تغییر پوشش جنگلی یکی از مسائل جدی در چند دهه اخیر برای محیط زیست جهانی محسوب می شود. این سناریو عمدتاً به فعالیت‌های اقتصادی-اجتماعی فزاینده وابسته است. مقاله حاضر تغییرات عمده VFC را در رابطه با فعالیت های انسانی طی سال های 2000 تا 2010 در استان گوانگدونگ چین نشان می دهد. داده ها با استفاده از تصاویر NDVI به دست آمده اند. تجزیه و تحلیل فصل رشد که شامل هفت ماه (آوریل تا اکتبر) سالانه بود را پوشش داد. VFC (Vegetation Fractional Cover) با موفقیت از تصاویر NDVI محاسبه شد و سطوح VFC در چهار سطح تعریف شد. من و سطح چهارم بیشترین و کمترین تغییرات سالانه را داشتیم. مناطق در معرض خطر بیابان زایی و پوشش تفاوت با استفاده از تجزیه و تحلیل نقطه داغ و سرد تعیین شد. میانگین کل VFC 0.783 و موران I ارزیابی شد آماری که برای سال ها به طور جداگانه محاسبه می شود. علاوه بر این، شاخص نور سالانه داده های DMSP/OLS را به دست آورد. نتایج نشان می دهد که VFC و شاخص نور روند صعودی دارند، به این معنی که توسعه اقتصاد اجتماعی منجر به افزایش آگاهی از اهمیت حفاظت از محیط زیست و توسعه پایدار می شود. از این رو شاهد افزایش هفت ساله VFC در طول یازده سال هستیم. ضریب همبستگی نشان می دهد که شاخص نور شاخص مناسبی برای ارزیابی نیروهای غواصی است. مدلسازی سری‌های زمانی تأیید می‌کند که در اکثر موارد رابطه معکوس قوی بین VFC و شاخص نور وجود دارد. این بدان معنی است که با افزایش شاخص نور، VFC کاهش می یابد. در نهایت، نیروهای محرک تغییرات VFC نشان می‌دهند که سناریوی تغییر پوشش جنگلی بیشتر تحت تأثیر فعالیت‌های انسانی است.
کلید واژه ها
VFC ، شاخص نور ، فعالیت انسانی ، پویا
1. مقدمه
تغییر پوشش جنگلی جهانی به دلیل افزایش فعالیت های انسانی یکی از مهم ترین مسائل در تغییر اقلیم و گرمایش زمین است. به ویژه در چند دهه اخیر قابل توجه بوده است. افزایش نرخ جنگل زدایی ناشی از فشار ناشی از رشد جمعیت است و محاسبه روند محیط زیست جهانی به عنوان جنگل زدایی با محصولات ماهواره ها، مجموعه داده های هواشناسی و اطلاعات اجتماعی-اقتصادی بر اساس رشد جمعیت بسیار مهم است [ 1 ]. استفاده از سنجش از دور در نظارت بر تغییرات پوشش جنگلی به اوایل دهه 1980 برمی گردد [ 2 ]] . داده های سنجش از دور منبع داده جایگزینی را برای تعیین کمیت پوشش جنگل فراهم می کند. اطلاعات از تصاویر ماهواره ای مشتق شده است و ابزارهای مناسبی برای نقشه برداری از پوشش زمین، پوشش تاج درخت و ترکیب گونه های درختی غالب وجود دارد [ 3 ]. در عین حال، تجزیه و تحلیل تغییر پوشش جنگلی مبتنی بر سنجش از دور به تلاش و زمان کمتری نسبت به بررسی های زمینی نیاز دارد و می تواند در مناطقی با دسترسی محدود به زمین انجام شود. به همین دلیل است که محصولات مبتنی بر سنجش از دور به طور گسترده برای ارزیابی جنگل‌های چند ملیتی و برآورد تغییرات استفاده می‌شوند [ 4 ]. نتایج آنها به‌عنوان پایه‌ای برای مدلسازی کربن، مدیریت آتش‌سوزی و تحلیل‌های اجتماعی-اقتصادی و همچنین برای مطالعات الگوهای پویایی و تنوع زیستی پوشش جنگل [ 5 ] نشان داده شد.] . نظارت مؤثر بر پوشش جنگلی مستلزم مجموعه داده‌های طولانی‌مدت با وضوح فضایی خوب است که به طور ایده‌آل در تفکیک‌پذیری‌های فضایی زیر هکتاری چندین دهه را در بر می‌گیرد [ 6 ]. در این زمینه، حسگرهای ماهواره‌ای می‌توانند تغییر پوشش جنگلی را در امضای مرئی، حرارتی و مادون قرمز میانی در طول روز، شب، ماه و فصول تشخیص دهند [ 2 ]. در این مطالعه از یکی از رایج ترین سیستم های ماهواره ای MODIS (طیف سنج تصویربرداری با وضوح متوسط) از ناسا استفاده می کنیم که تصاویر مرئی و حرارتی ارائه می دهد و همچنین می توان تغییرات پوشش جنگل را ارزیابی کرد. پروژه‌های زیادی وجود دارد که شروع و پایان فصل رشد را با استفاده از پروفایل‌های NDVI 16 روزه مبتنی بر MODIS که در ماسک پوشش جنگلی مبتنی بر MODIS برای هر ردپای Landsat مشتق شده‌اند، تعریف می‌شوند [ 3 ]] . فصل رشد به عنوان مجموع تمام فواصل 16 روزه با NDVI برابر یا بالاتر از 90٪ حداکثر NDVI سالانه تعریف شد. تصاویر NDVI MODIS (1 ماه-Terra) از آرشیو داده NEO (مشاهدات زمین ناسا) را می توان به عنوان مجموعه داده های مبتنی بر استفاده کرد [ 7 ]. با استفاده از تصاویر NDVI پوشش کسری گیاهی محاسبه می شود. VFC برآمدگی عمودی پوشش گیاهی شامل برگ ها، ساقه ها و همچنین شاخه ها به سطح زمین است و به صورت کسری یا درصدی از منطقه مرجع بیان می شود [ 8 ]. در واقع، VFC امکان جفت کردن تغییرات محیطی طبیعی و فعالیت های انسانی را فراهم می کند و همچنین یک شاخص ضروری برای مطالعه سیستم های اکولوژیکی است [ 9 ].] . علاوه بر این، تغییر پوشش گیاهی اهمیت زیادی به گردش جهانی انرژی و چرخه ژئوبیوشیمیایی ماده می‌دهد، بنابراین ارزیابی VFC دقیقاً برای اکولوژی و جامعه بسیار مهم است [ 10 ]. از طرف دیگر، مجموعه