ]
  5. Haila, Y. جزایر و قطعات. در حفظ تنوع زیستی در اکوسیستم های جنگلی ; انتشارات دانشگاه کمبریج: کمبریج، بریتانیا، 1999. [ Google Scholar ]
  6. آناند، ا. ملحی، RKM; پاندی، رایانه شخصی؛ پتروپولوس، GP; پاولیدس، آ. شارما، جی کی. Srivastava، PK استفاده از Hyperion برای ارزیابی ذخایر کربن جنگل حرا در ذخیره‌گاه جنگلی Bhitarkanika: کمکی به ابتکار کربن آبی. Remote Sens. 2020 , 12 , 597. [ Google Scholar ] [ CrossRef ]
  7. پاندی، رایانه شخصی؛ آناند، ا. Srivastava، PK توزیع فضایی گونه‌های جنگل حرا و ارزیابی زیست توده با استفاده از موجودی میدانی و داده‌های فراطیفی مشاهده زمین. تنوع زیستی حفظ کنید. 2019 ، 28 ، 2143-2162. [ Google Scholar ] [ CrossRef ]
  8. فولی، جی. دفریس، آر. آسنر، GP; بارفورد، سی. بونان، جی. کارپنتر، اس آر. چاپین، FS; Coe, MT; روزانه، GC; گیبس، هنگ کنگ پیامدهای جهانی استفاده از زمین. Science 2005 ، 309 ، 570-574. [ Google Scholar ] [ CrossRef ]
  9. وید، تی جی; Riitters، KH; ویکهام، جی دی. جونز، KB توزیع و علل تکه تکه شدن جنگل جهانی. حفظ کنید. Ecol. 2003 ، 7 ، 7. [ Google Scholar ] [ CrossRef ]
  10. گامفلد، ال. اسنال، تی. باغچی، ر. جانسون، ام. گوستافسون، ال. Kjellander، P. رویز-جین، ام سی; فروبرگ، ام. استندال، جی. Philipson، CD سطوح بالاتری از خدمات اکوسیستمی متعدد در جنگل‌هایی با گونه‌های درختی بیشتر یافت می‌شود. نات. اشتراک. 2013 ، 4 ، 1-8. [ Google Scholar ] [ CrossRef ]
  11. مارکتی، ام. سالوستیو، ال. اتاویانو، ام. برباتی، ع. کرونا، پی. توگنتی، آر. زاواترو، ال. کاپوتورتی، جی. ترسیب کربن توسط جنگل‌ها در پارک‌های ملی ایتالیا. گیاه بیوسیست. بین المللی جی. معامله. همه Asp. گیاه بیول. 2012 ، 146 ، 1001-1011. [ Google Scholar ] [ CrossRef ]
  12. Benitez-Malvido، J. تاثیر تکه تکه شدن جنگل بر فراوانی نهال در یک جنگل بارانی استوایی. حفظ کنید. Biol. 1998 ، 12 ، 380-389. [ Google Scholar ] [ CrossRef ]
  13. Laurance، WF; ناسیمنتو، HE; Laurance, SG; آندراد، ا. اورز، RM; هارمز، KE; لوئیزائو، آرسی ریبیرو، تکه تکه شدن زیستگاه JE، اثرات لبه متغیر، و فرضیه واگرایی چشم انداز. PLoS ONE 2007 , 2 , e1017. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  14. Loynl، RH; مک آلپین، سی. الگوهای فضایی و تکه تکه شدن: شاخص هایی برای حفظ تنوع زیستی در جنگل. معیارهای شاخص. حفظ کنید. برای. مدیریت 2001 ، 7 ، 391. [ Google Scholar ]
  15. آزودو، ج. پریرا، ق. پینتو، کارشناسی ارشد مناظر جنگلی و تغییرات جهانی: چالش‌ها برای تحقیق و مدیریت . Springer: برلین، آلمان، 2014. [ Google Scholar ]
  16. روشل، جی. Lehmann، LA; Wisniewski، J. جنگل تکه تکه شدن: حیات وحش و مدیریت مفاهیم . بریل: لیدن، هلند، 1999. [ Google Scholar ]
