یک روش خودکار و عملیاتی برای تشخیص تغییر پوشش زمین با استفاده از تحلیل فضایی و زمانی داده‌های MODIS: یک مطالعه موردی انتاریوی شمالی (کانادا)

چکیده

نقشه‌برداری و درک تفاوت‌های پوشش زمین و کاربری زمین در طول زمان جزء ضروری تصمیم‌گیری در بخش‌هایی مانند مدیریت منابع، برنامه‌ریزی شهری و مدیریت آتش‌سوزی جنگل‌ها و همچنین در ردیابی اثرات تغییرات آب و هوایی است. روش‌های موجود گاهی اوقات مانعی برای نظارت مؤثر بر تغییرات پوشش زمین و کاربری زمین ایجاد می‌کنند، زیرا یک پارامتر آستانه اغلب مورد نیاز است و براساس آزمون و خطا تعیین می‌شود. این مطالعه با هدف توسعه یک روش خودکار و عملیاتی برای تشخیص تغییرات در مقیاس بزرگ از داده‌های طیف‌سنجی تصویربرداری با وضوح متوسط (MODIS) انجام شد. سوپر پیکسل ها به جای پیکسل های فردی سنتی، واحد اصلی تحلیل بودند. T ²آزمون‌های مبتنی بر بردارهای ویژگی شاخص گیاهی تفاوت عادی شده زمانی (NDVI) و دمای سطح زمین برای تشخیص تغییر استفاده شد. روش توسعه‌یافته برای داده‌های یک منطقه عمدتاً پوشش گیاهی در شمال انتاریو، کانادا به وسعت 120000 کیلومتر مربع از سال 2001 تا 2016 اعمال شد. دقت بین 78٪ و 88٪ برای تست مبتنی بر NDVI، از 74٪ تا 86٪ برای تست مبتنی بر LST، و از 70٪ تا 86٪ برای روش مشترک در مقایسه با تفسیر دستی متغیر بود. روش پیشنهادی ما برای تشخیص تغییر پوشش زمین، جایگزینی کاربردی و قابل دوام برای روش‌های موجود تشخیص تغییر پوشش زمین فراهم می‌کند، زیرا قابل اعتماد، تکرارپذیر و عاری از عدم قطعیت در ایجاد آستانه تغییر است.

کلید واژه ها:

MODIS ; تست T-squared ; خودکار ؛ تشخیص تغییر پوشش زمین ; عملیاتی ; سوپر پیکسل

1. مقدمه

پیچیدگی دینامیک زمین مستلزم نظارت مداوم بر داده های آن است تا بتوان رویدادهای آینده را پیش بینی کرد و بر اساس آن پاسخ داد. شناسایی تغییرات کاربری زمین و پوشش زمین (LULC) و شرایط جوی حیاتی است زیرا بر اقلیم جهانی تأثیر می گذارد. نظارت بر جنگل ها و زمین های کشاورزی گاهی برای کمک به برنامه ریزی کاربری زمین یا ردیابی بهره برداری از منابع طبیعی انجام می شود. هدف ما برای تجزیه و تحلیل تغییر LULC بررسی تأثیرات تغییرات آب و هوایی از طرح‌های مدیریت زمین است. منطقه مورد مطالعه در شمال انتاریو، کانادا است. انتظار می‌رود این منطقه با توجه به فرصت‌هایی که هوای گرمتر به ارمغان می‌آورد، شاهد افزایش تغییر کاربری زمین باشد. با فعالیت های مختلفی که رخ خواهد داد، انتشار گازهای گلخانه ای (GHG) و کربن آلی ذخیره شده جابجا می شوند.

علاوه بر این، اطلاعات مربوط به پوشش زمین و تغییر کاربری زمین می تواند در تصمیمات حیاتی اتخاذ شده توسط دولت ها لحاظ شود. دو رویکرد رایج برای تشخیص تغییر وجود دارد. در دسته اول، هدف تشخیص اینکه آیا تغییر رخ داده است یا خیر است. نتایج همیشه دوگانه هستند: “تغییر” یا “بدون تغییر”. در دسته دوم، ماهیت تغییر نیز مشخص می شود و بنابراین راه حل اطلاعات «از به» را ارائه می دهد. برای مطالعات متمرکز بر نظارت در مقیاس بزرگ، تشخیص “تغییر / بدون تغییر” اغلب انجام می شود. علاوه بر این، نتایج حاصل از تشخیص “تغییر/بدون تغییر” می تواند به عنوان اولین گام برای شناسایی مناطق برای تشخیص دقیق تغییر “از به” استفاده شود. تشخیص “تغییر / بدون تغییر” تمرکز این مطالعه بود.

پیشرفت‌ها در سنجش از دور امکان توسعه روش‌های تشخیص تغییر خودکار یا نیمه خودکار را فراهم کرده است [ 1 ، 2 ]. روش آستانه‌ای تحلیل تغییر، آستانه‌ای را ایجاد می‌کند که فراتر از آن فرض می‌شود که تغییر رخ داده است. به عنوان مثال، تفاوت تصویر از یک آستانه برای سطوح خاکستری تصویر برای یادداشت پیکسل هایی که تحت تغییرات پوشش زمین قرار گرفته اند استفاده می کند [ 3 ، 4 ]. تفاوت تصویر را می توان از طریق تفاضل تصویر جبری، تفاوت شاخص رویشی، نسبت تصویر، رگرسیون یا تحلیل برداری تغییر انجام داد [ 5 ، 6 ، 7 ، 8 ].

به طور خاص، کلینهانس و همکاران. [ 4 ] یک روش آستانه را برای تشخیص محل وقوع تغییر اعمال کرد و دقت تشخیص تغییر 89٪ را به دست آورد. لو و همکاران [ 9 ] مدل Breaks for Additive and Seasonal Trend (BFAST) را در منطقه زمانی و مکانی برای مشاهده تغییرات برای یک دوره 12 ساله اعمال کرد. ویژگی مورد استفاده، شاخص پوشش گیاهی افزایش یافته زمانی بود. بالاترین دقت تولید کننده به دست آمده در پیکسل های تغییر یافته، کمی بیش از 50 درصد در سطح معنی داری 5 درصد بود. مطالعه دیگری از روش آستانه و تجزیه و تحلیل آماری استفاده کرد [ 10 ]. برای تشخیص تغییر، نویسندگان محله پیکسل را در نظر گرفتند، جایی که اندازه همسایگی دوباره با روش آزمون و خطا انتخاب شد.

هدف این کار فعلی بهبود روش تشخیص تغییر است که تفاوت‌های پیکسل به پیکسل را بررسی می‌کند. در آن روش‌شناسی، تحلیلگر باید آستانه‌ای را انتخاب کند تا مشخص کند کجا تغییر رخ داده است یا خیر. برای آن روش، تحلیلگر حداقل یا حداکثر مقدار آستانه را تعیین می کند تا تصمیم بگیرد که آیا تغییر در پوشش زمین رخ داده است یا خیر. حتی اگر این روش‌های مبتنی بر پیکسل دقت‌های موفقیت‌آمیزی دارند، یک اشکال در روش انتخاب آستانه مناسب است، یافتن آستانه معمولاً یک فرآیند آزمون و خطا است. نقص این فرآیند این است که نمی‌دانیم کدام آستانه برای تحلیل مناسب است. علاوه بر این، برخی از روش‌های تفاوت تصویر مبتنی بر پیکسل به دلیل خطاهای ثبت، تشخیص نادرست ایجاد می‌کنند [ 10]. در نتیجه تحقیقات بیشتری برای پرداختن به موارد فوق الذکر مورد نیاز است.

یک تکنیک تشخیص تغییر با توجه به برنامه انتخاب می شود. برای اعمال نظارت در مقیاس بزرگ تغییرات باینری، روش پیشنهادی ما مناسب و عملیاتی است. در ادبیات، ویژگی‌های مختلفی وجود دارد که برای تشخیص پوشش زمین/تغییر کاربری زمین، از جمله ویژگی‌های طیفی یا فضایی تصاویر سنجش از دور، بافت، یا شاخص‌های پوشش گیاهی مورد بهره‌برداری قرار گرفته‌اند. این کار از دمای زمین و شاخص پوشش گیاهی به عنوان ویژگی هایی برای تشخیص تغییر استفاده کرد.

شاخص گیاهی تفاوت نرمال شده (NDVI) به دلیل موفقیت آن در تشخیص پوشش گیاهی، سهولت محاسبه و تفسیر آن و دسترسی به آن از داده های ماهواره ای مختلف، یک شاخص پوشش گیاهی است که به خوبی استفاده می شود. NDVI به عنوان شاخص پوشش گیاهی اولیه برای کاربردهای عملیاتی جهانی شناخته شده است [ 11 ]. NDVI در کار ما برای نظارت بر تغییرات در مناطق مورد مطالعه استفاده شد. پایش به صورت درون سالانه و بین سالانه انجام شد. ویژگی دیگر در نظر گرفته شده در این کار، دمای سطح زمین (LST) است. مطالعات تأثیر پوشش زمین و تغییرات کاربری زمین را بر LST نشان داده اند [ 12 , 13 , 14 , 15]. بسته به نوع پوشش زمین موجود، دمای سطح در یک منطقه می تواند متفاوت باشد [ 16 ]. به طور مشابه، هنگامی که زمین تحت تغییر در پوشش زمین یا نوع کاربری زمین قرار می گیرد، می تواند تغییر همزمان در LST را تجربه کند. ماجومدر و همکاران [ 17 ] اشاره کرد که LST می تواند در منطقه ای که در کشاورزی افزایش می یابد، کاهش یابد. ژانگ و لیانگ [ 18 ] از مجموعه داده‌های کاربری/پوشش زمین (CLUDs) چین برای مطالعه تأثیر تغییر پوشش زمین بر دمای سطح استفاده کردند. پایگاه داده حاوی تصاویری به اندازه شطرنجی 1 کیلومتری با 25 کلاس پوشش زمین است. این طبقات بیشتر به زمین‌های زراعی، علفزار، جنگل‌ها، زمین‌های بلااستفاده، آب و مناطق شهری گروه‌بندی می‌شوند. مطالعه انجام شده توسط ژانگ و لیانگ [ 18] نشان داد که تغییر پوشش زمین از زمین زراعی به مناطق ساخته شده باعث افزایش LST شد، در حالی که تغییر از جنگل به زمین زراعی دمای سطح را کاهش داد.