داده‌های DMSP/OLS (برنامه ماهواره‌ای هواشناسی دفاعی/سیستم خطوط نوری) از NOAA (اداره ملی اقیانوسی و جوی) روزانه بر فراز پروازها انجام می‌دهد و به طور معمول تصاویر قابل مشاهده را در طول شبانه خود جمع‌آوری می‌کند [ 11 ]. در واقع، DMSP/OLS برای تشخیص حضور انسان، سکونتگاه‌های شهری و فعالیت‌های نیازمند نور، تخمین جمعیت و تراکم شهری، فعالیت‌های اجتماعی-اقتصادی، مصرف انرژی و برق و انتشار گاز امکان‌پذیر است [ 12 ]. همچنین [ 13] گزارش داد که کاربردهای محبوب تصاویر شبانه DMSP/OLS شامل اندازه‌گیری تأثیرات رشد شهری بر محیط‌زیست، نقشه‌برداری از روشنایی آسمان شبانه و به‌ویژه ارزیابی آسیب‌های ناشی از بلایای طبیعی و آتش‌سوزی‌های جنگلی است. به طور کلی داده های موجود از تصاویر شبانه DMSP/OLS را می توان توسط رصد زمین ناسا و بایگانی مرکز ملی اطلاعات محیطی از NOAA ارائه کرد. در این مقاله، سطوح VFC و VFC را برای یک دوره یازده ساله در سال محاسبه می‌کنیم. همچنین تغییرات قابل توجه پوشش در این دوره را به صورت پویا توضیح می دهیم. علاوه بر این، کیفیت پوشش و تغییرات جنگل را با استفاده از سطوح NDVI، VFC، VFC و نقشه‌های نقطه داغ-سرد ارزیابی می‌کنیم. هدف ما نشان دادن این است که تصاویر DMSP/OLS تراکم جمعیت و فعالیت های انسانی را به صورت پویا تولید می کنند. کاملا،
2. منبع داده و روش
2.1. منطقه مطالعه
شکل 1 نقشه سیاسی چین را با مرزهای ایالتی و به ویژه منطقه مورد مطالعه نشان می دهد. گوانگدونگ استانی در ساحل دریای چین جنوبی در جمهوری خلق چین است. این ناحیه مساحتی معادل 179800 کیلومتر مربع را اشغال می کند و با طول جغرافیایی 20˚13 – 25˚31ꞌ عرض شمالی و 109˚39˚ – 117˚19ꞌ طول شرقی محدود می شود. گوانگدونگ با استان های جیانگشی و هونان در شمال، استان فوجیان در شرق و منطقه خودمختار گوانگشی ژوانگ در غرب همسایه است. مرکز استان گوانگژو و مرکز اقتصادی شنژن از جمله این موارد هستند
شکل 1 . نقشه موقعیت استان گوانگدونگ، چین (اشاره شد؛ شاخص مورد استفاده دینامیک NDVI در سال 2005 است).
پرجمعیت ترین و مهم ترین شهرهای چین. گوانگدونگ در سال 2013 دارای 106440000 نفر بود و بسیاری از تحولات اقتصادی و اجتماعی را دنبال کرد. استان گوانگدونگ به 21 شهر در سطح استان، 33 شهر در سطح شهرستان، 43 شهرستان و 3 شهرستان خودمختار تقسیم شده است [ 14 ]] . مناطق گرمسیری و نیمه گرمسیری گوانگدونگ که از ناحیه استوایی سرطان در بخش مرکزی بخش قاره‌ای آن عبور می‌کند، دارای آب و هوای با دمای بالا و بارندگی فراوان است. بالاترین میانگین دما در جولای 28 درجه سانتی گراد (گرم ترین ماه سال) و 13 درجه سانتی گراد در ژانویه (سردترین ماه سال) است. بخش اعظم استان دارای میانگین بارندگی سالانه حدود 1500 تا 2000 میلی متر و با 140 تا 160 روز بارانی است. استان گوانگدونگ دارای پوشش گیاهی از شمال به جنوب است. در شمال، رشته کوه نانلینگ توسط جنگل های پهن برگ همیشه سبز کوهستانی نیمه گرمسیری پوشیده شده است. در وسط، جنگل های پهن برگ همیشه سبز نیمه گرمسیری و در جنوب جنگل های موسمی گرمسیری است. گوانگدونگ در منابع جانوری و گیاهی فراوان است. در اینجا بیش از 7055 گونه گیاه آوندی وجود دارد،15 ] .
2.2. داده های ماهواره ای و پردازش داده ها
انتخاب اولین تصاویر با به حداقل رساندن نویز واجی یا جوی از وب سایت مجموعه داده های NEO [ 16 ]، بر اساس سری های زمانی واجی NDVI از طیف رادیومتر با وضوح متوسط (MODIS) [ 17 ] انجام شد.] . داده‌های مورد نظر از آغاز و پایان فصل رشد از آوریل تا اکتبر (هفت ماه) انتخاب شدند و NDVI 16 روزه مبتنی بر MODIS از سال 2000 تا 2010 تأیید شد. در خشکی، در اقیانوس ها و در قسمت پایین جو. MODIS نقشی حیاتی در توسعه مدل‌های سیستم زمینی معتبر، جهانی و تعاملی ایفا می‌کند که قادر به پیش‌بینی تغییرات جهانی با دقت کافی برای کمک به سیاست‌گذاران در تصمیم‌گیری صحیح در مورد حفاظت از محیط زیست است. مجموعه داده های دوم، داده های شبانه DMSP/OLS از سال 2000 تا 2010 با ماهواره های F14، F 15 و F 16 در مدارهای همزمان خورشید با گذرهای شبانه در محدوده تقریباً 8 شب تا 10 شب به وقت محلی بودند. تصاویر از وب سایت NOAA [ 18 ] به دست آمده است] به طور مستقیم. با توجه به حساسیت سنسور در شب، از داده های DMSP/OLS می توان برای تشخیص انواع انتشار VNIR استفاده کرد. در دسترس بودن داده های طولانی مدت با وضوح فضایی متوسط (به عنوان مثال، 1 کیلومتر) محققان را قادر می سازد تا مجموعه ای از موضوعات تحقیقاتی جهانی، ملی و منطقه ای را بررسی کنند. DMSP/OLS شبانه برای مشاهده مستقیم پدیده های طبیعی (مانند آتش سوزی جنگل) و ارزیابی تغییرات اجتماعی، جمعیتی و محیطی در مناطق روشن استفاده شده است [ 13 ]. شکل 2 چارچوب کلی روش شناسی دنبال شده در این مطالعه را نشان می دهد. جزئیات مراحل مختلف در بخش های بعدی مورد بحث قرار می گیرد.