  17. Forman, R. Land Mosaics: اکولوژی مناظر و مناطق (1995). در کتاب خوان طراحی و برنامه ریزی زیست محیطی ; IslandPress: واشنگتن، دی سی، ایالات متحده آمریکا، 2014; صص 217-234. [ Google Scholar ]
  18. هریس، LD; Harris, LD The Fragmented Forest: Island Biogeography Theory and the Preservation of Biotic Diversity ; انتشارات دانشگاه شیکاگو: شیکاگو، IL، ایالات متحده آمریکا، 1984. [ Google Scholar ]
  19. هیل، جی. Curran, P. ترکیب گونه‌ها در جنگل‌های تکه تکه شده: پیامدهای حفاظتی تغییر مساحت جنگل. Appl. Geogr. 2001 ، 21 ، 157-174. [ Google Scholar ] [ CrossRef ]
  20. Pontius, RG, Jr. مقایسه نقشه های طبقه بندی شده. فتوگرام مهندس Remote Sens. 2000 , 66 , 1011–1016. [ Google Scholar ]
  21. آچارد، اف. هانسن، MC نظارت بر جنگل جهانی از رصد زمین ؛ CRC Press: Boca Raton، FL، USA، 2012. [ Google Scholar ]
  22. Dougherty، ER; نیول، جی تی. طبقه‌بندی پیکسل‌های حداکثر احتمال مبتنی بر بافت مورفولوژیکی Pelz، JB بر اساس گشتاورهای گرانولومتری محلی. تشخیص الگو 1992 ، 25 ، 1181-1198. [ Google Scholar ] [ CrossRef ]
  23. Specht، DF یک شبکه عصبی رگرسیون عمومی. IEEE Trans. شبکه عصبی 1991 ، 2 ، 568-576. [ Google Scholar ] [ CrossRef ]
  24. منارد، اس . تحلیل رگرسیون لجستیک کاربردی ; Sage: Thousand Oaks، CA، USA، 2002; جلد 106. [ Google Scholar ]
  25. هوانگ، سی. دیویس، ال. Townshend، J. ارزیابی ماشین‌های بردار پشتیبان برای طبقه‌بندی پوشش زمین. بین المللی J. Remote Sens. 2002 ، 23 ، 725-749. [ Google Scholar ] [ CrossRef ]
  26. کاموسوکو، سی. آنیا، م. آدی، بی. Manjoro, M. پایداری روستایی تحت تهدید در زیمبابوه-شبیه‌سازی تغییرات کاربری/پوشش زمین در آینده در منطقه Bindura بر اساس مدل اتوماتای ​​سلولی مارکوف. Appl. Geogr. 2009 ، 29 ، 435-447. [ Google Scholar ] [ CrossRef ]
  27. Kantakumar، LN; Neelamsetti، P. طبقه بندی کاربری چند زمانی با استفاده از رویکرد ترکیبی. مصر. J. Remote Sens. Space Sci. 2015 ، 18 ، 289-295. [ Google Scholar ] [ CrossRef ]
  28. بریمن، L. جنگل های تصادفی. ماخ فرا گرفتن. 2001 ، 45 ، 5-32. [ Google Scholar ] [ CrossRef ]
  29. فنگ، Q. لیو، جی. سنجش از دور پهپاد Gong، J. برای نقشه برداری پوشش گیاهی شهری با استفاده از تحلیل تصادفی جنگل و بافت. Remote Sens. 2015 ، 7 ، 1074–1094. [ Google Scholar ] [ CrossRef ]
  30. کاموسوکو، سی. گامبا، جی. شبیه سازی رشد شهری با استفاده از مدل تصادفی جنگل سلولی اتوماتای ​​(RF-CA). ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 447-470. [ Google Scholar ] [ CrossRef ]
  31. رودریگز، جی.دی. پرز، آ. لوزانو، JA تحلیل حساسیت اعتبار سنجی متقاطع k برابر در تخمین خطای پیش بینی. IEEE Trans. الگوی مقعدی ماخ هوشمند 2009 ، 32 ، 569-575. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  32. رویز هرناندز، IE; شی، دبلیو. روش طبقه‌بندی جنگل‌های تصادفی برای نقشه‌برداری کاربری اراضی شهری با ادغام معیارهای فضایی و تحلیل بافت. بین المللی J. Remote Sens. 2018 , 39 , 1175–1198. [ Google Scholar ] [ CrossRef ]
