خلاصه

کمی سازی دقیق زیست توده به درک بهره وری جنگل و پویایی چرخه کربن کمک می کند. تحقیقات در مورد عدم قطعیت در طول پیش تصفیه با وجود اینکه یکی از منابع اصلی عدم قطعیت و یک گام اساسی در تخمین زیست توده است، هنوز وجود ندارد. در این مطالعه، ما عدم قطعیت پیش تصفیه را بررسی کردیم و یک مطالعه مقایسه ای بر روی عدم قطعیت سه مرحله پیش پردازش تصویر نوری (کالیبراسیون رادیومتری، تصحیح جو و زمین) در تخمین زیست توده انجام دادیم. ترکیبی از مدل‌های آماری (جنگل تصادفی) و داده‌های چندمنبعی (نقشه‌نگار موضوعی پیشرفته لندست به علاوه (ETM+)، تصویرگر زمین عملیاتی لندست (OLI)، فهرست جنگل ملی (NFI)) برای تخمین زیست توده جنگل استفاده شد. به ویژه،2) برای ارزیابی دقت مدل به کار گرفته شد. نتایج به‌دست‌آمده نشان می‌دهد که الگوریتم‌های جنگل تصادفی (RF) و اعتبارسنجی متقاطع 10 برابری دقت قابل‌اعتمادی را برای تخمین زیست توده برای درک بهتر عدم قطعیت در پیش تیمارها ارائه می‌کنند. در این مطالعه، عدم قطعیت قابل‌توجهی در تخمین زیست توده با استفاده از تصاویر OLI و ETM+ اصلی وجود داشت. عدم قطعیت پس از پردازش داده ها کمتر بود، که بر اهمیت پیش تصفیه ها برای بهبود دقت در تخمین زیست توده تأکید می کرد. علاوه بر این، اثرات سه پیش تیمار بر عدم قطعیت تخمین زیست توده به طور عینی کمی تعیین شد. در این مطالعه (نتایج نمونه آزمایشی)، عدم قطعیت 33.70 درصد در تخمین زیست توده با استفاده از تصاویر اصلی از OLI، و 34.28 درصد عدم قطعیت در ETM+ پیدا شد. کالیبراسیون رادیومتری کمی عدم قطعیت تخمین زیست توده را افزایش داد (OLI 1.38٪ افزایش یافت، ETM + 2.08٪ افزایش یافت). علاوه بر این، تصحیح اتمسفر (5.56٪ برای OLI، 4.41٪ برای ETM +) و اصلاح زمین (1.00٪ برای OLI، 1.67٪ برای ETM +) به ترتیب به طور قابل توجهی عدم قطعیت را برای OLI و ETM + کاهش داد. این یک پیشرفت مهم در زمینه بهبود دقت تخمین زیست توده توسط سنجش از دور است. قابل ذکر است، سه پیش تیمار روند مشابهی را در عدم قطعیت در طول تخمین زیست توده با استفاده از OLI و ETM + ارائه کردند. این ممکن است اثرات مشابهی را در سایر تصاویر نوری نشان دهد. هدف این مقاله تعیین کمیت عدم قطعیت در پیش تصفیه و تجزیه و تحلیل اثرات حاصله برای ارائه یک مبنای نظری برای بهبود دقت تخمین زیست توده است. تصحیح اتمسفر (5.56٪ برای OLI، 4.41٪ برای ETM+) و تصحیح زمین (1.00٪ برای OLI، 1.67٪ برای ETM+) به ترتیب به طور قابل توجهی عدم قطعیت را برای OLI و ETM + کاهش داد. این یک پیشرفت مهم در زمینه بهبود دقت تخمین زیست توده توسط سنجش از دور است. قابل ذکر است، سه پیش تیمار روند مشابهی را در عدم قطعیت در طول تخمین زیست توده با استفاده از OLI و ETM + ارائه کردند. این ممکن است اثرات مشابهی را در سایر تصاویر نوری نشان دهد. هدف این مقاله تعیین کمیت عدم قطعیت در پیش تصفیه و تجزیه و تحلیل اثرات حاصله برای ارائه یک مبنای نظری برای بهبود دقت تخمین زیست توده است. تصحیح اتمسفر (5.56٪ برای OLI، 4.41٪ برای ETM+) و تصحیح زمین (1.00٪ برای OLI، 1.67٪ برای ETM+) به ترتیب به طور قابل توجهی عدم قطعیت را برای OLI و ETM + کاهش داد. این یک پیشرفت مهم در زمینه بهبود دقت تخمین زیست توده توسط سنجش از دور است. قابل ذکر است، سه پیش تیمار روند مشابهی را در عدم قطعیت در طول تخمین زیست توده با استفاده از OLI و ETM + ارائه کردند. این ممکن است اثرات مشابهی را در سایر تصاویر نوری نشان دهد. هدف این مقاله تعیین کمیت عدم قطعیت در پیش تصفیه و تجزیه و تحلیل اثرات حاصله برای ارائه یک مبنای نظری برای بهبود دقت تخمین زیست توده است. این یک پیشرفت مهم در زمینه بهبود دقت تخمین زیست توده توسط سنجش از دور است. قابل ذکر است، سه پیش تیمار روند مشابهی را در عدم قطعیت در طول تخمین زیست توده با استفاده از OLI و ETM + ارائه کردند. این ممکن است اثرات مشابهی را در سایر تصاویر نوری نشان دهد. هدف این مقاله تعیین کمیت عدم قطعیت در پیش تصفیه و تجزیه و تحلیل اثرات حاصله برای ارائه یک مبنای نظری برای بهبود دقت تخمین زیست توده است. این یک پیشرفت مهم در زمینه بهبود دقت تخمین زیست توده توسط سنجش از دور است. قابل ذکر است، سه پیش تیمار روند مشابهی را در عدم قطعیت در طول تخمین زیست توده با استفاده از OLI و ETM + ارائه کردند. این ممکن است اثرات مشابهی را در سایر تصاویر نوری نشان دهد. هدف این مقاله تعیین کمیت عدم قطعیت در پیش تصفیه و تجزیه و تحلیل اثرات حاصله برای ارائه یک مبنای نظری برای بهبود دقت تخمین زیست توده است.