روش های مختلفی از مدل های مبتنی بر سیستم اطلاعات جغرافیایی (GIS) برای ارزیابی تغییرات VFC وجود دارد. وضعیت رشد پوشش گیاهی جنگل اساساً از طریق شاخص پوشش گیاهی محاسبه می شود. شاخص پوشش گیاهی مختلف رابطه بین وضعیت رشد پوشش گیاهی و توزیع فضایی را از زوایای مختلف اندازه گیری می کند [ 19 ]] . به منظور حصول نتیجه صحیح و همچنین جلوگیری از خطا و اشتباه محاسباتی از این روش به شرح زیر استفاده شد. این مرحله با توجه به فصل رشد در مطالعه ما (از آوریل تا اکتبر)، استخراج شده توسط ماسک تصاویر MODIS NDVI با استفاده از دسکتاپ ArcMAP در طول یک سال محاسبه شد. ضمناً این عملیات برای یک دوره 11 ساله به طور کامل (از سال 2000 تا 2010) محاسبه شد. مطالعات نشان داده اند که وضعیت رشد پوشش گیاهی جنگل عمدتاً از طریق شاخص پوشش گیاهی اندازه گیری می شود [ 10 ]. بنابراین از NDVI در این مقاله استفاده شد، زیرا به وضعیت رشد و توزیع فضایی گیاهان سبز حساس است [ 8 ]. معادله (1) به شرح زیر است؛
شکل 2 . چارچوبی از روش اقتباس شده برای پیش بینی تغییر پوشش جنگل به صورت پویا.
(1)
با کمک آمار سلولی، مقادیر میانگین تصاویر NDVI به طور کامل برای فصل رشد سالانه و علاوه بر آن برای کل دوره به دست آمد. سپس با استفاده از ماشین حساب رستر، می‌توانیم مقادیر VFC را برای دوره مطالعه خود نیز محاسبه کنیم. معادله (2) به شرح زیر است؛
(2)
در میان بسیاری از متغیرهای ساختار جنگل، پوشش کسری پوشش گیاهی، که به عنوان منطقه کسری (پیش‌بینی شده به صورت عمودی) از تاج پوشش گیاهی که یک منطقه زمین معین را اشغال می‌کند تعریف می‌شود [ 9 ]، یک پارامتر کلیدی برای مدلسازی تبادل کربن در سطح زمین و برای نظارت بر محیط شهری است. و رشد شهری [ 10 ] . مقادیر VFC در چهار سطح طبقه بندی شد. جدول 1 طبقه بندی VFC را در چهار سطح مختلف به شرح زیر نشان می دهد.
فاز بعدی شامل ایجاد نقاط منظم با مقدار تعریف شده، ویژگی‌های کلیپ، ابزار نقطه‌ای متقاطع با محاسبه، ارزیابی همبستگی مکانی و محاسبه آمار موران I و امتیاز Z، محاسبه روند و RMSE، محاسبه کلاستر و تجزیه و تحلیل پرت (Anselin’s Moran’s Local) بود. آماره I) و در نهایت تشخیص تغییرات پوشش با نگاشت سطوح VFC، VFC، نقطه داغ-نقطه سرد و DMSP/OLS ارزیابی شد. تمامی نقشه های ذکر شده روندهای VFC و سایر تغییرات با رنگ های متمایز در منطقه مورد مطالعه به صورت پویا یافت شدند. معادله (3) متعلق به آمار موران I به شرح زیر است.
(3)
که در آن z i انحراف یک ویژگی برای ویژگی i از میانگین آن 
است، وزن فضایی بین ویژگی i و j، n برابر با تعداد ویژگی‌ها است، و مجموع همه وزن‌های فضایی نیز چنین است:
(4)
امتیاز z i برای آمار به صورت زیر محاسبه می شود:
(5)
جایی که:
(6)
(7)
همچنین در این مرحله می توان توضیح داد که معادله (8) و تعریف ریشه میانگین مربعات خطا (RMSE) به شرح زیر است.
(8)
جدول 1 . انواع سطوح VFC و توضیحات.
جایی که 
i-مین مقدار پیش بینی شده 
است، i-مین مقدار مشاهده شده در داده های بررسی میدانی است، و n تعداد اندازه گیری ها است. ریشه میانگین مربعات خطا نیز ریشه میانگین مربع انحراف نامیده می شود. RMSD یک معیار پرکاربرد برای تفاوت بین مقادیر پیش بینی شده توسط یک مدل و مقادیر واقعی مشاهده شده در بررسی میدانی است. به این تفاوت‌های فردی، باقیمانده‌ها نیز گفته می‌شود و RMSE آنها را در یک مقیاس واحد از قدرت پیش‌بینی جمع‌آوری می‌کند. هرچه مقدار RMSE کمتر باشد، دقت پیش‌بینی مدل بالاتر است. از سوی دیگر با تعریف کوتاهی از مفهوم نقطه داغ و نقطه سرد، این روش تکمیل می شود. تعریف تجزیه و تحلیل نقطه داغ و سرد به نام Getis-Ord G i *-نمرات z و p-valueهای حاصل به شما می‌گوید که ویژگی‌های دارای مقادیر بالا یا پایین از نظر فضایی در کجا قرار می‌گیرند. این ابزار با نگاه کردن به هر ویژگی در بافت ویژگی های همسایه کار می کند. یک ویژگی با ارزش بالا جالب است، ممکن است از نظر آماری نقطه داغ مهمی نباشد. برای اینکه یک نقطه مهم از نظر آماری باشد، یک ویژگی دارای ارزش بالایی خواهد بود و با ویژگی های دیگر با مقادیر بالا نیز احاطه می شود. مجموع محلی برای یک ویژگی و همسایگان آن به نسبت مجموع همه ویژگی ها مقایسه می شود. زمانی که مجموع محلی بسیار متفاوت از مجموع محلی مورد انتظار است، و این تفاوت آنقدر زیاد است که نتیجه انتخاب تصادفی نتایج Z-score آماری معنی دار است. G i *آماری که برای هر ویژگی در مجموعه داده بازگردانده می شود یک z-score است. برای امتیازهای z مثبت از نظر آماری معنی دار، هرچه امتیاز z بزرگتر باشد، خوشه بندی شدیدتر مقادیر بالا (نقطه داغ). برای امتیازهای z منفی معنی دار آماری، هرچه امتیاز z کوچکتر باشد، خوشه بندی مقادیر پایین (نقطه سرد) شدیدتر است. فرمول آن به شرح زیر است؛ معادله محلی Getis-Ord (9) به صورت زیر ارائه می شود:
(9)
جایی که 
مقدار مشخصه برای ویژگی 
، وزن فضایی بین ویژگی i و j است، n برابر با تعداد کل یا ویژگی ها است و:
(10)
(11)
این 
آمار یک امتیاز z است بنابراین نیازی به محاسبات بیشتر نیست. در این بخش میانگین کل VFC با حداقل مقدار RMSE برای کل دوره به طور کامل محاسبه شد و نقشه به صورت نمادین با چهار رنگ برای درک بهتر سطوح VFC و پیش‌بینی تغییرات روند طراحی شد. در مرحله چهارم، منطقه مورد مطالعه ما (استان گوانگدونگ) از تصاویر DMSP/OLS به صورت سالانه استخراج شد و میانگین مقادیر DMSP/OLS از سال 2000 تا 2010 محاسبه شد. سپس برای دستیابی به نتایج بهتر بر اساس جدول صفات، در سایر فازها محاسبه شد.و عملیات آمار منطقه ای; مقادیر اولیه حداقل، میانگین، حداکثر، محدوده، مجموع، انحراف استاندارد و غیره تصاویر DMSP/OLS در منطقه مورد مطالعه به طور مکرر محاسبه شد. با توجه به تجزیه و تحلیل پویایی فعالیت های انسانی در استان گوانگدونگ، شاخص نور طی سال های 2000 تا 2010 نیز محاسبه شد. شاخص نور دو پارامتر را به عنوان روشنایی نور شب و مناطق شهری روشن به طور همزمان در نظر می گیرد. اولی با جمعیت شهری و مقیاس اقتصادی و دومی ارتباط نزدیکی با منطقه شهری دارد، بنابراین تغییرات در شاخص نور می تواند پویایی اندازه جمعیت شهری، مقیاس اقتصادی و گسترش شهری را به طور همزمان منعکس کند [ 20 ]. ما شاخص نور را در مقیاس منطقه مورد مطالعه خود با استفاده از رابطه زیر (12) محاسبه کردیم:
(12)
که در آن I میانگین روشنایی نور شب تمام پیکسل های روشن در یک منطقه است. معادله (13) به صورت زیر نشان می دهد:
(13)
که 
در آن مقدار DN سطح خاکستری یکم است، N i تعداد پیکسل های روشن متعلق به سطح خاکستری است، P آستانه بهینه برای استخراج منطقه شهری روشن از تصاویر DMSP/OLS است. 
حداکثر مقدار DN است و N L تعداد پیکسل های روشن با مقدار DN بین P و 
. S نسبت مناطق شهری روشن به کل مساحت یک منطقه است. معادله (14) را می توان به صورت زیر نشان داد:
(14)
که در آن Area N مساحت مناطق شهری روشن در یک منطقه و Area مساحت کل منطقه است. در نهایت با توجه به VFC و Light Index مدلسازی سری‌های زمانی کاملاً پیش‌بینی شد. عملکرد ضریب همبستگی، نمودارهای توالی، مدل‌ساز سری زمانی، خودهمبستگی و ضریب همبستگی مستقیماً در SPSS محاسبه شد. همچنین رابطه بین VFC و شاخص نور مورد مطالعه قرار گرفت و در نهایت بهترین نتایج و نمودارهای قابل فهم ایجاد شد.
3. نتایج و بحث
3.1. محاسبه دقت VFC دینامیک و تشخیص تغییر
بر اساس جدول 1 ، VFC به چهار سطح مانند سطح I، سطح II، سطح III و سطح IV تقسیم می شود. سطح I دارای پوشش کم (<50%)، سطح II شامل پوشش متوسط (50٪ – 70٪)، سطح III شامل پوشش بالا (70٪ – 90٪) و سطح IV پوشش بسیار بالا (بیش از 90٪) است. جدول 2، مقادیر سطوح VFC را برای تمام سالهای دوره مطالعه ما سالانه نشان می دهد. سطح IV دارای بالاترین میانگین تغییر سالانه بین 3.89% تا 21.44% و سطح I دارای کمترین میزان تغییر در بین تمامی سطوح می باشد. سطح II بین 7.79٪ و 19٪ و سطح III بین 68.38٪ و 77.25٪ متغیر است. از طرف دیگر سطح I کمترین میانگین تغییر سالانه را دارد، یعنی این سطح در سال 2009 تنها 2.37 درصد از منطقه مورد مطالعه ما را اشغال کرده است و سطح III دارای بالاترین میزان است و همچنین تعریف می کند که سطح III 79.42 درصد از کل منطقه مورد مطالعه در سال 2008 را تشکیل می دهد. بدین ترتیب تمامی مناطق با پوشش کم تا بسیار زیاد شناسایی می شوند و همچنین منطقه تخریب شده و منطقه سالم در طول دوره به درستی مشخص می شود. علاوه بر این جدول 2مقادیر شاخص های دیگر مانند موران I، RMSE، میانگین VFC، میانگین DMSP/OLS و شاخص نور سالانه را نشان می دهد. نمایش موران I به معنای تغییرات سالانه در فصل رشد است. آی موران شباهت فضایی با سطح معنی داری 95 درصد و همچنین بیشترین همبستگی مکانی را در ماه های فروردین تا مهر دارد. کمترین مقدار خطای RMS 0.109 و مربوط به سال 2001 و بیشترین مقدار خطای RMS با 0.125 دقیقا مربوط به سال 2006 است ( جدول 2 ). ریشه میانگین مربعات خطا یک معیار پرکاربرد برای تفاوت بین مقادیر پیش بینی شده توسط یک مدل و مقادیر واقعی مشاهده شده در بررسی میدانی است. این تفاوت های فردی در مورد RMSE در جدول 2باقیمانده ها نیز نامیده می شوند و آنها را به یک اندازه گیری واحد از قدرت پیش بینی تقسیم می کنند. این
جدول 2 . تغییرات ماتریس سطوح VFC و برخی شاخص های مهم در استان گوانگدونگ از سال 2000 تا 2010.
توجه: VFC میانگین پوشش کسری پوشش گیاهی. خطای I و RMS موران متعلق به خودهمبستگی فضایی و روند VFC است.