  33. بیشتر از.؛ رانا، DP بررسی تکنیک های طبقه بندی تصادفی جنگل برای رفع عدم تعادل داده ها. در مجموعه مقالات اولین کنفرانس بین المللی سیستم های هوشمند و مدیریت اطلاعات 2017 (ICISIM)، ماهاراشترا، هند، 5 تا 6 اکتبر 2007. صص 72-78. [ Google Scholar ]
  34. رنجان، AK; آناند، ا. والیسری، اس. تشخیص تغییر سینگ، RK LU/LC و تجزیه و تحلیل تخریب جنگل در پناهگاه حیات وحش دالما با استفاده از فناوری 3S: مطالعه موردی در جمشدپور-هند. Geosci را هدف می گیرد. 2016 ، 2 ، 273-285. [ Google Scholar ] [ CrossRef ]
  35. Mishra، VN; پراساد، ر. کومار، پی. گوپتا، DK; Srivastava، PK داده‌های SAR باند C دو قطبی برای طبقه‌بندی کاربری/پوشش زمین با ترکیب اطلاعات بافتی. محیط زیست علوم زمین 2017 ، 76 ، 26. [ Google Scholar ] [ CrossRef ]
  36. رنجان، AK; آناند، ا. کومار، PBS; Verma, SK; مورمو، ال. پیش بینی دمای سطح زمین در شهر سان شهر جودپور (راجستان) در هند با استفاده از ادغام شبکه عصبی مصنوعی و فناوری ژئوانفورماتیک. آسیایی J. Geoinform. 2018 ، 17 ، 14-23. [ Google Scholar ]
  37. Wolfram, S. Cellular Automata and Complexity: Collected Papers ; CRC Press: Boca Raton، FL، ایالات متحده آمریکا، 2018. [ Google Scholar ]
  38. سوزوکی، جی. تحلیل زنجیره ای مارکوف بر روی الگوریتم های ژنتیک ساده. IEEE Trans. سیستم ManCybern. 1995 ، 25 ، 655-659. [ Google Scholar ] [ CrossRef ]
  39. ورهاگن، پی. مطالعات موردی در مدل‌سازی پیش‌بینی باستان‌شناختی . انتشارات دانشگاه آمستردام: آمستردام، هلند، 2007; جلد 14. [ Google Scholar ]
  40. Halmy، MWA؛ Gessler، PE; هیکه، جی. Salem، BB شناسایی و پیش‌بینی تغییر کاربری/پوشش زمین در بیابان ساحلی شمال غربی مصر با استفاده از Markov-CA. Appl. Geogr. 2015 ، 63 ، 101-112. [ Google Scholar ] [ CrossRef ]
  41. وازکز-کوینترو، جی. سولیس-مورنو، آر. پومپا-گارسیا، م. ویارئال-گررو، اف. پیندو آلوارز، سی. Pinedo-Alvarez, A. تشخیص و طرح تغییرات جنگل با استفاده از مدل زنجیره مارکوف و اتوماتای ​​سلولی. پایداری 2016 ، 8 ، 236. [ Google Scholar ] [ CrossRef ]
  42. کابرال، پ. فرآیندهای زامیاتین، آ. مارکوف در مدل‌سازی تغییرات کاربری و پوشش زمین در سینترا کاسکای، پرتغال. Dyna 2009 ، 76 ، 191-198. [ Google Scholar ]
  43. گلن لوین، دی سی؛ Peet، RK; Veblen، TT Plant Succession: Theory and Prediction ; Springer Science & Business Media: برلین/هایدلبرگ، آلمان، 1992; جلد 11. [ Google Scholar ]
  44. هو، زی. Lo, C. مدلسازی رشد شهری در آتلانتا با استفاده از رگرسیون لجستیک. محاسبه کنید. محیط زیست سیستم شهری 2007 ، 31 ، 667-688. [ Google Scholar ] [ CrossRef ]
