چوب بزرگ در جریان (LW) یک جزء حیاتی از سیستمهای ساحلی است که ناهمگونی رژیمهای جریان را افزایش میدهد و زیستگاهی با کیفیت بالا برای ماهیهای آزاد و دیگر ماهیها فراهم میکند. ما چهار روش مبتنی بر نمونهبرداری را برای تخمین LW دو بعدی برای یک پروژه احیای رودخانه 61 هکتاری در رودخانه South Fork McKenzie در نزدیکی Rainbow، OR (ایالات متحده آمریکا) ارائه میکنیم. ما به صورت دستی منطقه LW را از تصاویر چندطیفی سیستم های هواپیمای اشغال نشده (UAS) برای 40 متر مربع 51.46 به طور تصادفی مشخص کردیم.نمودارهای شش ضلعی هفت متغیر کمکی از مشتقات تصاویر و تصاویر استخراج شد تا در چهار برآوردگر با خلاصه کردن آمار طیفی برای هر نمودار شامل طبقهبندی جنگل تصادفی (RF) تصاویر تقسیمبندی شده (کاپا کوهن = 0.75، دقت متعادل = 0.86) گنجانده شود. چهار برآوردگر عبارت بودند از: برآوردگر تفاوت، برآوردگر رگرسیون خطی ساده با یک متغیر کمکی، برآوردگر رگرسیون عمومی با هفت متغیر کمکی و نمونه تصادفی ساده بدون جایگزینی. ما واریانس تخمینگرها را ارزیابی کردیم و دریافتیم که نمونه تصادفی ساده بدون جایگزینی، بزرگترین تخمین را برای مساحت LW و وسیعترین فاصله اطمینان (17283 متر مربع ، 95% فاصله اطمینان (CI): 10613 – 23952 متر مربع ایجاد کرد .در حالی که رویکرد رگرسیون تعمیم یافته منجر به کوچکترین تخمین و باریکترین فاصله اطمینان (16593 m2 ، 95% فاصله اطمینان (CI): 13054 – 20133 m2 شد . این روشها تخمینهای کارآمدی از اجزای حیاتی زیستگاه را تسهیل میکنند، که بهویژه برای تلاشهایی که به دنبال کمی کردن مقادیر زیادی از این اجزا در طول زمان هستند، مناسب هستند. هنگامی که با روشهای نمونهگیری سنتی ترکیب میشود، تصاویر طبقهبندیشده بهدستآمده از طریق UAS نوید افزایش وضوح زمانی محصولات دادهای مرتبط با تلاشهای بازسازی را میدهد و در عین حال نیاز به کار میدانی بالقوه خطرناک را به حداقل میرساند.
کلید واژه ها
UAS ، چوب بزرگ در جریان ، نمونهبرداری ، طبقهبندی تصویر ، بازسازی رودخانه
1. مقدمه
چوب بزرگ در جریان (LW) نقش مهمی در فرآیندهای اکولوژیکی در سیستم های رودخانه ای ایفا می کند. هدف اولیه در پروژههای احیای رودخانه با تمرکز بر احیای مبتنی بر فرآیند، جذب و حفظ LW در محیط رودخانه است، زیرا LW با افزایش رسوب، پیچیدگی ژئومورفیک بیشتر، افزایش ناهمگونی رژیمهای جریان همراه است و زیستگاهی را برای بیمهرگان ماکرو اعماق زمین فراهم میکند. منابع غذایی برای ماهی ها هستند [ 1 ] [ 2 ] [ 3 ]. با این حال، تأثیرات انسانی مرتبط با نصب سدها و جادهها، و حذف بیش از حد جنگل منجر به کاهش تحویل چوب به رودخانههای کوهستانی در دهههای اخیر شده است [ 4 ].
روشهای بازسازی مبتنی بر فرآیند مانند بازیابی به شرایط مرحله 0 که در شمال غربی اقیانوس آرام اجرا شده است، اغلب شامل افزودن چوب به جریان برای شروع فرآیندهای درون جریان است که به چوب بستگی دارد، مانند چرخههای زندگی بی مهرگان درشت [ 5 ] [ 5]. 6 ] [ 7]. نظارت بر دینامیک جریان و حفظ چوب در مناطق احیای رودخانه برای ارزیابی نتایج مرمت و اطلاعرسانی طراحی برای پروژههای مرمت آتی مهم است. علاوه بر این، بعید است که فعالیتهای مرمت فرآیند تحویل چوب را به سیستم جریان بدون حذف تأثیرات انسانی که مانع از شروع فرآیند میشوند، بازگرداند. به این ترتیب، نظارت طولانی مدت برای درک اینکه چگونه دینامیک LW با زمان در حال تغییر است، ضروری است. این امر به ویژه در سایت بازسازی مرحله 0 رودخانه ساوت فورک مکنزی که در پایین دست مخزن کوگار و سد قرار دارد اهمیت دارد. این سد در سال 1963 تکمیل شد و از آن به بعد پتانسیل تحویل چوب را به دلیل تنظیم دبی های بسیار زیاد که می تواند چوب اضافی را به پایین دست تحویل دهد، محدود کرده است.