مقدار RMSE کمتر، دقت پیش‌بینی مدل بالاتر است. مقدار RMSE از دقت ارزیابی نتایج ما در سال 2006 بالاتر است. طبق جدول 2 ، کمترین و بیشترین مقدار میانگین VFC به ترتیب 0.751 Mg/ha و 0.823 Mg/ha در سال 2001 و 2009 است. علاوه بر میانگین مقادیر DMSP/OLS و به خصوص Light Index دارای 12.047 و 6.2 به عنوان کمترین مقادیر در سال 2003 و دارای 18.595 و 9.88 به عنوان بالاترین مقادیر دقیقا در سال 2010 هستند. شکل 3 روند سطوح VFC را از 2000 تا 2010 به وضوح نشان می دهد. سطح I با پوشش کم (<50%) دارای کمترین تغییرات، سطح II با پوشش متوسط (50% – 70%) و همچنین سطح III با پوشش زیاد (70% – 90%) دارای تغییرات قابل توجه و در نهایت سطح IV با پوشش بسیار زیاد است. پوشش بالا (بیش از 90٪) بیشترین تغییرات را بین تمام سطوح دارد [ 21] . آنها توضیح دادند که توزیع فضایی VFC نشان می دهد که واحه عمدتاً توسط سطوح I و II اشغال شده است که بیش از 1/2 کل مساحت را تشکیل می دهد. تا 1/3 از واحه توسط سطوح III و IV اشغال شده است. آنها گزارش کردند که از سال 1989-2006، سطوح I و II میانگین نرخ تغییر سالانه به ترتیب به 0.891٪ افزایش یافته و به 1.104٪ کاهش یافته است و بیشترین میانگین تغییر سالانه را در طول دوره نشان می دهد. در نهایت آنها به این نتیجه رسیدند که کوچکترین تغییر مربوط به سطح V است، تنها با تغییرات 0.008٪. بنابراین، نتایج مطالعه آنها تا حدودی با نتایج این مقاله مطابقت دارد.
مطابق شکل 4 ، خودهمبستگی فضایی VFC با استفاده از آماره موران I در منطقه مورد مطالعه محاسبه شد. I موران برای ارزیابی اینکه آیا مناطق حفاری همسایه بیشتر از آنچه در فرضیه صفر انتظار می رود مشابه هستند اعمال می شود [ 9 ]. مقادیر منفی نشان دهنده خودهمبستگی فضایی منفی و معکوس برای مقادیر مثبت است. مقدار شاخص موران I از -1 (نشان دهنده پراکندگی کامل) تا +1 (همبستگی کامل) متغیر است. در واقع شکل 4پویایی تغییرات VFC را با کمترین مقدار مربوط به سال 2000 و بیشترین مقدار وابسته به سال 2010 را نشان می دهد. منطقه مورد مطالعه، اما در سال های 2001، 2003، 2006، 2008 و 2010 این روند به سمت جنگل کاری، احیای جنگل ها و مراتع و حفاظت از محیط زیست پیش رفت. در کل شکل 4 روند تغییرات VFC را تایید می کند.
تغییرات مکانی و زمانی پوشش جنگلی، کاربری اراضی و پوشش زمین برای سال های 2000، 2005 و 2010 به ترتیب در شکل های 5-7 نشان داده شده است. جنگل، مزرعه، علفزار و به ویژه شهری یافت شده است. تفاوت بین کاربری ها به دلیل درجه پراکندگی، طبقه بندی و تغییرات فضایی آنها است. با توجه به شکل های 5-7، شاخص هایی به عنوان میانگین NDVI (A)، VFC (B)، سطوح VFC (C)، نقطه سرد (D)، و DMSP/OLS (A) در شکل 8 . کاربری غالب زمین (سطح I VFC) تقریباً در بخش های مرکزی- جنوبی استان گوانگدونگ رخ داده است. مناطقی مانند فوشان، گوانگژو، دونگوان، شنژن را احاطه کرده است.
شکل 3 . روند سطوح VFC در استان گوانگدونگ از 2000 تا 2010.
شکل 4 . Dynamic of Moran’s I of VFC در استان گوانگدونگ از سال 2000 تا 2010.
شکل 5 . تشخیص تغییرات پوشش گیاهی با استفاده از میانگین NDVI (a)، VFC (b)، سطوح VFC (c)، نقطه داغ و نقطه سرد (d)، در طول دوره 2000، استان گوانگدونگ.
شکل 6 . تشخیص تغییرات پوشش گیاهی با استفاده از میانگین NDVI (a)، VFC (b)، سطوح VFC (c)، نقطه داغ و نقطه سرد (d)، در طول دوره 2005، استان گوانگدونگ.
شکل 7 . تشخیص تغییرات پوشش گیاهی با استفاده از میانگین NDVI (a)، VFC (b)، سطوح VFC (c)، نقطه داغ و نقطه سرد (d)، در طول دوره 2010، استان گوانگدونگ.
شکل 8 . DMSP/OLS در طول دوره 2000 (a)، 2005 (b)، و 2010 (c) تغییر می کند.