  45. کوچیسا، جی. پوپوویچی، ای.-آ. بالتئانو، دی. دومیتراشکو، م. گریگورسکو، آی. Mitrică، B. ارزیابی احتمال تغییر پوشش جنگلی آینده در رومانی، پیش‌بینی شده با استفاده از مدل‌سازی مبتنی بر سناریو. محیط زیست مدل. ارزیابی کنید. 2019 ، 1–21. [ Google Scholar ] [ CrossRef ]
  46. Lepš، J. مدل‌سازی ریاضی جانشینی اکولوژیکی – مروری. Folia Geobot. Et Phytotaxon. 1988 ، 23 ، 79-94. [ Google Scholar ] [ CrossRef ]
  47. لیو، ی. مدل‌سازی توسعه شهری با سیستم‌های اطلاعات جغرافیایی و اتوماتای ​​سلولی . CRC Press: Boca Raton، FL، USA، 2008. [ Google Scholar ]
  48. گوان، دی. لی، اچ. اینوهه، تی. سو، دبلیو. نگائی، تی. هوکائو، ک. مدل‌سازی تغییر کاربری زمین شهری با ادغام خودکار سلولی و مدل مارکوف. Ecol. مدل. 2011 ، 222 ، 3761-3772. [ Google Scholar ] [ CrossRef ]
  49. کشتکار، ح. وویگت، دبلیو. تحلیل فضایی و زمانی تغییر منظر با استفاده از زنجیره مارکوف یکپارچه و مدل‌های اتوماتای ​​سلولی. مدل. سیستم زمین محیط زیست 2016 ، 2 ، 10. [ Google Scholar ] [ CrossRef ]
  50. میتسوا، دی. شوستر، دبلیو. Wang, X. مدل اتوماتای ​​سلولی تغییر پوشش زمین برای ادغام رشد شهری با حفاظت از فضای باز. Landsc. طرح شهری. 2011 ، 99 ، 141-153. [ Google Scholar ] [ CrossRef ]
  51. سبدی، پ. سبدی، ک. Thapa، B. کاربرد یک مدل ترکیبی خودکار-مارکوف سلولی (CA-Markov) در پیش‌بینی تغییر کاربری زمین: مطالعه موردی حوضه زهکشی Saddle Creek، فلوریدا. Appl. Ecol. محیط زیست علمی 2013 ، 1 ، 126-132. [ Google Scholar ] [ CrossRef ]
  52. چاکر، جی. سیوریکایا، اف. Keleş، S. تغییر پوشش جنگلی و تکه تکه شدن با استفاده از داده های Landsat در شرکت جنگل دولتی Maçka در ترکیه. محیط زیست نظارت کنید. ارزیابی کنید. 2008 ، 137 ، 51-66. [ Google Scholar ] [ CrossRef ]
  53. اوجویی، م. اودیندی، ج. موتانگا، او. عبدالرحمن، E. تجزیه و تحلیل تکه تکه شدن در نقاط حساس تنوع زیستی آسیب پذیر در تانزانیا از سال 1975 تا 2012 با استفاده از سنجش از دور و fragstats. نات. حفظ کنید. 2016 ، 16 ، 19. [ Google Scholar ]
  54. میدا، ن. Mathur، P. ارزیابی تکه تکه شدن جنگل در اولویت حفاظتی چشم انداز Dudhwa، هند با استفاده از متریک های سطح کلاس محاسبه شده FRAGSTATS. J. شرکت هندی Remote Sens. 2010 , 38 , 487-500. [ Google Scholar ] [ CrossRef ]
  55. سینگ، SK; پاندی، AC؛ سینگ، دی. تجزیه و تحلیل تکه تکه شدن کاربری زمین با استفاده از سنجش از دور و Fragstats. در کاربردهای سنجش از دور در تحقیقات محیطی ; Springer: برلین، آلمان، 2014; صص 151-176. [ Google Scholar ]
  56. Carranza، ML; فراته، ال. آکوستا، AT; هویوس، ال. ریکوتا، سی. Cabido، M. اندازه گیری تکه تکه شدن جنگل با استفاده از داده های سنجش از راه دور چند زمانی: سه دهه تغییر در چاکو خشک. یورو J. Remote Sens. 2014 ، 47 ، 793-804. [ Google Scholar ] [ CrossRef ]