چوب بزرگ با استفاده از روشهای زیادی اندازهگیری شده است، از جمله نمونهبرداری از ترانسکت، سرشماری ( به عنوان مثال ، اندازهگیری تمام چوب)، و روشهای کوادرات بر اساس محدوده تعریف شده محلی. به عنوان مثال، پروتکل ملی نظارت بر آبزیان AIM برای سیستمهای Wadable Lotic، اداره مدیریت زمین، چوبهای بزرگ را بر روی نمونهها با شمارش قطعات بر اساس کلاس اندازه قطر میشمارد [ 8 ]. شاخص زباله های چوبی بزرگ پروتکل رسمی دیگری است که بر اساس ترانسکت های طولی 100 متری است که در آن قطر و طول چوب اندازه گیری می شود [ 9 ]. در مقابل، رویکردهای زمینی مانند برنامه تجزیه و تحلیل فهرست موجودی جنگل خدمات جنگلی ایالات متحده، LW را با شمارش قطعاتی که ترانسکت ها را در کرت های فرعی دایره ای در آزیموت های 30 درجه، 150 درجه و 270 درجه قطع می کنند، تخمین می زند [ 10 ].]. ولدندرپ و همکاران [ 11] یافت شد که رویکردهای مبتنی بر ترانسکت سطوح قابل قبولی از دقت را ارائه میدهند که طول ترانسکت به اندازهای باشد که محدوده اندازهها و توزیعهای مختلف را در سراسر یک سایت پوشش دهد. با این حال، در یک سایت بازیابی که در آن هزاران لاگ در منطقه بازسازی شده قرار داده شده است، و یک کانال نخی سابق به یک سیستم کانال چند رشته ای گسترده تبدیل می شود، روش های مرسوم برای تعیین کمیت LW به اندازه کافی برای استنتاج در فضا و زمان کاربرد محدودی دارند. . اندازهگیری تکههای جداگانهای که ترانسکتها را قطع میکنند، عملی نیست، بهویژه زمانی که یک پروژه نظارتی نیاز به بازبینیهای متعدد برای تعیین اینکه آیا چوب در طول زمان حفظ میشود یا خیر. علاوه بر این، مسائل ایمنی روشهای اندازهگیری معمولی در جریان، در محیطهای رودخانهای از نگرانی خاصی برخوردار است. انجام این بررسی ها در زمانی که رودخانه در جریان دبی زیاد جریان دارد غیرممکن می کند. علاوه بر خطرات بالقوه ای که برای اعضای خدمه ایجاد می شود، این بررسی ها زمان بر هستند و اجرای آنها به ساعت های زیادی نیاز دارد.
تفسیر دستی مجموعه داده های تصویری می تواند زمان بر باشد. با این حال، هنگامی که با روش های طبقه بندی نظارت شده همراه شود، این تلاش می تواند تا حد زیادی کاهش یابد. در یک طبقه بندی نظارت شده، یک مفسر به صورت دستی زیر مجموعه ای از تصاویر را برای آموزش طبقه بندی کننده طبقه بندی می کند. بخشی از دادههای آموزشی برای استفاده بهعنوان دادههای اعتبارسنجی مخفی میشود، بنابراین عملکرد طبقهبندیکننده ارزیابی میشود. در نهایت، پیش بینی هایی برای تصاویر باقی مانده انجام می شود.
در این مطالعه، ما متغیرهای طیفی را با نتایج یک طبقهبندی نظارت شده جفت میکنیم تا مساحت دوبعدی چوب بزرگ را در سراسر سایت پروژه تخمین بزنیم. ما چهار روش نمونهگیری را پیشنهاد میکنیم که از تصاویر UAS چندطیفی با وضوح بالا برای تخمین کل منطقه دو بعدی LW درون جریان برای پروژه مرمت مرحله صفر در رودخانه ساوت فورک مککنزی (ایالات متحده آمریکا) استفاده میکند. اهداف ما مقایسه تخمینها و واریانسهای LW برای هر روش نمونهگیری است.
این مقاله یک رویکرد جدید برای تعیین کمیت LW در جریان با ترکیب هر دو طبقهبندی نظارت شده RF و برآوردگرهای مبتنی بر نمونهبرداری را نشان میدهد. تحقیقات قبلی توسط Queiroz و همکاران . [ 12 ] LW زمینی را با استفاده از ترکیبی از تصاویر هوایی، دادههای LiDAR، تقسیمبندی تصویر و طبقهبندی RF بهعنوان گیرههای ایستاده یا چوبهای ریزششده طبقهبندی کردند، اما آنها به دنبال تعیین کمیت منطقه چوب نبودند و بنابراین دقت بخشهای طبقهبندیشده را تخمین زدند.
2. روش ها
2.1. توضیحات سایت
پروژه بازسازی مرحله صفر رودخانه ساوت فورک مکنزی در کوههای آبشار غربی، تقریباً 70 کیلومتری شرق یوجین، OR (44.1586، 122.2883-) واقع شده است. این سایت تقریباً 60 هکتار است و ارتفاع آن از 300 تا 340 متر است. این سایت بیش از 1770 میلی متر بارندگی در سال دریافت می کند. سد کوگار در شش کیلومتری بالادست منطقه مورد مطالعه قرار دارد و در سال 1963 ساخته شده است. این سد به دلیل کاهش رسوب گذاری و افزایش برش و زره پوش شدن بستر کانال، به طور موثر کانال را از دشت سیلابی اطراف قطع کرد. این امر جامعه گیاهی را در دشت سیلابی و در امتداد منطقه ساحلی تغییر داده و در نهایت زیستگاه ماهی آزاد موجود را نسبت به شرایط تاریخی کاهش داده است. مرمت مرحله 0 به دنبال بازیابی فرآیندهایی است که قبل از تأثیرات انسانی در سایت وجود داشته اند [13 ]. برای این منظور، در سال 2018، خدمه پروژه بازسازی چند میلیون دلاری را اجرا کردند که با پر کردن کانال قبلی با رسوب و قرار دادن چوب های بزرگ در سراسر منطقه بازسازی شده، دشت رودخانه را با کانال تاریخی دوباره متصل کرد.
2.2. مانیتورینگ UAS
در 23 سپتامبر 2019، ما تصاویر هوایی را در محل پس از درمان با یک UAS کوچک، DJI Matrice 200 v2، به دست آوردیم. ما یک حسگر چندطیفی/حرارتی ترکیبی Micasense Altum را در نادر گرا UAS نسبت به چشم انداز نصب کردیم. تصویربرداری UAS به سه پرواز نیاز داشت که تقریباً در ظهر خورشیدی انجام شد تا سایه ها به حداقل برسد. پروازها در ساعت 11:59 آغاز شد و در ساعت 13:43 PDT (UTC-7) به پایان رسید. ما تصاویری از یک پانل بازتابی کالیبره شده با مقادیر آلبدوی شناخته شده قبل و بعد از پرواز ضبط کردیم. نرمافزار برنامهریزی پرواز DJI Pilot [ 14 ] تضمین کرد که ما تصاویر را با 80% همپوشانی جلو و جانبی بین تصاویر ضبط میکنیم. ما یک ارتوموزائیک رادیومتری تصحیح شده با نرم افزار فتوگرامتری Agisoft Metashape [ 15 ] تولید کردیم.]. ارتوموزائیک چندطیفی به دست آمده دارای فاصله نمونه برداری از زمین (GSD) 5.88 سانتی متر و شش باند طیفی بود ( جدول 1 ). توجه داشته باشید که باند LWIR به طور خودکار از GSD 100 سانتی متر به 5.88 سانتی متر نمونه برداری شد. علاوه بر این، ما 12 نقطه کنترل زمینی را نصب کردیم و مکان آنها را با یک گیرنده GNSS Trimble GeoXH (0.1 متر با دقت افقی و عمودی ترکیبی پس از تصحیح دیفرانسیل) و آنتن Tornado برای ارجاع جغرافیایی تصاویر ثبت کردیم.