متأسفانه ژوزایی ما همچنین با فرسایش پوشش در Shantou و Jieyang واقع در جنوب شرقی و Yangjiang و Zhanjiang در نواحی غربی استان گوانگدونگ طی دوره 2000 تا 2005 مواجه هستیم. از سوی دیگر با نگاهی به شکل های 5-8 و به با بررسی شاخص های نقطه داغ-نقطه سرد (D)، مشخص است که برش شفاف در مناطق جنوب غربی مانند Yangjiang و Zhanjiang و همچنین در مناطق جنوب شرقی مانند Shantou و Jieyang به طور کامل متوقف شده است. این روند در طول دوره 2005 تا 2010 روند کاهشی داشته است. دوباره شکل های 5-7 این امکان را فراهم می کند که VFC را با پویایی های مختلف به وضوح نشان دهد. شاخص‌های ذکر شده به‌عنوان میانگین NDVI (A)، VFC (B)، سطوح VFC (C)، نقطه داغ-نقطه سرد (D) بیان می‌کنند که پوشش جنگلی بالا و بسیار بالا شامل سطوح III و IV VFC است. وجود در شمال منطقه مورد مطالعه مانند منطقه Shaoguan و Qingyuan، در غرب مانند منطقه Maoming، Zhaoqing و Yunfu و علاوه بر آن در شرق استان گوانگدونگ مانند Heyuan، Meizhou و Chaozhou در طول دوره 2000 تا 2005، اما سطوح ذکر شده از پوشش جنگلی بیشتر در شرق مانند هییوان، شانوی، جی یانگ، میژو و چائوژو متمرکز بود. علاوه بر اینشکل 6 و شکل 7نشان می دهد که پوشش جنگلی قابل توجهی در بخش شمال شرقی مانند Qingyuan، منطقه Shoaguan در دوره 2005 تا 2010 وجود داشته است. لازم به ذکر است که تشخیص نقطه گرم-سرد فضایی تلاش می کند تا مناطق فرعی را با مقادیر ویژگی به طور قابل توجهی متفاوت از آن مطالعه کند. سایر مناطق در استان گوانگدونگ که به عنوان مناطق غیرعادی در نظر گرفته می شوند، مانند مناطقی که پوشش کم یا بسیار کم به عنوان سطح I VFC یا سطح IV با VFC بسیار بالا دارند. در واقع اهمیت نقطه داغ-نقطه سرد (D) به تجمع فضایی انحراف استاندارد (SD) VFC با 4 نوع تعریف مانند نقاط با ارزش بالا (نقطه داغ، HH)، نقاط کم ارزش (نقاط سرد، LL) و علاوه بر این با مقادیر بالا احاطه شده توسط نقاط کم ارزش (HL) و نقاط با ارزش پایین احاطه شده توسط نقاط با ارزش بالا (LH). بنابراین مناطق با پوشش کم (سطح I VFC) به طور خلاصه LL و مناطق با پوشش بسیار بالا (سطح IV VFC) HH هستند. فرآیند شهرنشینی و فعالیت های اجتماعی-اقتصادی انسانی را می توان با مشاهده تغییرات DMSP/OLS در تعیین کرد.شکل 8 در منطقه مورد مطالعه در طول دوره 2000 (A)، 2005 (B) و 2010 (C). این روند از دوره ای به دوره دیگر در حال افزایش بوده و سالانه نیز روند صعودی دارد. تغییرات DMSP/OLS بیشتر در بخش‌های مرکزی – جنوبی و منطقه ساحلی منطقه مورد مطالعه غالب بود. واضح است که شاخص نور ارتباط تنگاتنگی با آمار نقاط سرد دارد و هر دو شاخص مهمی برای ارزیابی روند فعالیت های انسانی مانند شهرنشینی، معدن، کشاورزی و ارزیابی تراکم جمعیت در ارقام ذکر شده می باشند.
در پایین، شکل 9 کل VFC را برای کل دوره 2000 تا 2010 در استان گوانگدونگ نشان می دهد. کل VFC به طور نمادین به چهار سطح تقسیم می شود. در این طبقه بندی سطح I دارای رنگ قرمز و شامل پوشش کم (<50%)، سطح II دارای رنگ زرد و تشکیل پوشش متوسط (50% – 70%)، سطح III دارای رنگ سبز روشن و شامل پوشش بالا (70% – 90%) است. درصد و در نهایت سطح IV دارای رنگ سبز تیره و از پوشش بسیار بالایی (بیش از 90 درصد) تشکیل شده است. خطای RMS، Chi-Square و میانگین VFC کل به ترتیب 0.122، 23.1 و 0.783 است. و همچنین نتیجه می گیریم که پوشش کم جنگلی بخش های مرکزی و جنوبی گوانگدونگ را اشغال کرده است. اما از سوی دیگر پوشش جنگلی مرتفع و بسیار مرتفع در بخش هایی از شمال، شمال غرب و شمال شرق خوشبختانه قابل مشاهده است. قسمت های میانی با پوشش متوسط پوشیده شده اند.
3.2. رابطه، تحلیل همبستگی و مدل سازی سری زمانی
جدول 3 نتایج تحلیل همبستگی منفرد بین VFC و سه شاخص شهرنشینی مانند شهرسازی، شهر مردم و شاخص نور را نشان می‌دهد. شاخص شهر مردم و نور با روند ساخت و ساز در کل منطقه استان گوانگدونگ همبستگی نسبتاً قوی دارد. با این حال یک همبستگی بین میانگین VFC و ساخته شده ضعیف است. از سوی دیگر، ضرایب همبستگی 3 عامل با Built up به ویژه در شهر مردم و شاخص نور نسبتاً زیاد است. ضریب همبستگی میانگین VFC کاهش می یابد، زیرا درصد ساخته شده در منطقه جنگلی بسیار کم است. جدول 4روند کل سه شاخص شهرنشینی با شاخص نور و دینامیک VFC را سالانه ارائه می دهد. به طور کلی، روند رو به افزایش است و با افزایش مقادیر شاخص شهرنشینی، مقادیر شاخص نور و VFC افزایش می‌یابد. بنابراین می توان نتیجه گرفت که شاخص شهرنشینی مانند جمعیت پویا، مردم شهر، توزیع راه و ساختمان در ارتباط با شاخص نور بوده و به طور مستقیم یا غیرمستقیم بر VFC تأثیر می گذارد. به عنوان مثال، جدول 4 نشان می دهد که مقادیر تولید شده، غیرکشاورزی، مردم شهر، شاخص نور و میانگین VFC به ترتیب 7.946035٪، 0.908174561٪، 0.31185087٪، 6.550127٪ و 0.771992240٪ هستند. این مقادیر با مقداری افزایش 8.136325%، 0.936682778%، 0.45834674%، 6.24091% و
شکل 9 . کل VFC برای کل دوره 2000 تا 2010 در استان گوانگدونگ.
جدول 3 . همبستگی بین VFC و شاخص سه شهرنشینی.
جدول 4 . بررسی روند چهار شاخص شهرنشینی با شاخص نور و VFC به صورت پویا.
0.772397392٪ در سال 2005 و دوباره با افزایش بیشتر به 10.285029٪، 0.950297155٪، 0.5215٪، 9.885368٪ و 0.776052754٪ در سال 2010 به طور کامل می رسد.
در این مطالعه تجزیه و تحلیل سری زمانی شامل نمودار توالی مدل سازی VFC و شاخص نور به عنوان شکل 10 ، مدل سازی سری های زمانی مانند شکل 11 ، ACF 1 و مدل سازی جزئی ACF 2 برای شاخص نور به عنوان شکل 12 است. با توجه به شکل 5-9 و همچنین جداول 2-4 توضیح داده شد که هر دو روند VFC و Light Index در حال افزایش هستند و خواه ناخواه دارای موقعیت صعودی هستند. با توجه به شکل 10 در پایین، این موضوع در اینجا تکرار می‌شود، اما با این تفاوت که VFC و Light Index رابطه معکوس قوی با یکدیگر دارند، بنابراین کاملاً واضح است که با افزایش شاخص نور، VFC در اکثر موارد به‌طور سرکشی کاهش می‌یابد.