اگرچه بسیاری از مطالعات رابطه بین NDVI، LST و تغییر پوشش زمین/کاربری زمین را بررسی کرده‌اند، تعداد کمی از آنها استفاده از تغییر LST را برای پیش‌بینی یا بیان تفاوت در پوشش زمین مورد هدف قرار داده‌اند. بنابراین، این مقاله مدلی را برای پیش‌بینی تغییر سطح پوشش زمین از هر دو مقدار LST و NDVI پیشنهاد می‌کند.

سایر روش های تشخیص تغییرات آماری در ادبیات ارائه شده است. در مطالعه Waylen و همکاران. [ 19 ]، تغییرات بین سالانه طی یک دوره 25 ساله از مجموعه داده AVHRR NDVI شناسایی شد. توسعه تجزیه و تحلیل پایداری سری های زمانی بر اساس یک فرضیه صفر بود که بیان می کرد که مقادیر NDVI به طور معمول توزیع شده و مستقل هستند [ 19 ]]. معیارهای مورد استفاده، معیارهای تداوم جهت، تداوم جهت نسبی، و تداوم عظیم تغییر NDVI بود. دو معیار اول فقط جهت تغییر را در نظر می گیرند، در حالی که دومی بزرگی تغییر را نیز به حساب می آورد. استفاده از آزمون تداوم عظیم نیاز به یک طبقه بندی جداگانه برای به دست آوردن پیکسل های کنترل آماری دارد که تغییری در پوشش زمین یا کاربری زمین نداشته اند. هر روش تداوم، یک NDVI ماهانه را با یک مقدار معیار NDVI انتخاب شده توسط کاربر (تداوم جهتی) یا با مشاهده ماهانه NDVI سال قبل (تداوم جهت نسبی و روش پایداری عظیم) مقایسه می کند تا مشخص کند آیا تغییر مثبت یا منفی وجود داشته است. برای محاسبه توزیع متغیرها از شبیه سازی مونت کارلو استفاده شد. تنگ و همکاران [ 3] از دو روش تشخیص تغییر پوشش زمین مبتنی بر آزمون فرضیه استفاده کرد: روش توزیع مشترک دو متغیره و روش توزیع شرطی. روش اول گروهی از پیکسل‌های بدون تغییر (که از روش پس از طبقه‌بندی مشخص شده‌اند) برای تخمین ماتریس میانگین و کوواریانس هر طبقه کاربری زمین می‌گیرد. این توزیع می تواند با کلاس های کاربری زمین متفاوت باشد. توزیع شرطی به طور مشابه از پارامترهایی استفاده می‌کند که وابسته به کلاس هستند و باید از جفت پیکسل‌های بدون تغییر کلاس‌های کاربری زمین برآورد شوند. آزمایش روش ها با استفاده از تصاویر SPOT-4، دقت روش ها از 92٪ تا 94٪ بود. برای توزیع مشترک دو متغیره، بالاترین دقت کلی در سطح معنی داری 5 درصد به دست آمد. در حالی که بیشترین دقت کلی در سطح معناداری 10 درصد برای روش توزیع شرطی به دست آمد. اگرچه این روش های آماری به آستانه ای برای تشخیص تغییر نیاز ندارند، اما به طبقه بندی کاربری قبلی زمین وابسته هستند.

در این مطالعه، ما یک فرآیند تشخیص تغییر خودکار را پیشنهاد می‌کنیم. روش ما از یک آزمون فرضیه به عنوان مبنایی برای تعیین محل وقوع تغییر پوشش زمین استفاده می کند. تا آنجا که ما می دانیم، بسیاری از روش های تحلیل تغییر از روش های آستانه استفاده می کنند، اما آزمون مبتنی بر فرضیه به ندرت برای چنین تحلیل هایی استفاده می شود. روش توسعه‌یافته بر اساس داده‌های جمع‌آوری‌شده در یک منطقه بزرگ در شمال انتاریو، کانادا تأیید شد.

2. مواد و روشها

2.1. حوزه و داده های مطالعه

این مطالعه بر روی منطقه Great Claybelt انتاریو واقع در شمال شرقی انتاریو، کانادا انجام شد. مساحت این منطقه 120000 کیلومتر مربع است که در مرکز ( 49.476 درجهن،82.283 درجهدبلیو). دو منطقه در منطقه Claybelt برای اعتبارسنجی انتخاب شدند: شهر هرست در غربی ترین قسمت منطقه، و شهر Cochrane در بخش جنوب شرقی Claybelt، همانطور که در شکل 1 نشان داده شده است. مساحت هرست 15000 کیلومتر مربع است، در حالی که شهر کوکرین 539 کیلومتر مربع را پوشش می دهد [ 20 ]. اگرچه این مناطق از نظر مکانی بزرگ هستند، اما جمعیت کمی دارند. به عنوان مثال، هرست دارای تراکم جمعیت 51.1 نفر در کیلومتر مربع است و تراکم جمعیت کوکرین 9.9 نفر در کیلومتر مربع است [ 20 ].

این مطالعه تغییرات را در 3 دوره مورد بررسی قرار داد: از سال 2001 تا 2005، از سال 2005 تا 2009 و از سال 2010 تا 2016. در ابتدا برای مطالعه کاربری اراضی در منطقه مورد مطالعه، نقشه های کشاورزی و کشاورزی و مواد غذایی کانادا (AAFC) بررسی شد. . شکل 2، به دست آمده از مجموعه داده های AAFC، یکی از چالش ها را در توصیف استفاده از زمین در شمال انتاریو نشان می دهد: مجموعه داده ها دهه ای هستند و اغلب در کل منطقه گسترش نمی یابند. فقدان اطلاعات جغرافیایی قابل اعتماد، در دسترس و مستمر در شمال انتاریو منجر به راه‌حل‌های گران‌قیمت و طولانی یا تصاویر گسترده‌ای از این منطقه شده است. این مثال – بدون پوشش داده در بالاترین بخش Claybelt – نیاز فوری به توسعه روش‌های مناسب برای شناسایی و نقشه‌برداری پویایی پوشش زمین در شمال انتاریو برای زمین‌های جنگلی و کشاورزی را برجسته می‌کند. اینها به نوبه خود می توانند برای مطالعه تغییرات ذخایر کربن خاک و انتشار گازهای گلخانه ای مورد استفاده قرار گیرند.

بر اساس نقشه‌های پوشش زمین موجود مانند مجموعه‌های پوشش زمین شمال دور انتاریو [ 21 ، 22 ]، نقشه کوکرین نشان می‌دهد که در سال 2016، این شهر عمدتاً از جنگل‌های مختلط در بخش‌های مرکزی و شمالی تشکیل شده بود، در حالی که جنگل‌های سوزنی برگ سوزنی همیشه سبز در قسمت شمال غربی شهر بودند. انواع پوشش زمین که به عنوان “درختان ساوانا” یا “دوارهای چوبی” طبقه بندی می شوند، بیشتر در قسمت غربی-مرکزی تا جنوب شهر یافت می شوند. (ساواناها در نقشه پوشش زمین شمال دور انتاریو با پوشش های زمینی شن، باتلاق و درختان مطابقت دارند. از این پس در این نوشته به عنوان fen/bog نامیده می شوند.) در آن سال، کوکرین عمدتاً از fen/bog، علفزار تشکیل شده بود. و درختان پهن برگ در بخش مرکزی شهر ( شکل 3 را ببینید). جنگل های مختلط بیشتر قسمت شمالی شهر را پوشانده است، و جنگل های مرکب/باتلاق و جنگل های مختلط بیشترین جمعیت را در جنوب داشتند. نقشه پوشش زمین کوکرین نیز به طور مشخص منطقه ای از زمین های زراعی را در بخش مرکزی شهر نشان می دهد. با توجه به وضوح متوسط نقشه، این قابل توجه است، که نشان می دهد مقدار زیادی زمین کشاورزی در آن بخش از کوکران وجود دارد.

آن بخش از زمین های زراعی در مرکز کوکران تغییری نسبت به چشم انداز شهر یک و نیم دهه قبل بود. در سال 2001، کوکرین عمدتاً از بخش مرکزی شهر به سمت جنوب، با علفزارها و درختان برگریز عمدتاً باتلاق بود. این تضاد در نقشه‌های پوشش زمین مشهود است، که نشان می‌دهد بخش بزرگی از مناطق حصیر/باتل از سال 2001 تا سال 2016 به علفزار و زمین‌های زراعی در بخش مرکزی شهر تبدیل شده است. علاوه بر این، جمعیت درختان برگ‌ریز افزایش یافته است. در حالی که fen/bogs کاهش یافته است.

همچنین تغییراتی در پوشش زمین در منطقه جنگلی هرست در طول 16 سال مورد بررسی وجود داشته است. به عنوان مثال، در سال 2001، جنوبی‌ترین بخش شهر توسط فنس/باتلاق، علفزار، و جنگل مختلط پوشیده شده بود. در سال 2005، آن بخش از شهر تقریباً تماماً جنگل‌های باتلاقی و مختلط بود. تا سال 2010، جنگل های مختلط بیشتر منطقه ای را که فن/باتلاق در آن قرار داشت اشغال کرده بود و برخی از فنس/باتلاق ها با درختان برگریز جایگزین شدند. در سال 2016، مقدار بسیار کمی از فنس/باتلاق باقی مانده بود و منطقه عمدتاً جنگلی مخلوط با کمی درختان برگریز بود. تغییر قابل توجه مشابهی نیز در قسمت شمال شرقی هرست مشاهده می شود. در سال 2001، قسمت شمال شرقی هرست به عنوان ترکیبی از درختان مخروطی، جنگل های مختلط، و برخی از فنس/باتل شروع شد. تا سال 2005، برخی از درختان مخروطی با فن/باتلاق و علفزار جایگزین شدند. در سال 2010، در مناطقی که قبلاً جنگل‌ها و درختان مخروطی مختلط وجود داشت، تسلط بیشتری بر فن/باتلاق‌ها وجود داشت و تا سال 2016، بخش‌های بزرگ‌تری از علفزار و باتلاق‌ها جایگزین جنگل‌های مختلط شد. تعداد درختان سوزنی برگ در آن قسمت از شهر بین سال های 2010 تا 2016 تغییر چندانی نکرده است.