کلید واژه ها:

تخمین زیست توده ; عدم قطعیت ؛ پیش پردازش داده ها ؛ اعتبار سنجی متقابل 10 برابری ؛ جنگل تصادفی

 

چکیده گرافیکی

1. معرفی

اهمیت عملکرد خدمات اکوسیستم جنگلی به طور جهانی مورد تایید قرار گرفته است، به خصوص که نقش مهمی در حفظ تعادل جهانی کربن ایفا می کند. تبدیل جنگلداری ممکن است انتشار کربن را افزایش دهد و در نتیجه بر آب و هوای جهانی و تغییرات در سایر عوامل محیطی تأثیر بگذارد [ 1 ، 2 ، 3 ، 4 ، 5 ]. جنگل ها حدود 90 درصد از زیست توده گیاهی زمینی را تشکیل می دهند. به همین دلیل، تخمین زیست توده معیاری کلیدی برای بهره‌وری اکوسیستم و شاخصی از ظرفیت ترسیب کربن در یک جنگل در نظر گرفته می‌شود. در نتیجه، برای تعیین کمیت نقش جنگل ها در چرخه کربن، تولید انرژی، و تخمین ذخایر کربن در طول مدل سازی تغییرات آب و هوا استفاده می شود [ 6 ، 7 ، 8 ، 9، 10 ، 11 ، 12 ] استفاده می شود.
به طور کلی، زیست توده جنگلی به بیومس بالای زمینی (AGB) و زیست توده زیرزمینی (BGB) تقسیم می شود [ 13 ]. مطالعات برآورد زیست توده به دلیل دشواری جمع آوری داده های بررسی میدانی برای BGB به طور سنتی بر بخش AGB متمرکز شده است [ 14 ]. در این مطالعه از واژه بیوماس جنگل برای نشان دادن AGB جنگل استفاده شده است [ 13 ]. تخمین AGB به مطالعه بهره وری گیاه، چرخه های کربن، تخصیص مواد مغذی و تجمع سوخت در اکوسیستم های زمینی کمک می کند [ 15 ، 16 ، 17 ، 18 ]. در حال حاضر، تکنیک های مختلفی برای تخمین زیست توده جنگل توسعه یافته است. در میان آنها، اندازه گیری در محل دقیق ترین روش است و از این رو ترجیح داده می شود [19 ، 20 ]. با این حال، امکان پذیر نیست زیرا کار فشرده و گران است [ 21 ، 22 ، 23 ]. برای دور زدن مشکلات فوق الذکر و در عین حال حصول اطمینان از اندازه گیری دقیق و مقرون به صرفه زیست توده جنگلی در مقیاس فضایی بزرگ، روش های سنجش از دور و داده های بررسی نمونه پیشنهاد شده است [ 24 ، 25 ، 26 ].
جنگل یک ترکیب فضایی مادی است و بنابراین تخمین زیست توده آن از طریق سنجش از دور یک مشکل فضایی ایجاد می کند. به عنوان مثال، تخمین فضایی مقادیر آنالوگ سیستم شبیه‌سازی تخمین زیست توده جنگل را با یک مقدار واقعی اشتباه تولید می‌کند. فقط تحت شرایط خاصی می تواند به مقدار واقعی نزدیک باشد. عدم قطعیت که مفهومی از عدم دقت، مبهم بودن و ابهام است [ 27 ]، نشان دهنده توزیع تفاوت ها بین یک مقدار واقعی و طیفی از برآوردها است و معمولاً در سطح اطمینان خاصی ارائه می شود [ 28 ]. به طور کلی، تخمین‌های زیست توده جنگلی که از طریق سنجش از دور به دست می‌آیند، دارای منابع متفاوتی از خطاهای ناشی از مدل‌های برآورد، داده‌های بررسی زمینی، و پیش پردازش هستند [ 29 ،30 ، 31 ]. علاوه بر این، داده‌های ماهواره‌ای با طول موج نوری چند زمانی که تحت شرایط اکتساب مختلف و با استفاده از حسگرهای مختلف به دست می‌آیند ممکن است در تخمین زیست توده به دلیل عوامل مختلفی از جمله: (1) آلودگی جوی و ابری [ 32 ، 33 ، 37 ]، (4) تخریب سنسور و تغییرات کالیبراسیون [ 11 ]، و (5) ناسازگاری بازتابی و داده ها مسائل پردازش [ 38 ، 39]، (2) تغییرات در هندسه حسگرهای سطح خورشید [ 34 ، 35 ]، (3) اختلاف باند طیفی و تفکیک فضایی حسگرها [ 36 ]. بنابراین دانش دقیق عدم قطعیت های ناشی از منابع ذکر شده برای تخمین دقیق زیست توده ضروری است زیرا کیفیت داده ها را بهبود می بخشد [ 40 ]. سنجش از دور مزایای متعددی دارد، اگرچه دقت آن در تخمین زیست توده مستحق بهبود بیشتر است. به طور خاص، برآوردهای قوی تر و جامع تر از عدم قطعیت در برآورد زیست توده مورد نیاز است [ 28 ]. تحقیقات قبلی در مورد عدم قطعیت های زیست توده جنگل موفقیت در موارد زیر را گزارش کرده است: (1) مدل های تخمین [ 41 ، 42 ] ]، (2) داده های بررسی زمینی [ 43 ]، (3) تفاوت در حسگرهای ماهواره ای [ 44 ]، (4) انتقال خطا [ 45]، (5) تفاوت در وضوح مکانی [ 36 ]، و (6) نمونه برداری [ 46 ، 47 ].
حسگرهای Landsat اغلب برای پیش‌بینی زیست توده جنگل و ذخیره‌سازی کربن استفاده می‌شوند، عمدتاً به این دلیل که داده‌های این پلت‌فرم با سابقه طولانی و وضوح فضایی متوسط ​​به‌طور رایگان قابل دانلود هستند [ 39 ]. به عنوان مثال، کوروش و همکاران. [ 48 ] ​​از Landsat TM و Enhanced Thematic Mapper-Plus (ETM+) برای تخمین زیست توده در جنوب آفریقا استفاده کردند در حالی که ژنگ و همکاران. [ 49 ] نقشه‌های سن و AGB را با استفاده از Landsat ETM+ و داده‌های سطح پایه اندازه‌گیری شده در میدان تولید کرد. به طور مشابه، سازمان ملی هوانوردی و فضایی (ناسا) با موفقیت تصویربرداری زمین عملیاتی (OLI) و حسگر حرارتی مادون قرمز (TIRS) را در سال 2013 راه اندازی کرد که میراث لندست را ادامه می دهد. علاوه بر این، Chenge و همکاران. [ 50] از داده های Landsat 8 OLI برای نقشه برداری درخت AGB و ذخیره کربن در Omo Forest Reserve، نیجریه استفاده کرد. با پیوند دادن Landsat 8 و داده های موجودی جنگل، Belachew et al. [ 51 52 ]، مدل‌های رگرسیون [ 53 ، گزارش کرده‌اند.] با موفقیت (1) مدل‌های اثرات مختلط خطی را برای برآورد کل زیست توده زنده (TLB) به عنوان تابعی از متغیرهای طیفی توسعه داد، (2) یک نقشه وضوح 30 متری از کل کربن زنده (TLC) ایجاد کرد، و (3) تخمین زد کل موجودی TLB منطقه مورد مطالعه. مجموعه ای از ماهواره های لندست برای تخمین زیست توده در مناطق وسیع با استفاده از سنجش از دور استفاده می شود. به همین