در واقع می توان نتیجه گرفت که هر گونه فعالیت اجتماعی-اقتصادی مانند شهرنشینی، توسعه شهری و افزایش تراکم جمعیت بر VFC در کل دوره 2000 تا 2010 در منطقه مورد مطالعه تأثیر گذاشته است. همچنین در شکل 10 ، شاید مقدار کمی هماهنگی بین VFC و شاخص نور در سالهای 2005 و 2006 ببینیم که هر کدام دلایل اکولوژیکی و اجتماعی-اقتصادی خاص خود را دارند. شکل 11 مدل سازی سری زمانی شاخص نور را نشان می دهد. نمودار در شکل 11 ، شواهد قوی از نتیجه ما بر اساس افزایش شاخص نور و توسعه شهری رو به رشد سالانه وجود دارد و نتایج قبلی ما را تایید می کند.
شکل 12 مدل سازی ACF و ACF جزئی شاخص نور را در یک بازه زمانی تقریباً 11 سال نشان می دهد. مقادیر شاخص نور تقریباً بین محدوده های 0.5- تا 0.5 قرار دارند و محور عمودی ACF و ACF جزئی این محدوده را به خوبی نشان می دهد. همچنین نمودار در جهات مثبت و منفی اما با مقادیر مساوی حالت هماهنگ به خود گرفته است، بنابراین می توان نتیجه گرفت که شاخص نور در مجموع از دقت مناسبی برخوردار است و در این مقاله می تواند شاخص مناسبی برای ارزیابی دینامیک تغییرات VFC و VFC سالانه باشد.
(الف)
(ب)
شکل 10 . نمودار توالی میانگین VFC و شاخص نور.
3.3. نیروهای محرک از تنوع VFC
در استدلال‌های نظری قبلی و بررسی میدانی، فرض می‌کنیم که پوشش گیاهی کسری در منطقه مورد مطالعه به طور قابل‌توجهی تحت تأثیر فعالیت‌های اجتماعی-اقتصادی انسانی مانند شهرنشینی، توسعه شهری و مناطق روستایی رو به رشد و افزایش تراکم جمعیت است. همچنین پتانسیل داده‌های DMSP برای تخمین جمعیت شهری و همچنین تکنیک نظارت بر پویایی جمعیت شهری سالانه در منطقه‌ای که داده‌ها ترسناک و پویایی جمعیتی منحصربه‌فرد هستند، شناسایی شد. در مجموع نتایج مطالعه ما نشان داد که شاخص نور به‌دست‌آمده از تصاویر DMSP/OLS می‌تواند به‌عنوان شاخصی برای تشخیص حضور انسان و فعالیت‌های اجتماعی-اقتصادی برای تحلیل الگوهای مکانی-زمانی در اکثر نقاط کشورهای در حال توسعه استفاده شود.شکل 13 و علاوه بر آن جداول 2-4 صحت این موضوع را به درستی تایید می کند. توافق –
شکل 11 . مدل سازی سری زمانی شاخص نور.
شکل 12 . خودهمبستگی و مدلسازی خودهمبستگی جزئی شاخص نور.
شکل 13 . دینامیک سالانه VFC و شاخص نور در استان گوانگدونگ از سال 2000 تا 2010.
با توجه به شکل 13 ، این فرض تایید می کند که رابطه معکوس قوی بین VFC و شاخص نور وجود دارد. به عنوان مثال شکل 13 در ابتدای دوره در سال 2000 و 2001 نشان می دهد که با افزایش شاخص نور، VFC کاهش می یابد. این روند تا سال 2005 ادامه دارد. اما از سوی دیگر، شکل 13نشان می‌دهد که روند VFC و شاخص نور در سالهای 2005-2006 یکسان بوده است (با علامت قرمز نقطه‌گذاری شده)، زیرا استان گوانگدونگ بین سالهای 2005 تا 2006 یک تغییر عمده در جمعیت خود داشته است، به طوری که منابع علمی گزارش می‌دهند که گوانگدونگ از هنان پیشی گرفته است. و استان سیچوان در ژانویه 2005 به پرجمعیت ترین استان چین تبدیل شد و 79.1 میلیون ساکن دائمی و 31 میلیون مهاجر را ثبت کرد که حداقل شش ماه از سال در این استان زندگی می کردند [ 22 ]. بنابراین، می توان نتیجه گرفت که افزایش و کاهش تراکم جمعیت بدون شک منجر به تغییر VFC می شود. در واقع در شکل 13 ، روند شاخص نور باید در سال 2005 تا 2006 کاهش یافت و با VFC در واقع جهت معکوس یافت شد [ 1 ]] . آنها به طور کلی به این نتیجه رسیدند که جنگل زدایی با لگاریتم تراکم جمعیت همبستگی زیادی دارد. باز هم روند VFC و شاخص نور در سال 2007 تا 2010 با هم رابطه معکوس دارند. شکل 13کاهش شدید VFC و افزایش ناگهانی شاخص نور در سال 2009 تا 2010 را نشان می دهد. در واقع با بیشترین افزایش فعالیت های انسانی در سال های 2009 تا 2010 مواجه هستیم و از سوی دیگر حفاظت از جنگل ها و اصلاح مراتع رو به کاهش بوده است. در واقع در طول بیش از 10 سال، جمعیت استان گوانگدونگ از 85225007 نفر در سال 2000 به 104303132 نفر در سال 2010 افزایش یافته است. پوشش گیاهی کسری را تحت تأثیر قرار می دهد. اما فعالیت های انسانی مانند تولید کشاورزی، ساخت و سازهای زیست محیطی به طور قابل توجهی باعث بهبود پوشش گیاهی شد [ 8 ]] . علاوه بر توسعه اقتصاد اجتماعی، مردم به طور فزاینده ای از اهمیت حفاظت از محیط زیست و توسعه پایدار برای احیای زمین های جنگلی یا علفزار آگاه می شوند [ 19 ]. مطابق شکل 13VFC در سالهای 2001 تا 2003، در سالهای 2005 تا 2007 و در نهایت از 2008 تا 2009 افزایش می‌یابد. می‌توان نتیجه گرفت که علاوه بر کاهش فعالیت‌های انسانی و کاهش شاخص نور در این سال‌ها، ناشی از مزایای اکولوژیکی در سالهای اخیر، احیای جنگل‌ها و اصلاح مراتع است. و سایر پروژه های زیست محیطی افزایش یافته است. همچنین کنترل کاربری اراضی، کاشت درختان و زراعت جنگل با گسترش VFC و بهبود پوشش گیاهی در منطقه مورد مطالعه ارتباط نزدیک داشت. علاوه بر این، نمی توان اثرات عوامل آب و هوایی و فیزیوگرافی را با تغییرات VFC سالانه نادیده گرفت [ 23 ]. همچنین گزارش شد که شاخص پوشش گیاهی و پوشش گیاهی جزئی همبستگی خوبی با متغیرهای آب و هوایی مانند بارش، دما و تبخیر دارند [ 8 ]] . آنها نتیجه گرفتند که میانگین VFC از 17/40 درصد در سال 1989 به 6/53 درصد در سال 2006 افزایش یافته است که عمدتاً به دلیل افزایش دما، رواناب سالانه و جمعیت و همچنین بهبود بهره برداری از زمین است. با این حال ما با هفت سال افزایش VFC و چهار سال کاهش VFC از سال 2000 تا 2010 در منطقه مورد مطالعه مواجه بودیم. مشخص شد که VFC در استان گوانگدونگ روند افزایشی را در 11 سال نشان می دهد.