داده های سنجش از دور به کار گرفته شده در این مطالعه توسط MODIS به دست آمد. تصاویر NDVI و LST از موتور Google Earth گرفته شده اند. این پلت فرم وب میزبان تصاویر ماهواره ای در دسترس عموم از سراسر جهان است که می تواند برای اهداف مختلف دستکاری شود. محصولات داده‌های MODIS Terra مورد استفاده برای تجزیه و تحلیل تغییر، محصول وضوح 250 متری 16 روزه برای NDVI (MCD13Q1) [ 23 ]، انعکاس سطح وضوح 500 متر (MOD09A1.006)، و محصول وضوح 8 روزه 1 کیلومتری برای LST (MOD11A2) [ 24]. درونیابی خطی برای داده های از دست رفته انجام شد، هم به صورت زمانی و هم از نظر مکانی درون یابی انجام شد. یک مجموعه تصویر با مجموع 23 تصویر برای نقشه های NDVI ماه ها و برای LST، یک مجموعه تصویری از 4 تصویر برای هر ماه استفاده شد. داده‌های موجود در Google Earth Engine معمولاً پیش پردازش شده‌اند. تجزیه و تحلیل با ویرایشگر کد Google Earth Engine [ 25 ]، ArcMap 10.7 [ 26 ] و MATLAB [ 27 ] انجام شد.]. شایان ذکر است که اگرچه NDVI به دلیل موفقیت تاریخی آن به عنوان یک معیار نظارت بر پوشش گیاهی مورد استفاده قرار گرفت، روش توسعه‌یافته باید برای سایر محصولات مانند شاخص گیاهی افزایش یافته (EVI)، شاخص سطح برگ (LAI) و کسر فتوسنتزی مناسب باشد. تشعشع فعال (FPAR)، که در کارهای آینده مورد بررسی قرار خواهد گرفت.

پیش پردازش تصویر برای حذف مصنوعات ناخواسته مانند موارد ایجاد شده توسط تداخلات جوی انجام شد. محصول MODIS Surface Reflectance در وضوح 500 متر به عنوان بازتاب سطح در سطح زمین برآورد شد. برای شرایط جوی مانند گازها، ذرات معلق در هوا و پراکندگی ریلی تصحیح شد. به طور مشابه، داده‌های MODIS NDVI از Google Earth Engine از بازتاب سطح دو جهته تصحیح شده جوی تشکیل شده است که برای آب، ابرها، ذرات معلق در هوا و سایه‌های ابر پوشانده شده است. محصولات LST سطح 3 مورد استفاده در شبیه‌سازی‌ها، LST‌های آلوده به ابر را قبلاً حذف کرده بودند. یکی دیگر از عناصر پیش پردازش تصویر صاف کردن داده های ورودی برای حذف نویز بود. در این کار از فیلتر Savitzky-Golay به عنوان تکنیک صاف کردن استفاده کردیم. سایر روشهای هموارسازی در نظر گرفته شده عبارتند از: استخراج بهترین شیب شاخص، هموارسازی لجستیک و لجستیک دوگانه، گاوسی نامتقارن و میانگین متحرک میانگین و میانه. روش برتر هیچ یک از داده‌های NDVI را که روی آن اعمال می‌شد تغییر یا صاف نکرد و بنابراین بیشتر مورد استفاده قرار نگرفت. از 2 روش آخر، میانه متحرک نمایش بهتری از داده های ما در مقایسه با میانگین متحرک ارائه می دهد. بقیه روش‌های فیلترینگ آزمایش‌شده نیز درجه خوبی از هموارسازی داده‌های ورودی را ایجاد کردند. از بین همه روش‌ها، Savitzky-Golay با استفاده از بیشترین تعداد نقاط داده در حالی که همچنان روند کلی نمودارها را حفظ می‌کند، بهترین نتیجه را به دست آورد. اندازه پنجره 5 انتخاب شد زیرا رویکرد پیشنهادی ما عملکرد بهینه خود را با آن اندازه پنجره به دست می‌آورد. گاوسی نامتقارن و میانگین متحرک میانگین و میانه. روش برتر هیچ یک از داده‌های NDVI را که روی آن اعمال می‌شد تغییر یا صاف نکرد و بنابراین بیشتر مورد استفاده قرار نگرفت. از 2 روش آخر، میانه متحرک نمایش بهتری از داده های ما در مقایسه با میانگین متحرک ارائه می دهد. بقیه روش‌های فیلترینگ آزمایش‌شده نیز درجه خوبی از هموارسازی داده‌های ورودی را ایجاد کردند. از بین همه روش‌ها، Savitzky-Golay با استفاده از بیشترین تعداد نقاط داده در حالی که همچنان روند کلی نمودارها را حفظ می‌کند، بهترین نتیجه را به دست آورد. اندازه پنجره 5 انتخاب شد زیرا رویکرد پیشنهادی ما عملکرد بهینه خود را با آن اندازه پنجره به دست می‌آورد. گاوسی نامتقارن و میانگین متحرک میانگین و میانه. روش برتر هیچ یک از داده‌های NDVI را که روی آن اعمال می‌شد تغییر یا صاف نکرد و بنابراین بیشتر مورد استفاده قرار نگرفت. از 2 روش آخر، میانه متحرک نمایش بهتری از داده های ما در مقایسه با میانگین متحرک ارائه می دهد. بقیه روش‌های فیلترینگ آزمایش‌شده نیز درجه خوبی از هموارسازی داده‌های ورودی را ایجاد کردند. از بین همه روش‌ها، Savitzky-Golay با استفاده از بیشترین تعداد نقاط داده در حالی که همچنان روند کلی نمودارها را حفظ می‌کند، بهترین نتیجه را به دست آورد. اندازه پنجره 5 انتخاب شد زیرا رویکرد پیشنهادی ما عملکرد بهینه خود را با آن اندازه پنجره به دست می‌آورد. میانه متحرک نمایش بهتری از داده های ما در مقایسه با میانگین متحرک ارائه می دهد. بقیه روش‌های فیلترینگ آزمایش‌شده نیز درجه خوبی از هموارسازی داده‌های ورودی را ایجاد کردند. از بین همه روش‌ها، Savitzky-Golay با استفاده از بیشترین تعداد نقاط داده در حالی که همچنان روند کلی نمودارها را حفظ می‌کند، بهترین نتیجه را به دست آورد. اندازه پنجره 5 انتخاب شد زیرا رویکرد پیشنهادی ما عملکرد بهینه خود را با آن اندازه پنجره به دست می‌آورد. میانه متحرک نمایش بهتری از داده های ما در مقایسه با میانگین متحرک ارائه می دهد. بقیه روش‌های فیلترینگ آزمایش‌شده نیز درجه خوبی از هموارسازی داده‌های ورودی را ایجاد کردند. از بین همه روش‌ها، Savitzky-Golay با استفاده از بیشترین تعداد نقاط داده در حالی که همچنان روند کلی نمودارها را حفظ می‌کند، بهترین نتیجه را به دست آورد. اندازه پنجره 5 انتخاب شد زیرا رویکرد پیشنهادی ما عملکرد بهینه خود را با آن اندازه پنجره به دست می‌آورد.شکل 3 نمونه ای از تأثیر هموارسازی بر داده های NDVI در سال 2010 است. بقیه این بخش رویکرد اتخاذ شده برای ایجاد روش تشخیص تغییر پوشش زمین و روش مورد استفاده برای ارزیابی دقت روش را شرح می دهد.

2.2. مواد و روش ها

همانطور که قبلاً ذکر شد، تشخیص تغییر در این مطالعه طی 16 سال، از سال 2001، با استفاده از داده های NDVI و LST برای ارزیابی تغییر پوشش زمین تقریباً هر 5 سال یکبار انجام شد. به جای روش سنتی مبتنی بر پیکسل، از سوپرپیکسل ها به عنوان مبنای تجزیه و تحلیل برای تشخیص تغییرات استفاده شد. اندازه آنها نسبتاً کوچک بود تا اطمینان حاصل شود که مناطق تحت پوشش آنها همگن هستند. روش دیگر، یک همسایگی دلخواه در اطراف هر پیکسل می تواند به عنوان نمونه استفاده شود، که برای هر مشاهده (مقدار پیکسل) ممکن است از توزیع تصادفی یکسانی پیروی نکند. علاوه بر این، همسایگی دلخواه ممکن است از نظر محاسباتی گران باشد. برای تعیین اندازه سوپرپیکسل‌ها، تغییرات فضایی مناطق مورد علاقه نشان‌داده‌شده در داده‌های MODIS با استفاده از نیم‌واریوگرام مورد تجزیه و تحلیل قرار گرفت. ورودی نیم متغیری اولین جزء اصلی بازتاب MODIS بود. سوپر پیکسل ها بر اساس 3 جزء اصلی تصویر MODIS که باندهای نوری را پوشش می دهند به دست آمد. آزمایش آماری برای تعیین اینکه آیا تغییر قابل توجهی رخ داده است یا خیر بر روی سوپر پیکسل های منفرد نقشه های NDVI و LST انجام شد. در زیر فرآیند گام به گام دنبال شده در روش شناسی ما آمده است.

تجزیه و تحلیل اجزای اصلی (PCA) [ 28 ] بر روی یک تصویر در سال 2001 از بازتاب سطح با 7 باند اول MODIS انجام شد. PCA نشان داد که بیش از 98 درصد از داده ها را می توان با 3 جزء اول توضیح داد.