دلیل، کاربران این فناوری علاقه زیادی به دقت آن برای تخمین زیست توده پیدا کرده اند. در نتیجه، مطالعات عدم قطعیت‌هایی را از منابع مختلف مانند تابش خالص سطحی [ 54 ]، اصلاحات جوی [ 55 ] و کالیبراسیون رادیومتری مطلق [ 56 ] گزارش کرده‌اند. ] لندست. با این حال، دانش در مورد عدم قطعیت های ناشی از پیش درمان وجود ندارد. پیش تصفیه لندست بیشتر به اصلاح هندسی، کالیبراسیون رادیومتریک و همچنین اصلاحات جوی و زمینی تقسیم می شود [ 57 ]. مارکهام و همکاران [ 58] گزارش کرد که کالیبراسیون درخشندگی با عدم قطعیت حدود 3% انجام شد در حالی که کالیبراسیون بازتابی دارای عدم قطعیت حدود 2% بود. تخمین زیست توده از اطلاعات طیفی ماهواره استفاده می کند و عدم قطعیت اطلاعات طیفی از پیش پردازش شده از ماهواره برای تعیین عدم قطعیت در طول تخمین زیست توده استفاده می شود. با این حال، تحقیقات کمی در مورد این عدم قطعیت در طول پیش درمان محدود است. پیش تیمارهای مختلف اغلب منجر به مجموعه داده های مختلف می شود و این یکی از منابع اصلی عدم قطعیت در طول تخمین زیست توده است. تعیین کمیت دقیق عدم قطعیت پیش پردازش مفید است زیرا می تواند فرآیند را در حین سنجش از دور با استفاده از Landsat بهبود بخشد. جدای از انتخاب یک پیش تصفیه مناسب، استفاده از روش های مناسب برای تعیین کمیت عدم قطعیت در طول تخمین زیست توده نیز ضروری است. 30 ] استفاده از شبیه‌سازی مونت کارلو را در تحلیل مدل سنتی که برای تخمین AGB در مقیاس منطقه‌ای و ارزیابی عدم قطعیت های مربوطه به طور جداگانه با نمونه گیری و خطاهای مدل کمک می کند. به طور مشابه، ژانگ و همکاران. [ 59 ] عدم قطعیت پنج مدل پیش‌بینی عامل K را با استفاده از آمارهایی مانند MAE، میانگین خطای نسبی (MRE)، ریشه میانگین مربعات خطا (RMSE) و ضریب دقت ( Af ) در هفت خاک معمولی در نیمه گرمسیری چین ارزیابی کرد. علاوه بر این، لی [ 60] از RE برای ارزیابی عدم قطعیت های شبیه سازی رشد محصول و تخمین عملکرد به دلیل استراتژی های مختلف جذب و خطاهای چند منبع استفاده کرد. اطمینان RE و MAE مدتهاست که به عنوان یک شاخص مهم برای ارزیابی عدم قطعیت شناخته شده است.
بررسی تأثیر پیش تصفیه بر عدم قطعیت های مرتبط با استفاده از تصاویر Landsat برای تخمین زیست توده به ایجاد یک راهنمای عملی برای محققان برای برآورد دقیق زیست توده کمک می کند.
بخش باقی مانده از این تحقیق به شرح زیر است: جزئیات مواد، داده ها و روش ها در بخش 2 توضیح داده شده است. در بخش 3 ، آمار عدم قطعیت هر مرحله پیش تصفیه و R2 مدل به تصویر کشیده شده است. ما مکانیسم‌های پشت برخی از پدیده‌های این کار را مورد بحث قرار می‌دهیم و نتیجه‌گیری‌ها را به ترتیب در بخش 4 و بخش 5 خلاصه می‌کنیم .