2.3. طراحی نمونه
ما مجموعه ای از 11737 51.46 متر مربع شش ضلعی را با استفاده از نرم افزار ArcGIS Pro [ 16 ] در سایت ایجاد کردیم. ما ششضلعیها را بهعنوان جنگلی، خیس یا بیحاصل بر اساس طبقهبندی غالب در هر شش ضلعی طبقهبندی کردیم که از یک طبقهبندی نظارت شده با استفاده از ارتوموزائیک RGB از تصاویر UAS با وضوح بالا (۳ سانتیمتر GSD) که در ژوئن ۲۰۱۹ به دست آمد. سپس ۴۰۰ شش ضلعی بهطور سیستماتیک انتخاب شدند. از یک شروع تصادفی با انتخاب هر 29 امشش ضلعی. نمونه گیری سیستماتیک نسبت به نمونه گیری تصادفی ساده برای اطمینان از طرح نمونه گیری توزیع شده فضایی انتخاب شد. علاوه بر این، ما میخواستیم اطمینان حاصل کنیم که هر یک از سه طبقه در جامعه نمونه متناسب با ظاهرشان در محل مطالعه نشان داده میشوند تا از نمونهگیری میدانی و اندازهگیری دیگر حمایت شود.
شرایطی که به این جنبه از مطالعه مربوط نمی شود. از آنجا که هدف تمرکز بر شرایط درون جریان بود، تنها 169 شش ضلعی طبقهبندی شده به عنوان خیس یا بیثبت برای نمونهبرداری عکس با وضوح بالا با UAS Phantom 4 Pro انتخاب شدند (توجه داشته باشید، این دادهها در این مطالعه استفاده نشدند). 40 شش ضلعی به طور تصادفی از 169 شش ضلعی برای نمونه برداری میدانی انتخاب شدند (شرح در بخش بعدی). نمونه برداری از شرایط کل قطعه 51.46 متر مربعی معقول نبود ، بنابراین قطعه به چهار قطعه فرعی دایره ای تقسیم شد که در مرکز شش ضلعی و 3 متر از مرکز در آزیموت های 30 درجه، 150 درجه و 270 درجه قرار داشتند. در مجموع 3858 شش ضلعی غیر جنگلی وجود داشت که چارچوب نمونه گیری ما را تشکیل می دادند ( شکل 1). در نگاهی به گذشته، ما به سادگی از این جمعیت غیر جنگلی برای ساده کردن گسترش قطعه استفاده میکردیم، اما، به منظور سادهسازی تحلیل، از رویکرد جمعیت محدود [ 17 ] استفاده میکنیم که در آن هر شش ضلعی به عنوان یک واحد جمعیت در نظر گرفته میشد تا LW را تخمین بزنیم. مساحت کل.
داده های تست و اعتبارسنجی
از آنجایی که قصد داریم چوب را در کل سایت مطالعه کمیت کنیم، ابتدا باید سطح توافق بین داده های سنجش از دور و داده های میدانی را مشخص کنیم. نمونهبرداری میدانی برای LW شامل تکنسینهایی بود که به مکانهای پلات میرفتند،
شکل 1 . فاز 1 ساوت فورک مک کنزی ارتوموزائیک با شش ضلعی قاب نمونه غیر جنگلی و 40 قطعه نمونه برداری شده در میدان.
سپس به صورت بصری درصد چوب را که هر یک از چهار قطعه فرعی با شعاع 1 متری (3.14 متر مربع) را پوشانده است، تخمین زد . ما همچنین اندازهگیری هر قطعه LW را در هر قطعه فرعی آزمایش کردیم تا مقیاسبندی آماری تخمینهای دو بعدی به حجم چوب را تسهیل کنیم، با این حال، زمانی که خدمه با چندین قطعه مواجه شدند که در آن کل قطعه از LW تشکیل شده بود، این رویکرد بسیار پر زحمت بود. علاوه بر این، شمارشهای LW ساده را آزمایش کردیم، که زمان کمتری نسبت به اندازهگیری داشت، اما در مواجهه با میدان LW همچنان بسیار دشوار بود.
برای توسعه یک مجموعه داده دیجیتالی قابل مقایسه با داده های LW نمونه برداری شده در میدان و در نهایت کمی کردن پارامتر هدف ما برای تخمین برای تمام شش ضلعی های قاب نمونه، ما به صورت دستی LW را در نرم افزار GIS ترسیم کردیم. ما با مشاهده ارتوموزائیکهای چندطیفی مشتقشده از UAS در ArcGIS Pro و ترسیم چند ضلعیها در اطراف چوب مرئی، یک رقومیسازی هدآپ برای ترسیم LW در 40 نمودار شش ضلعی انجام دادیم ( شکل 2 ). ما پارامتر هدف خود را با خلاصه کردن مساحت LW به صورت دستی در 40 قطعه شش ضلعی نمونه برداری شده به دست آوردیم. برای اطمینان از اینکه چوب مشخص شده به صورت دستی به طور معقول شرایط مشاهده شده در محل را نشان می دهد، تکنسین های میدانی درصد پوشش چوبی دو بعدی را به صورت بصری تخمین زدند (به عنوان مثال0٪ – 100٪ در محل در هر یک از 4 قطعه فرعی شعاع 1 متری در شش ضلعی در نظر گرفته شده برای نمونه. پس از حذف کرتهای فرعی که توسط سایبان در تصویر ارتوموزائیک مسدود شده بودند، درصد پوشش چوب مشاهده شده در میدان را در سطح کرت فرعی (3.14 متر مربع) ضرب کردیم تا سطح چوب تقریبی در مکانهای کرت فرعی و مقایسه با سطح چوبی که به صورت دستی در داخل کرتهای فرعی مشخص شده است. نمونه شامل 92 کرت فرعی با مشاهدات میدانی سطح چوب بود.
ما همبستگی بین چوب مشخص شده به صورت دستی و سطح چوب ارزیابی شده در میدان را با ضریب همبستگی رتبه اسپیرمن ناپارامتریک بررسی کردیم. علاوه بر این، ما یک آزمون t زوجی انجام دادیم تا بررسی کنیم که آیا میانگین اندازهگیریهای سطح چوب جفت شده متفاوت است یا خیر.