برای مشخص کردن تغییرات فضایی منطقه مورد مطالعه، ابتدا یک نیمه متغیروگرام بر اساس اولین جزء اصلی محاسبه شد. این به ما اجازه داد تا شیء غالب در هر سایت را تعیین کنیم تا یک ناحیه همگن پیدا شود. Semivariogram اطلاعاتی در مورد اندازه مناسب برای پیکسل های فوق العاده ارائه می دهد. شکل 4 نیم متغیری و چگونگی تعیین آستانه و محدوده را نشان می دهد. به عنوان مثال، در شکل 4 ، فلات مقادیر نیمه واریانس در محدوده حدود 104 پیکسل به دست آمده است. در حالی که آستانه ساختار واریانس داده ها را توضیح می دهد، دامنه دورترین فاصله تاخیری را نشان می دهد که در آن مشاهدات همبستگی دارند. از این رو، هیچ همبستگی فضایی برای مشاهدات جدا شده توسط بیش از 104 واحد پیکسل وجود ندارد.

یک تصویر را می توان به گونه ای تقسیم کرد که هر بخش نشان دهنده مجموعه ای از حدود 104 پیکسل با ویژگی های مشابه مانند مقدار پیکسل یا شدت پیکسل باشد. پیکسل های این بخش را سوپر پیکسل می نامند. سوپر پیکسل ها را می توان برای تعیین اینکه آیا تغییری در محیط رخ داده است مقایسه کرد.

بسته ابر پیکسلی مورد استفاده در این مطالعه برای انجام بخش‌بندی تصویر، بسته خوشه‌بندی تکراری خطی ساده (SLIC) بود. یکی از ویژگی های SLIC این است که سوپر پیکسل های صاف و با اندازه منظم را در مناطق صاف و سوپر پیکسل های بسیار نامنظم را در مناطق بافت دار می سازد [ 29 ]. تقسیم بندی تصویر با استفاده از 3 جزء اصلی اول انجام شد.

نتیجه تقسیم بندی تصویر انجام شده در سایت Hearst در شکل 5 به عنوان مثال نشان داده شده است. واحد سوپر پیکسل از یک تصویر LST در سال 2005 به دست آمد.

با پیروی از اصل ergodicity [ 30 ]، مقادیر پیکسل در هر سوپر پیکسل به عنوان نمونه در آزمون فرضیه در نظر گرفته شد. Ergodicity مهم است زیرا ما تعداد زیادی نمونه برای محاسبه میانگین نمونه نداریم. برای یک فرآیند تصادفی که ارگودیک است، تنها 1 تابع نمونه مورد نیاز است. در برنامه سنجش از دور ما، ویژگی فضایی مشاهده را برای نشان دادن تصادفی به کار بردیم. از این رو، با استفاده از پیکسل‌های فوق‌العاده که در یک ناحیه فضایی همگن هستند برای نشان دادن داده‌های ما، از ویژگی ارگودیک استفاده کردیم، که به ما اجازه می‌دهد از جامعه برای آزمون آماری استفاده کنیم.

آزمون T ² هتلینگ [ 31 ] در این روش انتخاب شد زیرا آزمون T ² می تواند داده های چند متغیره را مقایسه کند. بنابراین، در جایی که داده های تک متغیره را می توان با استفاده از آزمون t مقایسه کرد، داده های چند متغیره را می توان با استفاده از آزمون T ² مقایسه کرد . آزمون T ² ، مانند آزمون t، نمونه ها را با استفاده از میانگین مقایسه می کند . در مورد هتلینگ، از میانگین چند متغیره استفاده می شود زیرا میانگین های 2 یا چند نمونه را با هم مقایسه می کند. بنابراین، آماره T ² را می توان به عنوان مقایسه یک نقطه در فضا که با میانگین همه متغیرهای فردی تعریف شده است، در نظر گرفت.

هنگامی که X ₁ ، ….، XN _{بردارهای} k مؤلفه هستند، و توزیع نرمال دارای میانگین بردار μ و ماتریس کوواریانس Σ است که میانگین نمونه به صورت تعریف شده است.

ایکس¯=1ن∑من=1نایکسمن

(1)

و ماتریس کوواریانس نمونه به عنوان

اس=1n-1∑من=1nایکسمن-ایکس¯ایکسمن-ایکس¯”

(2)

سپس آمار تعمیم یافته T ² به صورت داده شده است

تی2=ایکس¯-μ0″اسn-1ایکس¯-μ0

(3)

جایی که μ0یک بردار شناخته شده است و n -1 درجه آزادی وجود دارد.

آماره آزمون T ² هتلینگ زوجی با عبارت زیر ارائه می شود:

تی2=nایکس¯”اس-1ایکس¯

(4)

آزمون T ² از آزمون t سودمندتر است زیرا میزان خطای نوع I در آزمون اول بهتر از دومی کنترل می شود. یکی دیگر از مزایای آزمون T ² این است که رابطه بین متغیرهای مختلف را در نظر می گیرد و از این طریق می توان تفاوت بین گروه ها را به دست آورد. مفروضات این آمار این است که نمونه ها دارای توزیع نرمال، مستقل هستند و اگر تنها 2 نمونه وجود داشته باشد، دارای ماتریس های واریانس کوواریانس برابر هستند.

این آزمایش برای تأیید اینکه آیا تغییر در یک منطقه رخ داده است یا خیر انجام شد. بنابراین، فرضیه صفر این است: هیچ تغییری در پوشش اراضی در یک دوره 5 ساله در این مناطق رخ نداده است. فرضیه با استفاده از تفاوت در مقادیر میانگین پارامترهای مورد مطالعه برای 5 سال مورد آزمون قرار گرفت. در صورتی که داده های نمونه مورد استفاده برای مطالعه نشان دهد فرضیه صفر نادرست است، فرضیه صفر برای فرضیه جایگزین رد می شود. یعنی اگر تغییر رخ می داد، فرض صفر رد می شد. فرضیه صفر نشان می دهد که میانگین LST و میانگین NDVI یکسان باقی مانده است. یعنی بردارهای میانگین جمعیت آنها برابر است.

برای هر دو نقشه NDVI و LST، میانگین ماهانه پارامتر برای هر سوپر پیکسل به دست آمد. سپس بردار این مقادیر در هر سال مورد مطالعه ایجاد شد. به عنوان مثال، هنگام مقایسه رکوردهای 2005 با سال 2009، یک بردار 12×1 از تفاوت میانگین ها ایجاد شد. همچنین برای هر بخش، کوواریانس داده‌های هر دو سال به دست آمد که یک ماتریس ۱۲×۱۲ ایجاد کرد.

برای تعیین حداکثر تعداد پیکسل‌هایی که باید یک پیکسل فوق‌العاده تشکیل دهند، از دامنه نیم‌واریوگرام استفاده شد. با استفاده از رابطه (4)، آمار T ² برای هر سوپر پیکسل به دست آمد. پس از آن، آزمون هتلینگ در سطح معنی داری 5 درصد انجام شد. اگر آزمون نشان دهد که تغییر ناچیز رخ داده است (یعنی فرضیه صفر باید پذیرفته شود) الگوریتم مقدار 0 را برمی گرداند. به طور مشابه، اگر اختلاف بردار میانگین نشان دهد که اختلاف معنی‌داری رخ داده است، مقدار 1 را برمی‌گرداند – یعنی فرضیه صفر رد می‌شود.

گسترش روش تشخیص تغییر پیشنهادی مورد بررسی قرار گرفت که به موجب آن داده‌های NDVI و LST هر سال در 1 ماتریس ترکیب شدند و تغییر پوشش زمین آنها با استفاده از الگوریتم شرح داده شده در اینجا پیش‌بینی شد. این گسترش مستلزم عادی سازی داده های NDVI و LST قبل از مقایسه بین سال ها (از این پس به عنوان روش مشترک نامیده می شود). جزئیات بیشتر در مورد این رویکرد در بخش 4 و بخش 5 ارائه خواهد شد .

روش پیشنهادی به خوبی برای مناطق جنگلی مناسب است. زمین‌های زراعی ممکن است با توجه به پیری محصول، منجر به تغییرات بیشتر پوشش زمین شوند. بنابراین، بخش بعدی این مطالعه با شناسایی تغییرات “از به” در مناطق کشاورزی مهم خواهد بود. روش ما بر بزرگی یا نوع تغییر تأکید نمی کند. در عوض، نواحی تغییر را شناسایی می‌کند، بنابراین ممکن است بر روی آن مناطق تمرکز کنیم تا بعداً نوع تغییر پوشش زمین را برای محاسبه مقدار کربن شناسایی کنیم.

برای تخمین کمی عملکرد روش تشخیص تغییر ما، ارزیابی دقت با استفاده از تصاویر با وضوح بالاتر انجام شد. در مجموع، 50 نمونه تصادفی (سوپر پیکسل) از منطقه مورد مطالعه برای سال های 2001، 2005، 2009، 2010 و 2016 برداشت شد. برای این سال ها، مکان های نمونه بر روی نقشه های منطقه در سطح لندست قرار گرفتند (30). م) وضوح پس از آن، 50 مکان از نقشه های سطح Landsat از طریق تفسیر بصری مقایسه شدند. راستی‌آزمایی «تغییر/عدم تغییر» با تفسیر بصری 2 محقق مستقل انجام شد. در چند مورد، در تفسیر دستی درباره اینکه آیا تغییر در سایت‌های نمونه رخ داده است یا خیر، اختلاف نظر وجود داشت. اختلاف در آن موارد با پذیرش گزینه ای که وضعیت غالب را نشان می داد، حل شد، به عنوان مثال، اگر مکان نمونه عمدتاً بدون تغییر بود، به عنوان بدون تغییر طبقه بندی می شد. در نهایت، نتایج تایید با خروجی از آزمون آماری مقایسه شد.

3. نتایج

پس از آزمایش‌های آماری، برنامه تصویری از منطقه مورد مطالعه را با 0 نشان‌دهنده ناحیه بدون تغییر و 1 نشان‌دهنده یک سوپرپیکسل تغییر یافته، خروجی می‌دهد. مناطقی که مقدار صفر وجود داشت شفاف شدند و نواحی تغییر یافته رنگ خاکستری داده شدند. نتایج به صورت نقشه های باینری در شکل 6 ، شکل 7 و شکل 8 در زیر نشان داده شده است.