4. نتیجه گیری
ما می‌توانیم از تصاویر Modis NDVI و مجموعه داده‌های DMSP/OLS برای ایجاد مدل‌هایی برای پیوند پوشش کسری گیاهی با شاخص نور، برای پیش‌بینی تغییرات پوشش جنگلی استان گوانگدونگ در دوره 2000 تا 2010 به صورت پویا استفاده کنیم. سطوح VFC را با چهار کلاس به عنوان سطح I، سطح II، سطح III و IV با مقادیر از پیش تعیین شده شامل درصد پایین VFC (<50٪)، درصد متوسط VFC (50٪ – 70٪)، درصد بالا محاسبه کردیم. VFC (70% – 90%) و درصد بسیار بالای VFC (بیش از 90%) به ترتیب. به این ترتیب تغییرات عمده VFC سالانه تعریف شد و مناطق پوشش گیاهی تخریب شده و سالم توسط تمام سطوح VFC به طور کامل نشان داده شد. ما توانستیم مناطقی را با سطح I بدست آوریم، کمترین تغییرات سالانه و مناطق با سطح IV را داشته و بالاترین نرخ را در بین همه داشتیم. در اینجا، آمار موران I حکم کرد که طی سالهای 2000، 2002، در سالهای 1386 و 1388 فعالیت‌های انسانی افزایش یافته و جنگل‌زدایی در بخش‌هایی از منطقه مورد مطالعه غالب بوده است، اما خوشبختانه در سالهای 1380، 1382، 1385، 1387 و 1389 شاهد احیای جنگل‌ها و حفاظت از محیط زیست با کاهش فعالیت‌های انسانی بوده‌ایم. علاوه بر این، تغییرات مکانی و زمانی VFC با نقشه‌های نقطه گرم-نقطه سرد و شاخص نور مجدداً بیان شد که تغییرات عمده با کاهش پوشش جنگلی ناشی از فعالیت‌های انسانی مربوط به بخش‌های مرکزی-جنوبی و نواحی ساحلی منطقه مورد مطالعه در دوره‌ها بود. از سال 2000 تا 2005، و از طرف دیگر می توان نشان داد که بخش های شمالی، مناطق شرقی و غربی با درصد پوشش جنگلی بالا و بسیار زیاد، خوشبختانه در این دوره تغییرات کمتری داشته اند. همچنین با کمک شاخص های ذکر شده، ما می‌توانیم نشان دهیم که تخریب ناشی از فعالیت‌های انسانی کاهش زیادی داشته است و VFC می‌تواند در مناطق شمالی و به‌ویژه شرقی در دوره 2005-2010 متمرکز شود. در واقع روند افزایش VFC در این دوره از مطالعه ما موفقیت آمیز بود، اگرچه شاهد افزایش فعالیت های انسانی بودیم. در واقع، توسعه اقتصاد اجتماعی به طور فزاینده ای از اهمیت حفاظت از محیط زیست آگاه شده بود و همچنین توسط مزایای زیست محیطی به دنبال احیای جنگل ها و احیای زمین به درستی هدایت می شد. مدلسازی سری‌های زمانی VFC و شاخص نور را ارزیابی کردیم و توضیح دادیم که هر دو روند VFC و شاخص Light در حال افزایش بوده و روند صعودی با رابطه معکوس قابل قبولی با هم دارند. نتایج مدلسازی سری‌های زمانی به‌عنوان طرح‌های دنباله‌ای و مدل‌ساز سری‌های زمانی حکم داد که با افزایش شاخص نور، VFC در برخی مناطق کاهش یافت و ما به این نتیجه رسیدیم که فعالیت اجتماعی-اقتصادی به طور قطع بر VFC تأثیر گذاشته است. پیش‌بینی مدلسازی ACF از مدلسازی سری‌های زمان نشان داد که شاخص نور شاخص مناسبی برای نظارت بر تغییرات پوشش جنگلی سالانه است و مدلسازی CCF نیز صحت رابطه بین VFC و شاخص نور را تأیید می‌کند. علاوه بر این، پوشش کسری پوشش گیاهی مربوط به نیروهای محرک نیز نشان داده شد، در حالی که می‌توانیم بر روی تغییرات ناشی از فعالیت‌های انسانی بر اساس مجموعه داده‌های DMSP/OLS و روند شاخص نور تمرکز کنیم. همچنین روند افزایش و کاهش تراکم جمعیت را پیش‌بینی کردیم که منجر به تغییر VFC در منطقه مورد مطالعه ما شد. در واقع، ما نشان دادیم که تغییر پوشش جنگلی با لگاریتم تغییرات جمعیت همبستگی زیادی دارد. به عنوان یک نتیجه، مزیت رویکرد ما این است که همچنین اجازه می دهد تا تعاریف جایگزین VFC و شاخص نور را با هم به صورت پویا آزمایش کنیم. مطالعه ما اولین نقشه های گسترده استان گوانگدونگ را ارائه کرد که الگوهای فضایی، نقطه داغ و نقطه سرد و برخی از شاخص های ارزیابی تشخیص تغییر پوشش جنگل را بر اساس سری زمانی متراکم تصاویر DNVI در رابطه با مشاهدات شبانه DMSP/OLS نشان می دهد. با این حال، ماهیت پویایی تغییرات پوشش جنگلی و فعالیت‌های انسانی نیاز به نظارت مکرر بر تمام اراضی را به منظور ارزیابی مناطق جنگلی، مناطق بدون جنگل و مناطق تخریب‌شده نشان می‌دهد. این یافته‌ها برای استنباط اثربخشی مدیریت منابع جنگلی و برای تحلیل رابطه علی بین محرک‌های اقتصادی-اجتماعی و تغییرات پوشش جنگل مهم خواهند بود.
بدون دیدگاه