2.4. تخمین مساحت چوب با برآوردگرهای آماری
انجام رقومی کردن تمام چوب های موجود در سایت ناکارآمد بود،
شکل 2 . نمونه نمودار شش ضلعی. قاب سمت چپ نمودار شش ضلعی RGB را به تصویر میکشد، فریم میانی ترسیم دستی LW بهدستآمده در نرمافزار GIS است و فریم سمت راست نتیجه طبقهبندی RF LW در بخشهای تصویر است.
به همان دلیل که اندازه گیری دستی تمام چوب های موجود در مزرعه ناکارآمد بود. در عوض، ما امکان استفاده از یک رویکرد برآوردگر آماری را با اطلاعات کمکی برای تخمین مساحت دوبعدی اشغال شده توسط LW و فواصل اطمینان 95 درصدی در 3858 شش ضلعی غیر جنگلی بررسی کردیم. ما از چهار تخمینگر با انواع مختلف اطلاعات کمکی مشتقشده از ارتوموزائیک چندطیفی برای تسهیل گسترش تخمینهای نمودار در یک منطقه وسیعتر استفاده کردیم ( شکل 3 ).
شکل 3 . فلوچارت فرآیندی را که برای تولید تخمینهای مساحت چوب از تصاویر چندطیفی با استفاده از ترکیبی از تقسیمبندی تصویر، پردازش GIS و برآوردگرهای مبتنی بر نمونهبرداری دنبال کردیم، نشان میدهد.
اطلاعات کمکی باید از نظر فضایی در سراسر منطقه استنتاج پیوسته باشند، به این ترتیب، مقادیر میانگین بازتاب و دمای تابشی اندازهگیری شده برای باندهای طیفی منفرد در ارتوموزائیک چند طیفی کاندیدهای واضحی بودند. علاوه بر این، اگر اطلاعاتی در مورد اینکه آیا یک مکان مشخص احتمالاً چوب است یا نه، ممکن است دقت برآوردگر را افزایش دهیم. به این ترتیب، ما یک مدل طبقهبندی باینری جنگل تصادفی را برای ایجاد طبقهبندی از چوب یا غیر چوب در کل منطقه مورد مطالعه مونتاژ کردیم. آزمایش اولیه با یک مدل طبقهبندی ساده مبتنی بر پیکسل مرسوم با نظارت بر مدل طبقهبندی به مدلی با درجه ابهام بالا منجر شد. به این ترتیب، ما تصمیم گرفتیم از یک رویکرد تجزیه و تحلیل تصویر مبتنی بر شی به نام تقسیمبندی تصویر استفاده کنیم.18 ]. سپس از بخشهای بهدستآمده و اطلاعات ویژگیهای طیفی و قطعه مرتبط به عنوان متغیرهای پیشبینیکننده در یک مدل طبقهبندی باینری (چوبی یا غیر چوبی) استفاده میکنیم.
ما از نرمافزار Trimble eCognition برای تقسیمبندی ارتوموزائیک چندطیفی که قبلاً با استفاده از هر شش باند طیفی و یک باند NDVI هفتم توضیح داده شد، استفاده کردیم. NDVI تبدیلی از نوارهای قرمز و NIR است که به طور مثبت با فعالیت فتوسنتزی مرتبط است و ویژگی های آب با مقادیر نسبتاً پایین شاخص مطابقت دارد [ 19 ] [ 20 ] [ 21 ]]. به این ترتیب، ما NDVI را در تقسیم بندی خود با هدف تشخیص مناطقی که LW با مواد برگی و آب هم مرز است، وارد کردیم. هر یک از 112939 بخش به دست آمده شامل 40 ویژگی مربوط به اطلاعات طیفی ورودی و همچنین اطلاعات مربوط به ساختار و بافت هر بخش مانند عدم تقارن، شاخص مرز، طول مرز، روشنایی، فشردگی، چگالی، طول/عرض، حداکثر تفاوت است. چولگی، انحراف معیار، مستطیل، گردی و شاخص شکل که در کتاب مرجع eCognition [ 22 ] توضیح داده شده است. سپس این 40 ویژگی به عنوان متغیرهای پیش بینی کننده در طبقه بندی جنگل تصادفی (RF) [ 23 ] عمل کردند.
Random Forest یک الگوریتم توسعه مدل یادگیری ماشینی است که در کاربردهای زیستمحیطی محبوبیت پیدا کرده است، زیرا زمانی که بهدرستی پارامتر میشود و به دلیل ماهیت غیر پارامتری آن نسبت به بیش از حد برازش قوی است، میتواند تعامل بین متغیرهای کمکی را توضیح دهد و تا حد زیادی تحت تأثیر چند متغیره قرار نمیگیرد. هم خطی [ 23 ] [ 24 ]. برای آموزش مدل، ما یک زیرمجموعه 1.4 هکتاری از تصویر ارتوموزائیک را انتخاب کردیم که گستره تنوع طیفی و شرایط ژئومورفیک را در بقیه قسمتهای سایت از نظر وجود چوب غوطهور و غوطهور نشده، میلههای شن، پوشش گیاهی زنده، ریفل، نشان میدهد. و استخرها منطقه آموزشی از 8363 بخش تشکیل شده بود که ما به طور تصادفی 15 درصد را نمونه برداری کردیم و به صورت دستی قطعات نمونه برداری شده را به عنوان چوب یا غیر چوب طبقه بندی کردیم.
ما یک طبقهبندیکننده RF با نظارت دودویی را روی 1211 بخش آموزش دادیم و عملکرد مدل را با استفاده از 10 تکرار اعتبارسنجی متقاطع 10 برابری ارزیابی کردیم. زمانی که تنظیم مدل بخشی از فرآیند نیست، اعتبارسنجی متقاطع یک رویکرد مؤثر و قوی برای ارزیابی عملکرد مدل است، زیرا این روش بهتر برای دامنه نتایج مدل توضیح میدهد. ما تنظیم پارامتر مدل را از این گردش کار حذف کردیم، و ترجیح دادیم از پارامترهای توصیه شده mtry = 6 استفاده کنیم ( یعنیتعداد متغیرهای پیشبینیکننده که بهطور تصادفی در هر گره نمونهبرداری میشوند) و تعداد درختان = 500 برای سادهسازی معماری پردازش و کاهش زمان پردازش. ما کاپا را به عنوان معیار خلاصه مورد استفاده برای بهینه سازی عملکرد مدل انتخاب کردیم. ما از مدل به دست آمده برای طبقه بندی تمام 112939 بخش تصویر در کل منطقه مورد مطالعه به عنوان چوب یا غیر چوب استفاده کردیم. سپس مساحت قطعات چوبی طبقه بندی شده با RF برای هر یک از 3858 قطعه شش ضلعی در قاب نمونه خلاصه شد. در نتیجه، هر یک از 40 قطعه شش ضلعی که به طور تصادفی برای نمونهبرداری انتخاب شدهاند، حاوی چند ضلعیهای چوبی هستند که هم به صورت دستی در GIS مشخص شدهاند و هم توسط طبقهبندی کننده RF طبقهبندی شدهاند ( شکل 2 ).