شکل 6 تفاوت در مناطقی را نشان می دهد که در آن تست LST تغییر را تشخیص داد و در جایی که تست NDVI تغییر را بین سال های 2001 و 2005 تشخیص داد. قابل توجه ترین تفاوت ها در بخش مرکزی شمال هرست و در بخش میانه شرقی مشاهده شد زیرا آزمایش NDVI تغییر کمتری در پوشش زمین نسبت به LST در آن مناطق نشان داد. قسمت هایی که بیشتر شبیه به هم بودند در قسمت غربی و مرکزی شهر بود.

همانطور که در شکل 7 نشان داده شده است ، تغییر پوشش زمین شناسایی شده بین تست های LST و NDVI در بخش های غربی و مرکزی شهر شبیه تر بود. نتایج تشخیص تغییر عمدتاً در بخش مرکزی شمال شهر متفاوت بود، جایی که آزمایش NDVI عمدتاً هیچ تغییر قابل توجهی را در آن منطقه پیش‌بینی نمی‌کرد، در حالی که LST پیش‌بینی کرد که تغییر قابل توجهی در آن منطقه بین سال‌های 2005 و 2009 رخ داده است.

توافق خوبی در نتایج تشخیص تغییر بین NDVI و LST برای دوره 2010 تا 2016 وجود داشت ( شکل 8 ). به غیر از بخش شمال مرکزی شهر، و منطقه ای در بخش مرکزی غرب شهر، نقشه های تشخیص تغییر تولید شده از NDVI و LST نشان می دهد که تغییر پوشش زمین مشابه رخ می دهد. در مناطق عدم تشابه ذکر شده، NDVI هیچ تغییر قابل توجهی را نشان نمی دهد در حالی که LST پیش بینی کرده بود که تغییر قابل توجهی در پوشش زمین رخ داده است.

یک ارزیابی دقت بر روی هر یک از نقشه‌های تغییر NDVI و LST تولید شده انجام شد و مناطق «تغییر/بدون تغییر» را با نقشه‌های با وضوح بالا مقایسه کرد – نقشه‌های منطقه در وضوح 30 متر، که وضوح سطح Landsat است. برای سال های مورد مطالعه جدول 1 ، جدول 2 و جدول 3 نمونه هایی از نتایج به دست آمده را ارائه می دهند. دقت به دست آمده از 74٪ تا 88٪ متغیر بود. برای مثال، دقت کلی تغییر پیش‌بینی‌شده توسط NDVI بین سال‌های 2001 و 2005، 78 درصد بود، در حالی که LST دارای دقت 74 درصد بود. به طور مشابه، دقت تغییر LST شناسایی شده برای دوره 2005-2009 84٪ بود ( جدول 2 را ببینید ). میانگین دقت کلی فرآیند تشخیص تغییر 81 درصد بود.

دقت کلی نقشه تغییر NDVI 76٪ با ضریب کاپا 0.52 در دوره 2005 تا 2009 بود. دقت کاربر برای مناطق تغییر یافته 84٪ بود، در حالی که دقت کاربر برای مناطق بدون تغییر 68٪ بود. به طور مشابه، دقت تولیدکننده برای مناطق تغییر یافته 72 درصد بود، زیرا هشت منطقه که تحت تغییر پوشش زمین قرار گرفته بودند، به اشتباه به عنوان بدون تغییر طبقه بندی شدند. دقت تولیدکننده برای نواحی بدون تغییر بهتر بود، زیرا تنها چهار نواحی بدون تغییر توسط آزمون آماری تغییر یافته بودند ( جدول 1 را ببینید ).

جدول 2 زیر نتایج دقت را از همان بازه زمانی ارائه می‌کند که LST ویژگی‌ای بود که ارزیابی تغییر براساس آن انجام شد.

نقشه تغییر LST برای تغییر بین سال‌های 2005 و 2009، دقت کلی 84 درصد را به همراه داشت. مشابه آزمون NDVI برای آن دوره، خطاهای حذف بیشتر در نواحی تغییر یافته نسبت به خطاهای انجام یافت شد. با این حال، برای مناطق بدون تغییر، بسیاری از موارد انتخاب شده برای ارزیابی دقت به درستی به عنوان بدون تغییر طبقه بندی شدند.

جدول 3 نمونه دیگری از نتایج آزمایش تشخیص تغییر را نشان می دهد. هنگامی که از NDVI برای پیش بینی تغییر پوشش زمین استفاده شد، دقت کلی 88٪ با ضریب کاپا 0.76 بود.

در دوره شناسایی 2010-2016، سردرگمی کمتری در نقشه‌های تغییر NDVI مربوط به مناطق تغییر یافته وجود داشت. فقط یک منطقه به اشتباه به عنوان بدون تغییر طبقه بندی شد ( جدول 3 را ببینید ). این منجر به دقت بالای تولید کننده برای مناطق تغییر یافته شد.

هنگامی که روش مشترک NDVI و LST با هم برای پیش‌بینی تغییر پوشش زمین مورد استفاده قرار گرفت، دقت‌ها در همان محدوده روش استاندارد (پیشنهادی ما) با استفاده از پارامترهای فردی بود. میانگین دقت کلی با استفاده از این روش 80٪ بود. جدول 4 زیر نمونه ای از نتایج پیش بینی تغییر پوشش زمین از روش مشترک را نشان می دهد.

نقشه حاصل از روش مشترک دقت تولید کننده کمتری نسبت به دقت کاربر در مناطق تغییر یافته داشت، که نشان دهنده خطای حذف بالاتر از خطای کمیسیون است ( جدول 4 ). دقت تولیدکننده کمتر در دسته تغییر یافته مشهود بود زیرا پنج سوپرپیکسل تغییر یافته بدون تغییر شناسایی شدند، در حالی که تنها دو سوپرپیکسل که بدون تغییر بودند به اشتباه به عنوان تغییر طبقه بندی شدند. دقت کلی از این روش مشترک برای دوره 2010-1016 86٪ بود.

برای بررسی تغییرات احتمالی در مناطق مورد مطالعه به استثنای نوع پوشش زمین، تغییرات NDVI و LST از نقشه های ماهانه آنها مشاهده شد. شکل 3 ، شکل 4 ، شکل 5 و شکل 6 نمونه ای از نحوه استفاده از نقشه های دو پارامتر برای به دست آوردن درک گذرا از تغییر پوشش زمین در مناطق مورد مطالعه را نشان می دهد.

نقشه های NDVI ایجاد شده در شکل 9 تفاوت NDVI را برای منطقه هرست بین سال های 2001 و 2010 نشان می دهد. در ژانویه 2001، پوشش گیاهی سالم در قسمت های شمالی بیشتر از ژانویه 2010 بود. با این حال، در مارس 2010، پوشش گیاهی نسبت به ماه مشابه در سال 2001 که میانگین مقدار NDVI 0.17 بود بسیار بیشتر بود (به طور متوسط 0.4). مقادیر مشابه NDVI برای ماه مه بین سال‌های 2001 و 2010 مشاهده شد. NDVI در نوامبر در 2 سال مشابه بود، و بخش جنوبی هرست در سال 2001 مقدار کمی بیشتر از ساختار رویشی سالم نسبت به سال 2010 داشت. میانگین مقادیر NDVI آنها 0.4 بود. در سال 2001 و 0.45 در سال 2010.

به طور مشابه، شکل 10 نمایشی از تغییرات NDVI است که در کاکرین بین سال‌های 2001 و 2010 رخ داده است .

شکل 11 نشان می دهد که دمای سطح زمین در 2 سال مورد مقایسه کاملاً متفاوت بود: ژانویه و مارس 2010 میانگین دمای بالاتری نسبت به سال 2001 داشتند، به ویژه در شرق، جنوب و شمال غرب. به عنوان مثال، متوسط دما در هرست در مارس 2010 6 درجه سانتیگراد بود، در حالی که در همان ماه در سال 2001 3- درجه سانتیگراد بود. نقشه ها نشان می دهند که دماها در ماه مه مشابه بودند، در سال 2010 حدود 2 تا 3 درجه سانتیگراد بالاتر بود. دمای هوا به ویژه در شرق و شمال شهر. نوامبر 2001 میانگین دمای بالاتری نسبت به ماه مشابه در سال 2010 داشت. میانگین دما در سال 2001 3.5 درجه سانتیگراد بود، در حالی که در سال 2010 -2.4 درجه سانتیگراد بود.

شکل 12 تفاوت میانگین دمای سطح را برای کاکرین نشان می دهد. همانطور که در شکل 12 نشان داده شده است ، سال های 2001 و 2010 میانگین دمای سطحی مشابهی در ژانویه و نوامبر داشتند. در همه جای کوکرین، مارس 2010 میانگین دمای بالاتری نسبت به سال 2001 داشت. اختلاف دما جزئی بود، به ترتیب میانگین 2.8 درجه سانتیگراد و 2.9- درجه سانتیگراد. می 2010 نیز میانگین دمای 2 درجه سانتی گراد بالاتر از می 2001 را نشان داد، به ویژه در بخش مرکزی شهر.

شکل 10 ، شکل 11 و شکل 12 نشان دهنده مقطعی از توزیع فضایی NDVI و LST در هرست و کوکرین در طول سال های مورد بررسی است.