  57. لین، ن. اراسمی، س. کاپاس، M. کمی سازی تغییر کاربری/پوشش زمین و تکه تکه شدن چشم انداز در شهر دانانگ، ویتنام: 1979-2009. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2012 ، 39 ، B8. [ Google Scholar ] [ CrossRef ]
  58. سینگ، SK; Srivastava، PK؛ سابو، اس. پتروپولوس، GP; گوپتا، م. اسلام، T. تبدیل چشم‌انداز و معیارهای فضایی برای ترسیم پویایی فضایی و زمانی پوشش زمین با استفاده از مجموعه داده‌های رصد زمین. Geocarto Int. 2017 ، 32 ، 113-127. [ Google Scholar ] [ CrossRef ]
  59. تاپیا-آرمیخوس، MF; هومییر، جی. اسپینوزا، CI; لوشنر، سی. de la Cruz، M. جنگل زدایی و تکه تکه شدن جنگل در اکوادور جنوبی از دهه 1970 – از دست دادن یک نقطه داغ از تنوع زیستی. PLoS ONE 2015 ، 10 ، e0133701. [ Google Scholar ] [ CrossRef ]
  60. ملحی، RKM; آناند، ا. مدالیار، ع. پاندی، رایانه شخصی؛ Srivastava، PK؛ Sandhya Kiran، G. استفاده هم افزایی از داده های درجا و ابرطیفی برای نقشه برداری تنوع گونه ها و زیست توده بالای زمین در پناهگاه حیات وحش Shoolpaneshwar، گجرات. تروپ Ecol. 2020 ، 61 ، 106-115. [ Google Scholar ] [ CrossRef ]
  61. کریستین، بی. کریشنایا، N. تبعیض پوشش کف جنگل های برگریز خشک با استفاده از داده های Hyperion (EO-1). J. شرکت هندی Remote Sens. 2008 , 36 , 137-148. [ Google Scholar ] [ CrossRef ]
  62. پرادیپکومار، جی. پراتاپاسنان، جی. تنوع گل و فشار بیوتیک در پناهگاه حیات وحش شولپنشوار، گجرات. در فصل آلودگی هوا. توسعه دهنده چه هزینه ای؟ انتشارات دایا: دهلی، هند، 2003; صص 148-159. [ Google Scholar ]
  63. لیلسند، تی. کیفر، RW; چیپمن، جی. سنجش از دور و تفسیر تصویر . جان وایلی و پسران: نیویورک، نیویورک، ایالات متحده آمریکا، 2015. [ Google Scholar ]
  64. Srivastava، PK؛ ملحی، RKM; پاندی، رایانه شخصی؛ آناند، ا. سینگ، پی. Pandey، MK; گوپتا، آ. بازبینی سنجش از دور فراطیفی: منشأ، پردازش، برنامه‌های کاربردی و راه پیش رو. در سنجش از دور فراطیفی ; الزویر: آمستردام، هلند، 2020؛ صص 3-21. [ Google Scholar ]
  65. Congalton، RG; مید، RA یک روش کمی برای آزمایش سازگاری و صحت در تفسیر عکس. فتوگرام مهندس Remote Sens. 1983 ، 49 ، 69-74. [ Google Scholar ]
  66. آناند، ا. سینگ، SK; کانگا، اس. برآورد تغییر در تراکم پوشش جنگل و پیش‌بینی NDVI برای غرب سینگبوم با استفاده از رگرسیون خطی. بین المللی جی. محیط زیست. توانبخشی. حفظ کنید. 2018 ، 9 ، 193-203. [ Google Scholar ]
  67. کوهن، جی. ضریب توافق برای مقیاس های اسمی. آموزش. روانی Meas. 1960 ، 20 ، 37-46. [ Google Scholar ] [ CrossRef ]
  68. یوان، اف. بائر، ME; هاینرت، نیوجرسی؛ هولدن، GR نقشه‌برداری چند سطحی پوشش زمین از منطقه شهری دوقلو (مینسوتا) با داده‌های چند فصلی Landsat TM/ETM+. Geocarto Int. 2005 ، 20 ، 5-13. [ Google Scholar ] [ CrossRef ]