2.5. برآوردگرها
برآوردگرها از اطلاعات کمکی و اطلاعات طراحی برای برآورد پارامتر هدف در یک منطقه وسیع استفاده می کنند. پارامتر هدف در اینجا، مساحت چوب دو بعدی در 3858 شش ضلعی 51.46 متر مربعی غیر جنگلی است . چهار برآوردگر که ما توسعه و آزمایش کردیم به طور خلاصه در زیر توضیح داده شده است. جزئیات بیشتر از جمله معادلات، مفروضات، و مراجع مرتبط در ضمیمه شرح داده شده است.
برآوردگر تفاوت (DIFF) با فرض یک رابطه بین متغیر پاسخ و اطلاعات کمکی کار می کند [ 25 ]. فرض اولیه برآوردگر تفاوت این است که اطلاعات کمکی پاسخ را به خوبی توضیح می دهد. در این مثال، کل مساحت طبقهبندی شده به عنوان چوب از مدل RF را پیشبینیکننده معقولی برای مساحت چوب فرض میکنیم.
برآوردگر رگرسیون خطی ساده (SLR) امکان تعدیل تخمینگر اختلاف را با درج ضرایب β 0 و β 1 فراهم می کند. با به حداقل رساندن فاصله بین خط رگرسیون و مقادیر مشاهده شده با رویکرد حداقل مربعات، خطای باقیمانده به حداقل می رسد. قابل توجه است که برآوردگر رگرسیون بی طرفانه نیست. با این حال، این سوگیری زمانی به حداقل می رسد که رابطه بین پارامترهای کمکی و هدف به طور منطقی خطی باشد و ضریب همبستگی به 1 نزدیک شود.
تخمینگر رگرسیون عمومی (GREG) توسعهای از برآوردگر قبلی SLR است. در این مورد، ما هفت متغیر کمکی داریم، و مقادیر میانگین را از تمام باندهای شرح داده شده در جدول 1 ادغام می کنیم . مقادیر میانگین برای هر یک از شش باند با استفاده از آمار ناحیه ای که در آن 40 نمودار شش ضلعی ویژگی های ناحیه هستند، استخراج می شوند. علاوه بر این، ما منطقه تخمین زده شده به چوب را که توسط مدل RF تعیین میشود، وارد کردیم. این برآوردگر بی طرف نیست. با این حال، بایاس با حجم نمونه بزرگتر و داده های کمکی مرتبط با هم کوچک خواهد بود.
تخمینگر نمونهبرداری تصادفی ساده بدون جایگزینی (SRSwoR) فقط به یک متغیر پاسخ اندازهگیری شده نیاز دارد، در این مورد، سطح چوب دیجیتالی شده برای مجموعه نمونههای شش ضلعی. پارامتر هدف یک مقدار ثابت برای جمعیت ما است و تصادفی بودن فقط با نمونه انتخاب شده مرتبط است. تخمین به دست آمده ما بی طرفانه است زیرا انتظارات از نمونه های ممکن با کل جمعیت واقعی برابر است [ 26 ].
3. نتایج و بحث
ارزیابی بصری توزیع سطح چوب نشان میدهد که دادهها دنباله راست هستند. در نتیجه، ما از ضریب همبستگی رتبه اسپیرمن ناپارامتریک برای ارزیابی همبستگی بین سطح چوب تخمین زده شده در میدان و سطح چوب مشخص شده دستی در 92 کرت فرعی استفاده کردیم. ضریب همبستگی اسپیرمن ( ρ ) درجه بالایی از همبستگی بین سطح چوب مشخص شده به صورت دستی و سطح چوب تخمین زده شده در میدان را در کرت های فرعی نشان می دهد ( ρ = 0.57، p <0.001). این نشان می دهد که مساحت چوبی که به صورت دستی از تصاویر UAS مشخص شده است به عنوان یک نمایش معقول از منطقه چوبی واقعی که در محل با آن مواجه می شود عمل می کند.
ما تفاوت در میانگین بین دو اندازه گیری سطح چوب را با آزمون t زوجی ارزیابی کردیم. نتایج نشان میدهد که یک تفاوت غیر صفر در میانگینها وجود دارد ( 005/ 0p <، 95% فاصله اطمینان (CI): 0.17 m2 تا 0.33 m2 ). هنگامی که CI به نسبت کرت فرعی 3.14 متر مربع تبدیل می شود ، از 5٪ تا 11٪ متغیر است، که منطقی است زیرا ارزیابی در میدان ما بر اساس تخمین بصری درصد پوشش چوب در کرت های فرعی است.
طبقهبندیکننده جنگل تصادفی با استفاده از دادههای تقسیمبندی شده با 10 تکرار اعتبار سنجی متقاطع 10 برابری آموزش داده شد که منجر به کاپا متوسط 0.76 (95٪ فاصله اطمینان (CI): 0.75 تا 0.77)، دقت 0.89، و برآورد خارج از کیسه نرخ خطا 11.15 شد. ٪.
عملکرد مدل در ماتریس سردرگمی تجسم شده است ( جدول 2 ). کاپا مدل نهایی 0.75، با دقت متعادل 0.86، حساسیت 0.94، و ویژگی 0.78 بود که در آن “چوب” به عنوان کلاس مثبت در نظر گرفته می شود.