4. بحث

راه های متعددی برای ورود کربن به اکوسیستم وجود دارد. پروژه ما، که این مقاله یکی از جنبه‌های آن است، به دنبال تعیین کمیت کربن و گازهای گلخانه‌ای مرتبط با تبدیل کاربری زمین در زمین‌های کشاورزی و جنگل‌ها است. مطالعات نشان داده اند که تغییر پوشش زمین و تغییر کاربری زمین می تواند تغییرات آب و هوایی جهانی را ارتقا دهد [ 32]. هنگامی که اختلالاتی در این محیط ها وجود دارد، تأثیر متناظر بر سطح کربن وجود دارد. به عنوان مثال، زمانی که درختان قطع شده و از کف جنگل خارج می شوند، کربن اکوسیستم کاهش می یابد. به طور مشابه، زمانی که زمین کشاورزی دستخوش تغییر می شود تا به جنگل تبدیل شود یا رها شود، ممکن است کربن خالص افزایش یابد. بین سال‌های 2007 و 2016، کل انتشارات ناشی از جنگل‌داری و سایر تغییرات کاربری زمین (به عنوان مثال، جنگل‌کاری، جنگل‌زدایی، برداشت چوب، سوزاندن تورب‌زارها) به 5.2 (2.6±) Gt CO ₂ در سال بالغ شد، در حالی که کل انتشار جهانی از منابع دیگر مانند به عنوان انتشار گازهای گلخانه ای از منابع صنعتی، حمل و نقل هوایی، و زباله به 33.9 (1.8±) Gt CO ₂ در سال در مدت مشابه [ 33 ]]. این مقاله فاز اول پروژه بود: شناسایی مناطقی که دستخوش تغییراتی در پوشش زمین شده بودند. پس از آن، این مناطق تغییر یافته برای تعیین نوع تغییر برای تعیین کمیت انتشار خالص کربن از هر تغییر کاربری زمین مورد بررسی قرار خواهند گرفت.

NDVI مدتهاست که به عنوان نشانه ای از وجود یا عدم وجود پوشش گیاهی سالم استفاده می شود. از طریق مشاهدات سنجش از دور، تاج پوشش گیاهی و ویژگی های چشم انداز برآورد می شود. LST همچنین یک شاخص مهم از تغییرات در یک محیط یا منظر است. به عنوان مثال، اگر یک منطقه زمین بایر بود و سپس به ساخت و ساز تبدیل می شد، یا اگر لخت بود و سپس به پوشش گیاهی زیاد با پوشش درختان فراوان تغییر می کرد، میانگین LST منطقه بین دو ایالت متفاوت خواهد بود. نشان داده شده است که LST تحت تأثیر پوشش زمین یا تغییرات کاربری زمین قرار می گیرد، خواه ناشی از علل طبیعی یا فعالیت های انسانی باشد [ 34 ]، و زمین برهنه بیشتر تحت تأثیر تغییرات LST [ 34 ] باشد.]. این دو پارامتر – NDVI و LST – می توانند در ابزارهای نظارت بر اثرات تغییرات آب و هوایی جهانی استفاده شوند. ویژگی‌های بافتی معمولاً مورد استفاده قرار می‌گیرند و زمانی که از تصاویر با وضوح فضایی بالاتر استفاده می‌شود مؤثرتر هستند. در این مطالعه، هدف اصلی توسعه یک روش عملیاتی بود. با تصاویری با وضوح فضایی کم که شامل انواع پوشش گسترده است، تغییرات فصلی در شاخ و برگ و دما اقدامات موثرتری هستند که می‌توانند توسط NDVI زمانی و دمای سطح منعکس شوند. در تحقیقات آتی سایر شاخص ها مورد بررسی قرار خواهند گرفت.

همانطور که در مقدمه ذکر شد، این مطالعه یک روش عملیاتی برای تعیین محل وقوع تغییر پوشش اراضی ارائه می‌کند. روش پیشنهادی برای تعیین تغییر پوشش زمین که در یک دوره معین رخ داده است از الگوریتمی استفاده می کند که ما توسعه داده ایم. این آزمون آماری Hotelling T ² را برای تعیین زمانی که تفاوت معنی‌داری بین دو مجموعه داده رخ داده است، اعمال می‌کند. یک تحلیلگر فقط باید سطح اهمیت مورد نیاز T ^{2 را تعریف کند}تست. این برای کاربر آسان‌تر است و نتایج منسجم‌تری نسبت به روش‌های موجود تشخیص تغییر ارائه می‌دهد که انتخاب آستانه‌ای برای تعیین تغییر را ضروری می‌سازد، جایی که این انتخاب با آزمون و خطا انجام می‌شود. تکنیک‌های پردازش تصویر تجزیه و تحلیل اجزای اصلی و تقسیم‌بندی تصویر بر روی داده‌های ورودی انجام شد. در مطالعه خود، تصاویر ورودی را به سوپر پیکسل ها تقسیم کردیم. همان سوپرپیکسل‌های به‌دست‌آمده بر اساس سه جزء اصلی تصاویر MODIS که باندهای نوری را پوشش می‌دهند برای هر دو NDVI و LST استفاده شدند. شایان ذکر است که هم برای NDVI و هم برای LST از سوپرپیکسل های مشابه استفاده شده است. این احتمال وجود دارد که استفاده از سوپرپیکسل های مشابه برای تجزیه و تحلیل LST “ایده آل” نباشد. فرض بر این است که پیکسل‌های فوق‌العاده به‌دست‌آمده از تصاویر نوری با وضوح فضایی بالا، تغییراتی را در تصاویر حرارتی با وضوح فضایی پایین نشان می‌دهند. پردازش تصویر همچنین مستلزم هموارسازی داده های Savitzky-Golay بود. اگرچه روش های دیگر هموارسازی مورد بررسی قرار گرفت، نتایج مشابهی به دست آمد.

لازم به ذکر است که روش پیشنهادی ما یک تلاش طبقه بندی نیست. بنابراین، مقایسه عملکرد با روش‌های تشخیص تغییر پوشش زمین انجام شد که تنها تغییر یا عدم تغییر را در نظر می‌گرفت، همانطور که روش ما انجام می‌دهد. ارزیابی دقت روش برای تخمین تطابق با داده های مرجع، تصاویر Landsat-7 از مناطق مورد مطالعه انجام شد. این آزمایش‌ها به دقت کلی بین 74 تا 88 درصد برای سه دوره زمانی مورد مطالعه منجر شد. این نتیجه با مطالعات مشابه تشخیص تغییر پوشش زمین با استفاده از داده های MODIS مطابقت دارد [ 1 ، 3 ، 10 ، 35]. اگرچه LST دارای وضوح مکانی 1 کیلومتر است در حالی که داده های NDVI دارای وضوح 250 متر از ماهواره MODIS هستند، نتایج دقت در دوره مطالعه برای هر دو پارامتر قابل مقایسه است.

روش مشترک به خوبی با روش تشخیص تغییر استاندارد پیشنهاد شده مقایسه شد. جدا از اولین دوره تغییر، دقت کلی روش مشترک تقریباً برابر یا بهتر از میانگین دقت به‌دست‌آمده برای روش استاندارد که از ویژگی‌های فردی استفاده می‌کند، بود. برای دوره تغییر 2001-2005، دقت روش مشترک 70٪ در مقایسه با میانگین استاندارد 78٪ بود. روش مشترک دقت 84 درصدی در تشخیص تغییر بین سال‌های 2005 و 2009 در مقایسه با میانگین 80 درصد برای روش استاندارد داشت، و روش مشترک دقت 86 درصدی برای تغییر شناسایی شده بین سال‌های 2010 و 2016 داشت. این تقریباً برابر است با میانگین دقت 87% با استفاده از روش استاندارد. به طور کلی، نتایج تغییر پیش‌بینی‌شده در هر یک از دوره‌های تشخیص سازگار است. پس از بررسی بیشتر نتایج، مشاهده شد که بیشترین اختلاف در تغییر پیش‌بینی‌شده توسط دو ویژگی در مناطقی رخ می‌دهد که نوع پوشش در پایان دوره شناسایی، جنگل مختلط بود. به عنوان مثال، در مواردی که نوع پوشش از درخت برگریز به جنگل مختلط تغییر کرده بود، چندین خطای حذف رخ داد. در مطالعه، روش مشترک نتایج مشابهی با روش استاندارد پیشنهادی ارائه کرد. قبل از اجرای آزمون آماری، بررسی کردیم که آیا همبستگی معنی‌داری بین LST و NDVI وجود دارد یا خیر – آیا LST می‌تواند پیش‌بینی‌کننده‌ای برای توصیف وضعیت رویشی زمین مورد مطالعه باشد. مشاهده کردیم که پارامترهای NDVI و LST به خوبی همبستگی داشتند. با آزمایش همبستگی در مناطق مختلف کمربند بزرگ رسی در طول دوره مطالعه 16 ساله، ضرایب همبستگی از 0.85 تا 0.94 را به دست آوردیم.

به عنوان بخشی از ارزیابی نتایج پس از محاسبه، ما نتایج خود را با روش دیگری در ادبیات مقایسه کردیم. بنابراین، تحلیل بردار تغییر (CVA) انجام شد. یک بردار تغییر را می توان بین دو بردار در فضای n بعدی در یک مکان جغرافیایی در یک دوره زمانی محاسبه کرد [ 36 ]. شکل 13 ، شکل 14 و شکل 15 نمونه هایی از میزان تغییر و جهت را در یک دوره تشخیص ارائه می دهند.

شکل 13 تغییر محاسبه شده در کاکرین را بین آوریل 2005 و آوریل 2006 نشان می دهد. CVA در ArcMap انجام شده است. این شکل یک تغییر متوسط را در بیشتر منطقه نشان می دهد، به جز در جنوبی ترین قسمت شهر که در آن تغییر کمتری وجود داشت. به طور مشابه، با مقایسه تغییر بین نوامبر 2005 و 2006، تغییر عمدتاً بین 0.04 و 4.6 وجود داشت. جهت تغییر نیز در شکل 13 نشان داده شده است، که نشان می دهد عمدتاً یک تغییر مثبت در ویژگی بین 2 سال وجود دارد.

به طور مشابه، CVA در نقشه های NDVI از هرست از سال 2001 تا 2005 و از سال 2009 تا 2016 در شکل 14 و شکل 15 نشان داده شده است. این ارقام نشان می‌دهند که چشم‌انداز در بخش‌های مختلف منطقه جنگلی هرست در طول دوره‌ها تغییر یا جابه‌جا شده است، با تغییر بین 10 تا 60 در دوره اول و میانگین حدود 10 در دوره دوم. جهت تغییر عمدتاً در بخش شرقی منطقه جنگلی هرست بین سال‌های 2009 و 2016 منفی بود، در حالی که بیشتر در منطقه هرست بین سال‌های 2001 و 2005 مثبت بود. در طول دوره تشخیص، هر چند با قدر متفاوت.