  69. ارسنجانی، ج. هلبیچ، ام. کاینز، دبلیو. Boloorani، AD یکپارچه سازی رگرسیون لجستیک، زنجیره مارکوف و مدل های اتوماتای ​​سلولی برای شبیه سازی گسترش شهری. بین المللی J. Appl. Obs زمین. Geoinf. 2013 ، 21 ، 265-275. [ Google Scholar ] [ CrossRef ]
  70. McGarigal، K. FRAGSTATS: برنامه تحلیل الگوی فضایی برای نقشه های طبقه بندی شده. برنامه نرم افزار کامپیوتری تولید شده توسط نویسندگان در دانشگاه ماساچوست، Amherst. در دسترس آنلاین: https://www.umass.edu/landeco/research/fragstats/fragstats.html (در 9 ژوئیه 2020 قابل دسترسی است).
  71. آرمنتراس، دی. گاست، اف. ویارئال، تکه تکه شدن جنگل H. آند و نمایندگی مناطق طبیعی حفاظت شده در شرق آند، کلمبیا. Biol. حفظ کنید. 2003 ، 113 ، 245-256. [ Google Scholar ] [ CrossRef ]
  72. ایمبرنون، جی. Branthomme، A. خصوصیات الگوهای چشم انداز جنگل زدایی در جنگل های بارانی استوایی. بین المللی J. Remote Sens. 2001 ، 22 ، 1753-1765. [ Google Scholar ] [ CrossRef ]
  73. آرایا، YH; Cabral، P. تجزیه و تحلیل و مدل سازی تغییر پوشش زمین شهری در Setúbal و Sesimbra، پرتغال. Remote Sens. 2010 , 2 , 1549–1563. [ Google Scholar ] [ CrossRef ]
  74. استانتورف، جی. پالیک، بی‌جی؛ Dumroese، RK احیای جنگل های معاصر: بررسی با تأکید بر عملکرد. برای. Ecol. مدیریت 2014 ، 331 ، 292-323. [ Google Scholar ] [ CrossRef ]
  75. واسکز-گراندون، آ. دونوسو، پی جی؛ Gerding، V. تخریب جنگل: چه زمانی یک جنگل تخریب می شود؟ Forests 2018 , 9 , 726. [ Google Scholar ] [ CrossRef ]
  76. دایدار، پ. سهو، س. Mammen، PC; آچاریا، پ. Puyravaud, J.-P.; آرجونان، م. Garrigues، JP; Roessingh, K. ارزیابی میزان و علل تخریب جنگل در هند: ما در کجا ایستاده ایم؟ Biol. حفظ کنید. 2010 ، 143 ، 2937-2944. [ Google Scholar ] [ CrossRef ]
  77. کیران، جی اس. باریا، پ. ملحی، RKM; Revdandekar, AV; مدالیار، ع. جوشی، UB; شاه، KA تجزیه و تحلیل مناسب بودن سایت برای سایت های کاشت JFM با استفاده از تکنیک های ژئو فضایی. بین المللی J. Adv. Remote Sens. GIS 2015 ، 4 ، 920-930. [ Google Scholar ] [ CrossRef ]
  78. ملحی، RKM; کیران، GS تاثیر استراتژی مدیریت مشترک جنگل بر حاصلخیزی خاک های جنگلی. گاو نر محیط زیست علمی Res. 2013 ، 2 ، 7-11. [ Google Scholar ]
  79. بهات، جی. کوشواها، س. نندی، اس. برگلی، ک. نگر، پ. Tadvi، D. تجزیه و تحلیل رژیم های پراکندگی و اختلال در جنگل های گجرات جنوبی، هند. تروپ Ecol. 2015 ، 56 ، 275-288. [ Google Scholar ]
  80. کایرانگا، ا. قربان، ع. ندایسابا، ف. ناهایو، ال. کاراماژ، اف. ابلکیم، ع. لی، اچ. Ilniyaz، O. نظارت بر تغییر و تکه تکه شدن پوشش جنگلی با استفاده از سنجش از دور و معیارهای چشم انداز در پارک Nyungwe-Kibira. جی. ژئوشی. محیط زیست Prot. 2016 ، 4 ، 13-33. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00530 g001 550
شکل 1. نقشه منطقه مورد مطالعه (با رنگ قرمز نشان داده شده است).