ماتریس همبستگی ( شکل 4 ) ضرایب همبستگی اسپیرمن، ρ [ 27 ] را نشان می دهد. ماتریس همبستگی بین پارامتر هدف ( به عنوان مثال ، مساحت چوب مشخص شده به صورت دستی، manAREA) و 7 متغیر کمکی را تجسم می کند. بالاترین همبستگی ضریب مربوط به سطح چوب مشخص شده به صورت دستی (manAREA، پارامتر هدف ما) و با سطح چوب برآورد شده توسط مدل RF (RFAREA، یکی از 7 متغیر کمکی) در 0.72 است. در نتیجه، ما سطح چوب RF را به عنوان متغیر کمکی خود در هر دو تخمینگر تفاوت و برآورد رگرسیون عمومی با یک متغیر کمکی اعمال کردیم. مساحت چوب تخمین زده شده در میدان در این ماتریس ارائه نشده است زیرا متغیری نیست که در هیچ یک از چهار برآوردگر استفاده شده است.
ما تخمینهای کل سطح چوب را برای منطقه مورد نظر با 95% فواصل اطمینان برای چهار برآوردگر محاسبه کردیم ( جدول 3 ). ما انتظار داشتیم که این تخمینها به دلیل محدودیتها در مقایسه با منطقه LW در محل، کم سوگیری باشد
شکل 4 . ماتریس همبستگی: سلول ها حاوی ضرایب همبستگی اسپیرمن ( ρ ) هستند. سطح چوب مشخص شده به صورت دستی (manAREA) پارامتر هدفی است که ما تخمین می زنیم. RFAREA مساحت چوب را از طبقهبندی کننده RF اندازهگیری میکند، و متغیرهای طیفی به ترتیب مقادیر بازتابی و دمای تابشی در 40 نمودار ششگوشی نمونه برای باند طیفی و باند lwir هستند.
کل مساحت LW تخمینی از 16593 تا 17283 متر مربع با SRSwoR که بزرگترین تخمین و وسیع ترین فاصله اطمینان را تولید می کند، متغیر بود. در مقابل، GREG کوچکترین برآورد مساحت LW و باریکترین فاصله اطمینان را تولید کرد.
نتایج نشان میدهد که با ترکیب اطلاعات کمکی بیشتر، دقت سطح چوب تخمینی خود را افزایش میدهیم. SRSwoR کمترین دقت را در بین برآوردگرهای مبتنی بر طراحی بررسی شده در این مطالعه دارد. با این حال، این روش سادهترین روش برای اجرا است و فقط به تعیین دستی سطح چوب در کرتهای فرعی نیاز دارد. این منجر به افزایش کارایی در مقایسه با روشهایی میشود که به اطلاعات کمکی نیاز دارند، زیرا چنین روشهایی به پردازش GIS/تصویر فراتر از رویکرد SRSwoR نیاز دارند.
بر اساس معیارهای کاپا و دقت مربوط به اعتبارسنجی متقاطع 10 تکراری 10 برابری مورد استفاده برای تولید مدل RF یادگیری ماشینی، این مدل نسبتاً خوب عمل کرد. یک اخطار در استفاده از معیارهای دقت برای ارزیابی عملکرد مدل، فقدان توانایی کمی کردن عینی برآورد مرتبط با مدل است.
برآوردگرهای رگرسیون مبتنی بر طراحی، توزیعی را برای جمعیت کرت های هگز فرض نمی کنند. مساحت چوب با استفاده از این برآوردگرهای رگرسیون یک پارامتر ثابت در نظر گرفته می شود و بایاس با خود برآوردگر مرتبط است. برآوردگر تفاوت یک رویکرد جالب برای ترکیب چوب مدلسازی شده از ترکیبی از تقسیمبندی تصویر و یک مدل پیشبینی یادگیری ماشین ارائه میکند. ترکیب نتایج طبقهبندیکننده RF با تخمینگر تفاوت مزیت اضافهای را از محاسبه واریانس تخمینگر و فاصله اطمینان 95 درصدی همراه آن ارائه میکند. اگرچه این روش در مقایسه با سایر برآوردگرهای رگرسیون عدم قطعیت بیشتری دارد، تخمینگر تفاوت تخمین بیطرفانهای از کل سطح چوب را ارائه میدهد.
تخمینگر SLR توسعهای از تخمینگر تفاوت است و تنظیمات را از طریق ضرایب β 0 و β 1 فراهم میکند. جای تعجب نیست که این تخمینگر واریانس را کاهش میدهد و فاصله اطمینان 95% مربوطه را در مقایسه با تخمینگر تفاوت کاهش میدهد.
در نهایت، GREG با 7 متغیر کمکی با گنجاندن اطلاعات کمکی اضافی، واریانس را حتی بیشتر کاهش می دهد. در این مرحله، هیچ تغییری از باندها را در قالب شاخصها، به عنوان مثال، NDVI وارد نکردیم. با این حال، GREG در مقایسه با سه برآوردگر دیگر که در مطالعه مورد بررسی قرار گرفتند، به دقیقترین تخمین رسید. تولید اطلاعات کمکی از محاسبه آمار منطقه ای یک فرآیند ساده در GIS یا نرم افزارهای دیگر است. با این حال، تولید یک مدل جنگل تصادفی برای طبقهبندی بخشهای تصویر تولید شده در eCognition به پیادهسازی دقیق و دانش یادگیری ماشین نیاز دارد. بنابراین، برآوردگر GREG نیز از نظر فنی پیچیده ترین است. این تخمینگر را میتوان با حذف مولفه جنگل تصادفی ساده کرد، اما قطعیت برآورد کاهش مییابد.
فواصل اطمینان گسترده هم نشان دهنده پیچیدگی سایت و هم ماهیت جدید روش است. این منطقه شامل تاجپوشهای درختی است که سطح زمین را مبهم میکند، بسترهای شنی آشکار، ویژگیهای ژئومورفیک مانند جزایر، سرعتهای مختلف آب، و چوبی که در آب غوطهور شده است. این ویژگیها طبقهبندیکننده را گیج میکنند و پسزمینه چالشبرانگیزی از امضاهای طیفی با هم تداخل دارند. با این حال، دادهها و تخمینهای مربوط به منطقه LW به عنوان یک شرط مرجع برای فعالیتهای نظارتی آینده در محل بازسازی عمل میکنند. برای انجام تحلیلهای مکانی-زمانی تغییرات در ناحیه LW، این روشها را میتوان به آسانی تکرار کرد و کار میدانی را در سایتی که میتواند به طور بالقوه برای خدمه صحرایی خطرناک باشد به حداقل رساند. علاوه بر این، بررسیهای مکرر LW در غیر این صورت به دلیل مقدار زیادی چوب رسوبشده در طول فعالیتهای بازسازی امکانپذیر نخواهد بود. در این نمونه، خدمه ای متشکل از دو عضو توانستند 70 قطعه فرعی به شعاع یک متری را در طول پنج روز نمونه برداری کنند. با این حال، ما تصاویر UAS را برای کل سایت 60 هکتاری در حدود 1.5 ساعت به دست آوردیم. به دست آوردن تصاویر با UAS را می توان به صورت ایمن و بر اساس تقاضا انجام داد، با حداقل هماهنگی لازم بین خلبان در فرماندهی، مقامات محلی هوانوردی جنگلی، و سایر گروه های ذینفع.