ما مشاهده کردیم که روش آماری پیشنهادی ما چندین سوپرپیکسل را پیدا کرد که در سال‌های مورد مطالعه تغییر را تجربه کرده بودند. این ممکن است مربوط به جغرافیای مناطق مورد مطالعه باشد: هر دو شهر مورد بررسی دارای پوشش گیاهی شدید هستند. علاوه بر این، مناطق جنگلی در کمربند رسی بزرگ وجود دارد که به طور مداوم ثبت می شود. شکل 16 برخی از اختلالات را نشان می دهد که به طور منظم در منطقه Claybelt رخ می دهد، با شکل نشان دهنده برخی از رویدادهایی است که بین سال های 2001 و 2009 رخ داده است. انتظار می رود. آنها همچنین با تفاوت های بصری مشاهده شده در شکل 9 , شکل 10 , شکل 11 وشکل 12 . همانطور که شکل‌ها نشان می‌دهند، بین دمای سطح و شاخص پوشش گیاهی بین سال‌های 2001 و 2010 تفاوت‌هایی وجود دارد. بنابراین، شکل 16 توضیح احتمالی در مورد چرایی شناسایی چندین ناحیه از تغییر را ارائه می‌دهد. به عنوان یک بررسی سریع برای تأیید تغییرات در مناطق پوشش گیاهی در هرست، هانسن و همکاران. [ 37 ] روش تشخیص تلفات جنگل و سود جنگل برای برآورد تغییرات سالانه مساحت جنگل در طول دوره مورد مطالعه استفاده شد. مشاهده شد که بین سال‌های 2006 و 2007 حدود 18000000 مترمربع تلفات و بین سال‌های 2008 تا 2009 8000000 مترمربع ^تلفات^بوده است. علاوه بر این، 26,000,000 متر مربع ^از بین رفتن جنگل بین سال های 2010 و 2011 و تقریباً 12,000,000 متر مربع رخ داده است ^.بهره جنگل بین سال‌های 2014 و 2015 در این شهر برآورد شد.

ارزیابی «تغییر/عدم تغییر» در زمین‌های کشاورزی ممکن است به رویکرد متفاوتی نیاز داشته باشد. این اراضی ممکن است بیش از یک بار در سال پس از الگوی فصل رشد تغییراتی را تجربه کنند. بنابراین، ممکن است کسی بخواهد آن مناطق را به طور جداگانه مورد بررسی قرار دهد. به عنوان مثال، شاخص پوشش گیاهی تغییر در سبزی را اندازه گیری می کند تا نه تنها تعیین کند که آیا و کجا زمین کشاورزی در طول سال تغییر کرده است. همچنین می تواند تعیین کند که برای مثال، یک منطقه از زمین از یک زیستگاه جنگلی به یک منطقه کشاورزی تبدیل شده است یا خیر. این نوع تبدیل‌های زمین هنگام مطالعه تغییر کاربری زمین به منظور تعیین کربن یا گازهای گلخانه‌ای ساطع شده از تبدیل بسیار مورد توجه خواهد بود.

5. نتیجه گیری ها

در این مطالعه، ما یک روش خودکار برای تشخیص تغییر پوشش زمین باینری از یک آزمون آماری پیشنهاد کردیم. با استفاده از پارامترهای NDVI و LST داده‌های MODIS، تعیین کردیم که در آن تغییر پوشش زمین قابل توجهی در مناطق مورد مطالعه رخ داده است. نواحی مورد مطالعه در داخل سوپرپیکسل ها بر اساس نیاز آزمون آماری مورد تجزیه و تحلیل قرار گرفتند. با وجود اینکه داده‌های مورد استفاده برای اعتبارسنجی از وضوح مکانی بسیار بالاتری نسبت به وضوح متوسط MODIS برخوردار بودند، میانگین دقت بالایی از این مطالعه به‌دست آمد. تشخیص دقیق تغییر بر اساس تصاویر با وضوح فضایی بالا [ 38 ، 39 ] برای مناطق و برای دوره‌هایی که در آن/زمانی که تغییرات رخ داده است، انجام خواهد شد.

سهم این مطالعه یافتن یک روش عملیاتی و در عین حال خودکار برای تعیین محل وقوع تغییر در پوشش زمین بود. تنها پارامتری که یک تحلیلگر ممکن است بخواهد آن را تنظیم کند، سطح آماری معناداری است، بر اساس کاربرد آنها. علاوه بر این، با استفاده از NDVI و LST، که داده‌های به‌راحتی از تصاویر ماهواره‌ای در دسترس هستند، روشی را ارائه می‌کنیم که می‌تواند به طور خودکار تغییر پوشش زمین را بدون تأثیر یا ورودی زیاد از کاربر تشخیص دهد. پلتفرم مورد استفاده برای پردازش داده ها، Google Earth Engine، نیز به راحتی قابل دسترسی است. بنابراین، روش پیشنهادی ما بسیار عملیاتی است و می تواند کاربرد گسترده ای در نظارت بر تغییر پوشش زمین پیدا کند. از آنجایی که روش پیشنهادی ما برای تشخیص تغییر برای نظارت در مقیاس بزرگ مناسب است، می توان از آن در کل منطقه Great Claybelt استفاده کرد.

این مطالعه همچنین از این نظر حائز اهمیت است که NDVI و LST با هم برای پیش‌بینی تغییرات پوشش زمین مورد استفاده قرار گرفتند. تا جایی که ما می دانیم، چنین آزمایش هایی به طور گسترده در ادبیات دیده نمی شوند، اگرچه ویژگی ها به صورت جداگانه برای این منظور مورد استفاده قرار گرفته اند. نتیجه این مطالعه نشان می‌دهد که این منطقه با ارزشی برای ادامه توسعه است، زیرا نتایج آن مشابه روش‌های تشخیص تغییر موجود و ایجاد شده است.

گسترشی برای روش تشخیص تغییر استاندارد پیشنهادی ایجاد شد. در آن سناریو، NDVI و LST با هم به عنوان پارامترهای ورودی استفاده شدند. مقایسه نتایج نشان داد که روش مشترک می تواند دقتی مشابه با روش استاندارد داشته باشد. بررسی های بیشتری باید انجام شود تا مشخص شود آیا روش مشترک می تواند جایگزین قابل اعتمادی برای مدل استاندارد تشخیص تغییر ما باشد یا خیر. علاوه بر این، مطالعات آتی پوشش زمین و تغییر کاربری زمین را با جزئیات بیشتری بررسی خواهند کرد، به‌ویژه تغییر تدریجی پوشش زمین (به عنوان مطالعه «از به»). مطالعه “تغییر / بدون تغییر” برای نظارت در مقیاس بزرگ همانطور که در این کار انجام شد مهم است. با این حال، فرصت‌هایی برای گسترش مطالعه برای کشف چگونگی تغییر زمین‌های کشاورزی در دهه‌های اخیر وجود دارد. و بررسی چگونگی تغییر پوشش زمین در فصول کشاورزی. علاوه بر این، در ادامه این مطالعه، مطالعات چند مقیاسی منطقه را با استفاده از سایر داده‌های سنجش از دور در وضوح‌های مکانی بالاتر برای مشاهده تغییر پوشش زمین انجام خواهیم داد.