Ijgi 09 00530 g002 550
شکل 2. فلوچارت روش شناسی مورد استفاده در این مطالعه را نشان می دهد.
Ijgi 09 00530 g003 550
شکل 3. نقشه های پوشش جنگلی سال های 1998، 2008، 2018، 2018 (پیش بینی شده) و 2028 (پیش بینی شده).
Ijgi 09 00530 g004 550
شکل 4. ارزیابی دقت برای طبقه بندی تصادفی جنگل برای سال های 1998، 2008 و 2018.
Ijgi 09 00530 g005 550
شکل 5. ( الف ) ماتریس انتقال احتمال برای 1998-08. ( ب ) ماتریس انتقال احتمال برای 2008-2018.
Ijgi 09 00530 g006 550
شکل 6. ( الف ) آمار مساحت ( km2) کلاس‌های کاربری و پوشش زمین (LULC) برای سال‌های 1998، 2008، 2018 و پیش‌بینی‌شده 2028. ( ب ) آمار منطقه ( km2 ) از 2018 در مقابل پیش‌بینی‌شده .
Ijgi 09 00530 g007 550
شکل 7. معیارهای تکه تکه شدن سطح طبقات مختلف در مقیاس چند زمانی برای طبقات مختلف پوشش جنگل رسم شده است ( الف ) تعداد لکه ها (NP)، ( ب ) شعاع چرخش (GYRATE)، ( ج ) نسبت مساحت محیطی (PARA)، ( د ) تراکم وصله (PD)، ( ه ) شاخص تجمع (AI)، ( f ) شاخص همجواری میانی (IJI)، ( گرم ) شاخص شکل زمین نرمال شده (NLSI)، ( h ) توده (CLUMPY)، ( i ) مجاورت شاخص (CONTIG)، ( j) چگالی لبه (ED)، ( k ) نزدیکترین همسایه اقلیدسی (ENN)، و ( l ) ناحیه هسته (CORE).
Ijgi 09 00530 g008 550
شکل 8. معیارهای مختلف تکه تکه شدن سطح چشم انداز در مقیاس چند زمانی برای پوشش جنگل ترسیم شده است. ( الف ) مساحت میانگین (AREA) و ناحیه هسته (CORE)، ( ب ) نسبت مجاورت‌های مشابه (PLADJ) و شعاع چرخش (GYRATE)، ( ج ) نزدیک‌ترین همسایه اقلیدسی (ENN) و شاخص تجمع (AI)، ( d ) تراکم لبه (ED) و تراکم وصله (PD)، ( e ) نسبت مساحت محیطی (PARA) و شاخص شکل چشم‌انداز (LSI)، و ( f ) تعداد وصله‌ها (NP) و شاخص همجواری میان‌پریشی (IJI).

مقالات داخلی و بین المللی

تحلیل الگوی مکانی-زمانی یکپارچه برای ارزیابی و پیش بینی تخریب مناطق جنگلی حفاظت شده با استفاده از GIS

مطالب مرتبط ...

1 نظر

دیدگاهتان را بنویسید