قبل از اجرای مرحله 0 بازسازی در رودخانه ساوت فورک مک کنزی، LW در جریان وجود نداشت. ما انتظار داریم که غلظت LW رسوبشده در طول زمان کاهش یابد، زیرا قطعات در پایین دست جابجا شده و تجزیه میشوند. اجرای مکرر روشهایی که ما پیشنهاد میکنیم به کمیت دینامیک چوب در طول زمان کمک میکند و تصاویر را میتوان با وضوح زمانی بالاتر نسبت به روشهای نمونهگیری میدانی سنتی معمولی جمعآوری کرد. Jennings [ 7 ] پتانسیل منطقه LW را برای حمایت از زیست توده بی مهرگان و تولید ثانویه توصیف می کند. نتیجه این است که برآوردهای ما از LW ممکن است همراه با این برآوردها برای تعیین کمیت زیست توده بالقوه بیمهرگان در سطح سایت و تولید ثانویه مورد استفاده قرار گیرد.
یک محدودیت بالقوه برای رویکرد ارائه شده در این مقاله، ناحیه چوبی است که توسط سایبان در ارتوموزائیک UAS مسدود شده است. در مناطق مسدود شده توسط سایبان، ما فاقد اطلاعات کمکی برای تخمین مساحت چوب هستیم. علاوه بر این، ما انتظار داریم که پوشش گیاهی ساحلی در منطقه بازسازی شده در طول زمان بهبود یابد، به طوری که چوب در مکان هایی که در حال حاضر به وضوح برای UAS قابل مشاهده است ممکن است در آینده توسط سایبان های متراکم درختچه ها یا درختان پوشیده شود. ما نمی دانیم که چگونه تغییرات در تاج پوشش درختان و درختچه ها ممکن است در طول زمان اندازه گیری های مبتنی بر UAS را از سطح چوب بزرگ منحرف کند. LiDAR هوایی ممکن است برای تکمیل تصاویر هوایی استفاده شود، زیرا پالس ها می توانند به تاج جنگل نفوذ کنند و ویژگی های زیرسایه را مشخص کنند، اما تشخیص LW از زمین های اطراف می تواند دشوار باشد [ 28 ] [ 29 ]]. کی روش و همکاران [ 30 ] پتانسیل LiDAR هوایی چندطیفی مورد استفاده با تصاویر هوایی و تقسیمبندی تصویر را برای بهبود دقت طبقهبندی ناحیه چوب زیرسایبان نشان داد. قطعات چوبی غوطه ور چالش های دیگری را به همراه دارد. با این حال، ما میتوانیم تا حدی چوبهایی را که ممکن است در زیر سطح آب ساکن قرار داشته باشند، با اصلاح نمایش کشیده رنگها یا مشاهده کامپوزیتهای با رنگ کاذب در جایی که ویژگیهای چوب برجستهتر هستند و ترسیم این چند ضلعیها در نمودارهای ششضلعی نمونهبرداری شده در مرحله ترسیم دستی توضیح دهیم. مطالعات آینده ممکن است این روشها را با تخمین مساحت چوب در مناطق مرطوب با ترکیب مدلهای ارتفاعی دیجیتال مشتق شده از LiDAR یا فتوگرامتری ساختار از حرکت [ 31 ] بهبود بخشد.] و پیاده سازی روش های انتساب برای تولید اطلاعات کمکی برای ناحیه مسدود شده.
4. نتیجه گیری
ما کاربرد برآوردگرهای مبتنی بر نمونه را برای ارائه تخمینهایی برای منطقه LW در پروژههای بازسازی ساحلی نشان دادیم. SRSwoR ساده ترین روش برای پیاده سازی است و به کمترین دستکاری داده ها نیاز دارد، اما تخمین ها را با کمترین دقت تولید می کند. با ترکیب اطلاعات کمکی و طبقهبندیکنندههای یادگیری ماشین، میتوانیم دقت تخمینهای خود را بهبود ببخشیم. ترکیب تصاویر هوایی UAS با طبقهبندیکننده یادگیری ماشین و تولید تخمینهایی از مواد چوبی با استفاده از روشهای مبتنی بر نمونهبرداری، روشی کارآمد برای تعیین کمیت مواد در مکانهای بازسازی که LW برای ساختار زیستگاه و رژیمهای جریان حیاتی است، ارائه میکند. روشهای سنتی نمونهبرداری صحرایی زمانبر و بالقوه خطرناک هستند، به ویژه در شرایط پر جریان. یک تکنسین ماهر میتواند بررسی UAS را همانطور که در این مقاله پیشنهاد شده است، در طول چند ساعت در مقایسه با روزهای متعددی که برای اجرای یک کمپین نمونهبرداری میدانی در همان مقیاس به یک خدمه میدانی نیاز دارد، انجام دهد. ما پیشبینی میکنیم که مطالعات آینده میتواند با ترکیب دادههای کمکی اضافی مانند شاخصهای پوشش گیاهی و/یا دادههای ارتفاع از LiDAR یا SfM، این روشها را بیشتر بهبود بخشد، در نتیجه دقت را افزایش داده و وابستگی به طبقهبندیکنندههای یادگیری ماشین را کاهش میدهد.
سپاسگزاریها
این تحقیق تا حدی با یک قرار ملاقات در برنامه مشارکت تحقیقاتی خدمات جنگلی ایالات متحده (USFS) که توسط موسسه علوم و آموزش اوک ریج (ORISE) از طریق توافق نامه بین سازمانی بین وزارت انرژی ایالات متحده (DOE) و ایالات متحده اداره می شود، پشتیبانی شد. وزارت کشاورزی (USDA). ORISE توسط ORAU تحت شماره قرارداد DOE DE-SC0014664 مدیریت می شود. تمام نظرات بیان شده در این مقاله متعلق به نویسنده است و لزوماً منعکس کننده سیاست ها و دیدگاه های USDA، DOE، یا ORAU/ORISE نیست.