منابع

کمپینرز، پی. سدانو، اف. استروبل، پ. McInerney، DO; San-Miguel-Ayanz, J. افزایش استحکام تشخیص تغییر پس از طبقه بندی با استفاده از سری زمانی نقشه های پوشش زمین. IEEE Trans. Geosci. Remote Sens. 2012 , 50 , 3327–3339. [ Google Scholar ]
پورقاسمی، ح.م. Gokceoglu, C. (ویرایشگران) مدلسازی فضایی در GIS و R برای علوم زمین و محیطی ; الزویر: آمستردام، هلند، 2019؛ ISBN 9780128152263. [ Google Scholar ]
Teng، SP; چن، YK; چنگ، KS; لو، تشخیص تغییر پوشش زمین مبتنی بر آزمون فرضیه HC با استفاده از تصاویر ماهواره‌ای چند زمانی – یک مطالعه تطبیقی. Adv. Space Res. 2008 ، 41 ، 1744-1754. [ Google Scholar ] [ CrossRef ]
کلینهانس، دبلیو. اولیویه، جی سی. Wessels, KJ; ماهی قزل آلا، BP; ون دن برگ، ف. Steenkamp، K. تشخیص تغییر پوشش زمین با استفاده از یک فیلتر کالمن توسعه یافته در داده های سری زمانی MODIS NDVI. IEEE Geosci. سنسور از راه دور Lett. 2011 ، 8 ، 507-511. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سینگ، ای. مقاله تکنیک‌های تشخیص تغییر دیجیتال را با استفاده از داده‌های سنجش از راه دور مرور کنید. بین المللی J. Remote Sens. 1989 ، 10 ، 989-1003. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
بازی، ی. بروزون، ال. Melgani، F. یک رویکرد بدون نظارت بر اساس مدل گاوسی تعمیم یافته برای تشخیص تغییر خودکار در تصاویر SAR چند زمانی. IEEE Trans. Geosci. Remote Sens. 2005 , 43 , 874-887. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
مامون، م.ا. موندال، MNI؛ احمد، ب. پیش‌بینی تک خطی به کمک تشخیص تصاویر ماهواره‌ای چند زمانی. در مجموعه مقالات هفدهمین کنفرانس بین المللی کامپیوتر و فناوری اطلاعات، داکا، بنگلادش، 22 تا 23 دسامبر 2014. صص 332-335. [ Google Scholar ]
دنگ، JS; وانگ، ک. دنگ، YH; تشخیص و تجزیه و تحلیل تغییر کاربری زمین مبتنی بر Qi، GJ PCA با استفاده از داده‌های ماهواره‌ای چندزمانی و چندحسگر. بین المللی J. Remote Sens. 2008 , 29 , 4823-4838. [ Google Scholar ] [ CrossRef ]
لو، ام. پبسما، ای. سانچز، آ. Verbesselt، J. تشخیص تغییرات مکانی-زمانی از آرایه‌های چند بعدی: تشخیص جنگل‌زدایی از سری‌های زمانی MODIS. ISPRS J. Photogramm. Remote Sens. 2016 , 117 , 227–236. [ Google Scholar ] [ CrossRef ]
آکتار، م. مامون، م.ا. حسین، کارشناسی ارشد تشخیص تغییر مبتنی بر تشابه آماری برای تصاویر سنجش از راه دور چند زمانی. جی الکتر. محاسبه کنید. مهندس 2017 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Huete، AR؛ عدالت، سی. van Leeuwen، W. MODIS الگوریتم شاخص گیاهی مبنای نظری v3 ; ناسا: واشنگتن، دی سی، ایالات متحده آمریکا، 1999. موجود به صورت آنلاین: https://modis.gsfc.nasa.gov/data/atbd/atbd_mod13.pdf (دسترسی در 10 ژوئن 2020).
اودونوگا، اس. Badru، G. تغییر پوشش زمین، دمای سطح زمین، Albedo سطح و توپوگرافی در منطقه فلات شمال-مرکزی نیجریه. زمین 2015 ، 4 ، 300–324. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
پال، اس. ضیائول، س. تشخیص تغییر کاربری و پوشش زمین و دمای سطح زمین در مرکز شهری بازار انگلیسی. مصر. J. Remote Sens. Space Sci. 2017 ، 20 ، 125-145. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سنتیان، جی. کنگ، اس. تأثیر تغییرات پوشش زمین بر دمای سطح و بارش در منطقه جنوب شرقی آسیا. Adv. علمی Lett. 2015 ، 21 ، 181-184. [ Google Scholar ] [ CrossRef ]
گوگوی، پی پی. وینوج، وی. سواین، دی. رابرتز، جی. داش، ج. Tripathy، S. اثر تغییر کاربری و پوشش زمین بر دمای سطح در شرق هند. علمی جمهوری 2019 ، 9 ، 8859. [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
دنگ، ی. وانگ، اس. Bai, X. رابطه بین دمای سطح زمین و LUCC, NDVI در ناحیه معمولی کارست. علمی جمهوری 2018 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
ماجومدر، ا. Kingra، PK؛ ستیا، ر. سینگ، اس پی؛ Pateriya، B. تأثیر تغییرات کاربری/پوشش زمین بر دمای سطح و تأثیر آن بر عملکرد محصول در مناطق مختلف کشاورزی-اقلیمی پنجاب هند. ژئوکارتو بین المللی 2019 ، 1–24. [ Google Scholar ] [ CrossRef ]
ژانگ، ی. لیانگ، اس. تأثیرات انتقال پوشش زمین بر دمای سطح در چین بر اساس مشاهدات ماهواره ای. محیط زیست Res. Lett. 2018 , 13 . [ Google Scholar ] [ CrossRef ]
وایلن، پی. ساوتورث، جی. گیبز، سی. Tsai، H. تجزیه و تحلیل سری زمانی تغییر پوشش زمین: توسعه ابزارهای آماری برای تعیین اهمیت تغییرات پوشش زمین در تجزیه و تحلیل پایداری. Remote Sens. 2014 ، 6 ، 4473-4497. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
آمار کانادا مشخصات سرشماری، سرشماری 2016. در دسترس به صورت آنلاین: https://www12.statcan.gc.ca/census-recensement/2016/dp-pd/prof/details/page.cfm?Lang=E&Geo1=CSD&Code1=3556042&Geo2=CD&Code2=3556&Code2=3556&SochBearch=SochBearch=3556&SearchTearch=3556&SearchTearch=3556&SearchTearch=3556&SearchTearch&Search=3556&SearchTearche =All&TABID=1&type=0 (در 8 فوریه 2020 قابل دسترسی است).
انتاریو پوشش زمین شمال دور. 2015. در دسترس آنلاین: https://data.ontario.ca/dataset/far-north-land-cover (در 13 ژانویه 2020 قابل دسترسی است).
فریدل، ام. Sulla-Menashe، D. MCD12Q1 MODIS/Terra+Aqua Land Cover نوع سالانه L3 Global 500m SIN Grid V006 [مجموعه داده]. NASA EOSDIS فرآیندهای زمینی DAAC. 2019. در دسترس آنلاین: https://cmr.earthdata.nasa.gov/search/concepts/C186286578-LPDAAC_ECS.html (در 6 دسامبر 2019 قابل دسترسی است).
Didan, K. MOD13Q1 MODIS/Terra Vegetation Indeces 16-Day L3 Global 250m SIN Grid V006 [مجموعه داده]. NASA EOSDIS فرآیندهای زمینی DAAC. 2015. در دسترس آنلاین: https://lpdaac.usgs.gov/products/mod13q1v006/ (در 15 دسامبر 2019 قابل دسترسی است).
وان، ز. هوک، اس. Hulley, G. MOD11A2 MODIS/Terra سطح زمین دمای/تابش 8 روزه L3 جهانی 1km شبکه SIN V006 [مجموعه داده]. NASA EOSDIS فرآیندهای زمینی DAAC. 2015. در دسترس آنلاین: https://developers.google.com/earth-engine/datasets/catalog/MODIS_006_MOD11A2 (در 20 ژانویه 2020 قابل دسترسی است).
گولیک، ن. هنچر، م. دیکسون، ام. ایلیوشچنکو، اس. تاو، دی. Moore, R. Google Earth Engine: تجزیه و تحلیل جغرافیایی در مقیاس سیاره ای برای همه. سنسور از راه دور محیط. 2017 ، 202 ، 18-27. [ Google Scholar ] [ CrossRef ]
موسسه تحقیقات سیستم های محیطی (ESRI). ArcGIS نسخه 10.7 ; ESRI Inc.: Redlands، CA، USA، 2018. [ Google Scholar ]
متلب. نسخه 9.6.0.1150989 (R2019a) به روز رسانی 4 ؛ The MathWorks Inc.: Natick، MA، ایالات متحده آمریکا، 2019. [ Google Scholar ]
دمشار، یو. هریس، پی. براندون، سی. Fotheringham، AS; مک‌لون، اس. تجزیه و تحلیل مؤلفه‌های اصلی بر روی داده‌های فضایی: مروری. ان دانشیار صبح. Geogr. 2013 ، 103 ، 106-128. [ Google Scholar ] [ CrossRef ]
Mouselimis، L. تقسیم بندی تصویر بر اساس سوپرپیکسل ها و خوشه بندی. در دسترس آنلاین: https://cran.r-project.org/web/packages/OpenImageR/vignettes/Image_segmentation_superpixels_clustering.html (دسترسی در 3 ژوئن 2019).
Sinai, YG مقدمه ای بر نظریه ارگودیک ; انتشارات دانشگاه پرینستون: پرینستون، نیوجرسی، ایالات متحده آمریکا، 1977. [ Google Scholar ]
کینگ، AP; Eckersley، RJ Statistics for Biomedical Engineers and Scientists . مطبوعات دانشگاهی: کمبریج، MA، ایالات متحده آمریکا، 2019؛ فصل 8; صص 173-199. شابک 978-008-102-939-8. [ Google Scholar ]
الدهشان، SRS; شفری، HZ تشخیص تغییر کاربری/پوشش زمین و دمای سطح زمین با استفاده از داده‌های مکانی-زمانی Landsat: مطالعه موردی نوار غزه. عرب جی. ژئوشی. 2019 ، 12 ، 443. [ Google Scholar ] [ CrossRef ]
هیئت بین دولتی تغییرات آب و هوایی تغییرات آب و هوا و زمین: گزارش ویژه IPCC در مورد تغییرات آب و هوا، بیابان زایی، تخریب زمین، مدیریت پایدار زمین، امنیت غذایی و جریان گازهای گلخانه ای در اکوسیستم های زمینی. 2019. موجود به صورت آنلاین: https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=&ved=2ahUKEwixv5GO4MPtAhWDW80KHW1oCtcQFjAAegQIBhAC&url=https%2ch%Fasset%Fasset %2F2019%2F08%2F4.-SPM_Approved_Microsite_FINAL.pdf&usg=AOvVaw0kuYKb_g8YFTYyBmhRWkid (در 26 دسامبر 2020 قابل دسترسی است).
ژانگ، اف. تییپ، تی. کونگ، اچ. جانسون، وی سی. Maimaitiyiming، M.; ژو، ام. وانگ، جی. دینامیک دمای سطح زمین (LST) در پاسخ به تغییرات کاربری و پوشش زمین (LULC) در واحه رودخانه Weigan و Kuqa، سین کیانگ، چین. عرب جی. ژئوشی. 2016 ، 9 ، 499. [ Google Scholar ] [ CrossRef ]
خو، X. لی، بی. یوان، ی. گائو، ایکس. ژانگ، تی. Sun، Q. تشخیص انواع مختلف تغییرات پوشش زمین جهت دار با استفاده از مجموعه داده سری زمانی MODIS NDVI. Remote Sens. 2016 , 8 , 495. [ Google Scholar ] [ CrossRef ][ Green Version ]
Nackaerts، K. وایسن، ک. مییز، بی. Coppin، P. عملکرد مقایسه ای تحلیل بردار تغییر اصلاح شده در تشخیص تغییر جنگل. بین المللی J. Remote Sens. 2005 ، 26 ، 839-852. [ Google Scholar ] [ CrossRef ]
هانسن، ام سی; پوتاپوف، PV؛ مور، آر. هنچر، م. توروبانوا، SA; تیوکاوینا، آ. تاو، دی. Stehman، SV; گوتز، اس جی. لاولند، TR; و همکاران نقشه های جهانی با وضوح بالا از تغییر پوشش جنگلی قرن 21. Science 2013 ، 342 ، 850-853. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
سازمان زمین شناسی آمریکا ماموریت های لندست در دسترس آنلاین: https://www.usgs.gov/core-science-systems/nli/landsat/landsat-surface-reflectance-derived-spectral-indices?qt-science_support_page_related_con=0#qt-science_support_page_related_con (دسترسی در 7 مه 20 ).
آژانس فضایی اروپا محصولات داده در دسترس آنلاین: https://sentinel.esa.int/web/sentinel/missions/sentinel-2/data-products (در 7 مه 2021 قابل دسترسی است).