نویسنده اول مایل است از سارا هینشاو (دانشگاه ایالتی کلرادو)، کیتی نیکولاتو (دانشگاه ایالتی اورگان)، و ویلیام هیرش (دانشگاه ایالتی اورگان) برای کمک آنها در انجام کار میدانی سپاسگزاری کند. نویسنده اول از ترسیم نمای LW که توسط کیفر کرپس انجام شد سپاسگزار است. در نهایت، ما از افرادی که با طراحی، اجرا و نظارت بر مرمت مرحله 0 در رودخانه ساوت فورک مککنزی همکاری میکنند، تشکر میکنیم.
مکمل
1) برآوردگر تفاوت
برآوردگر تفاوت در ابتدا در یک زمینه حسابداری استفاده شد که در آن ارزش های دفتری به طور منطقی توسط ارزش های حسابرسی توضیح داده می شد [ 25 ]. ضریب β را روی 1 ثابت نگه می داریم .
با استفاده از برآوردگر تفاوت، کل جمعیت را تخمین می زنیم، yتیyTبه شرح زیر است:
y¯تیدمن f=∑Uy0ک+∑اسDˆکy¯Tdif=∑Uyk0+∑SD^k
جایی که Dˆک=Dک/πک= (yک–y0ک) /πکD^k=Dk/πk=(yk−yk0)/πk
و πک=nنπk=nN.
ما فرض می کنیم y0ک=ایکسکyk0=xk.
واریانس برای میانگین و کل جمعیت برآورد شده را می توان به صورت زیر تخمین زد:
Va rˆ(y¯دمن f) =1 – nن1n1n – 1∑را(yمن–y0من)2Var^(y¯dif)=1−nN1n1n−1∑(yi−yi0)2
Va rˆ(y¯تیدمن f) =ن2×Va rˆ(y¯دمن f)Var^(y¯Tdif)=N2×Var^(y¯dif)
فرمول برآوردگر تفاوت با نماد اصلاح شده از Särndal و همکاران است. [ 32 ].
2) برآوردگر رگرسیون خطی ساده (SLR).
ابتدا میانگین جمعیت خود را تخمین می زنیم y¯l ry¯lrو در اندازه جمعیت ما N ضرب کنید تا کل جمعیت را تخمین بزنید yتیl ryTlr.
میانگین جمعیت را محاسبه کردیم y¯l r=ب0+ب1μایکسy¯lr=b0+b1μx، جایی که ب1=∑ni = 1(ایکسمن–ایکس¯) (yمن–y¯)∑ni = 1(ایکسمن–ایکس¯)2b1=∑i=1n(xi−x¯)(yi−y¯)∑i=1n(xi−x¯)2و ب0=y¯–ب1ایکس¯b0=y¯−b1x¯. علاوه بر این، μایکسμxمیانگین جمعیت برای متغیر کمکی است و ایکس¯x¯میانگین نمونه گیری است.
ما واریانس را تخمین می زنیم y¯l ry¯lrبا:
Vˆیک آر (y¯l r) =ن− nن× n⋅∑ni = 1(yمن–ب0–ب1ایکسمن)2n – 2=ن− nن× n⋅ ماسEV^ar(y¯lr)=N−nN×n⋅∑i=1n(yi−b0−b1xi)2n−2=N−nN×n⋅MSE
سپس، کل سطح چوب را برای جمعیت پیکسل های خیس شده تخمین می زنیم: y¯تیl r=y¯l r× Ny¯Tlr=y¯lr×N
در آخر، ما واریانس را تخمین می زنیم y¯تیl ry¯Tlrبا:
Vˆیک آر (y¯تیl r) =ن2Vˆیک آر (y¯l r) =ن× ( N− n )n⋅ ماسEV^ar(y¯Tlr)=N2V^ar(y¯lr)=N×(N−n)n⋅MSE
نمادگذاری معادلات SLR برای میانگین جمعیت و ضرایب بتا در بالا اصلاح شده است و از Avery و Burkhart [ 33 ] سرچشمه می گیرد. معادلات واریانس از سخنرانی رگرسیون از وب سایت Penn State stat 506 [ 34 ] اصلاح شده است.
3) برآوردگر رگرسیون عمومی (GREG) با متغیرهای کمکی چندگانه
y¯جی آر ایجی=ب0+ب1μb l u e+ب2μgr e e n+ب3μr e d+ب4μr e de dgه+ب5μn i r+ب6μمن دارم _ _+ب7μآر افA r e ay¯GREG=b0+b1μblue+b2μgreen+b3μred+b4μrededge+b5μnir+b6μlwir+b7μRFArea
y¯تیجی آر ایجی=y¯جی آر ایجی× Ny¯TGREG=y¯GREG×N
واریانس تخمین زده شده توسط GREG
معادلات زیر تخمین واریانس مرتبط با برآوردگر GREG را نشان می دهد. معادلات از McConville و همکاران است. [ 35 ] با نماد اصلاح شده.
Va rˆ(y¯جی آر ایجی) = ( 1 −nن)1ن1n – 1∑من ∈ _(yمن–مترˆ(ایکسمن) )2Var^(y¯GREG)=(1−nN)1N1n−1∑i∈s(yi−m^(xi))2
جایی که مترˆm^پیش بینی تخمینی نمونه است.
Va rˆ(y¯تیجی آر ایجی) =ن2×Va rˆ(y¯جی آر ایجی)Var^(y¯TGREG)=N2×Var^(y¯GREG)
4) SRSwoR
ما کل جمعیت را تخمین می زنیم، ττبه شرح زیر است:
τˆ=نn∑ni = 1 yمنτ^=Nn∑i=1n yi
واریانس نمونه ما اسˆ2yS^y2به شرح زیر برآورد می شود:
اسˆ2y=1n – 1∑ni = 1(yمن–μˆ)2S^y2=1n−1∑i=1n(yi−μ^)2
در نهایت، ما واریانس را تخمین می زنیم V(τˆ)V(τ^):
Vˆ(τˆ) = (ن2– نن )اسˆ2yn= fص جن2اسˆ2ynV^(τ^)=(N2−Nn)S^y2n=fpcN2S^y2n
منابع
بدون دیدگاه