2. مواد و روشها

2.1. منطقه مطالعه

شهرستان کایهوا (28°54′–29°30′ شمالی، 118°01′-118°37′ شرقی) در استان ژجیانگ، چین واقع شده است. این یک زمین برجسته معمولی از یک منطقه کوهستانی است که عمدتاً گونه های نیمه گرمسیری همیشه سبز است و شامل پوشش منطقه جنگلی 80.54٪ است. این جنگل بارانی آمازون چین شناخته می شود. زمین شهرستان کایهوا تحت تأثیر حرکت زمین ساختی زمین شناسی قرار گرفته است و زمین مرتفع و آشکارا بریده شده است. بیشتر دره ها عمیق و v شکل هستند و شیب های باریک شیب دار هستند که می تواند اثر تصحیح زمین را بهتر برجسته کند.

2.2. داده های لندست

داده های Landsat 8 OLI و Landsat 7 ETM+ (مسیر 120، ردیف 40؛ جدول 1 ) پردازش شده تا سطح L1T از سازمان زمین شناسی ایالات متحده (USGS؛ https://earthexplorer.usgs.gov/ ) به دست آمدند. نوارهای طیفی مورد استفاده در این مطالعه شامل آبی (0.45-0.51μm)، سبز (0.53-0.59μm)، قرمز (0.64-0.67μm)، مادون قرمز نزدیک (NIR؛ 0.85-0.88μm)، مادون قرمز موج کوتاه 1 (SWIR 1). 1.57-1.65 میکرومتر)، و SWIR 2 (2.11-2.29 میکرومتر). یک دوره زمانی همپوشانی بین ETM+ و OLI وجود دارد. استفاده از حسگرهای مختلف لندست برای درک تأثیر پیش تصفیه بر عدم قطعیت های تخمین زیست توده با استفاده از لندست بهتر است.

2.3. داده های میدانی

ارزیابی و پایش منابع ملی جنگل معمولاً به عنوان فهرست ملی جنگل (NFI) شناخته می شود. در بسیاری از کشورها، NFI به بخش مهمی از زیرساخت اطلاعات ملی تبدیل شده است [ 61 ، 62 ، 63 ، 64 ]. در چین، NFI در سال 1973 آغاز شد و به طور گسترده به عنوان یک مجموعه داده قدرتمند و مناسب برای محاسبه زیست توده جنگل در مقیاس بزرگ شناخته شده است [ 65 ، 66 ، 67 ، 68 ، 69 ]. NFI تقریباً هر پنج سال یک بار از اواخر دهه 1970 انجام می شود و هشتمین NFI برای دوره 2009-2013 انجام شده است [ 70 ]]. در حال حاضر تمامی استان ها از طرح نمونه گیری سیستماتیک و کرت های صحرایی دائمی استفاده می کنند. قطعات دائمی در استان ژجیانگ از طریق شبکه 4 × 6 کیلومتر، از 0.08 هکتار در هر اندازه قطعه (28.28 × 28.28 متر) ایجاد شد. این مطالعه از NFI هشتم (NFI 2014) استفاده کرد. در مجموع 96 قطعه نمونه به طور مساوی در منطقه مورد مطالعه و 35 قطعه بدون نوار توزیع شد. ما فرض کردیم که داده های کرت های نمونه ارزش واقعی زیست توده (محدوده زیست توده از 0 تا 284.22 تن در هکتار) است.
ما متذکر شدیم که ETM+ در 31 مه 2003 در اثر شکست تصحیح کننده خطوط اسکن (SLC) آسیب دید. نوار داده گم شد و تصویر به طور جدی راه راه شد. برای کنترل هر چه بیشتر متغیرها و کاهش تداخل و عوامل تأثیرگذار، 35 قطعه نمونه بدون نوار را به عنوان داده نمونه انتخاب کردیم ( شکل 1 ). در نتیجه، مکان طرح نمونه اساساً در مقایسه با داده‌های واقعی پس از تصحیح هندسی سازگار بود.

2.4. طرح آزمایشی

بر اساس Landsat (OLI، ETM)، ما تحقیقات عدم قطعیت قبل از تصفیه را بر روی تخمین زیست توده انجام دادیم، سپس اثرات پیش تیمارهای مختلف را بر عدم قطعیت تخمین زیست توده با استفاده از تصاویر Landsat ارزیابی و کمی کردیم. ما دو تصویر صحنه، OLI و ETM+ را به‌عنوان داده‌های سنجش از راه دور اصلی انتخاب کردیم و از همان تصحیح هندسی، کالیبراسیون رادیومتری، تصحیح جوی (FLAASH) و تصحیح زمین (C-correction) پیش پردازش برای تصاویر استفاده کردیم. پس از یک مرحله پیش پردازش، داده های تصویر اصلی برای تخمین زیست توده و محاسبه RE، MAE، و R2 از مقادیر واقعی زیست توده و زیست توده مورد استفاده قرار گرفت. تفاوت در RE بین هر مرحله و مرحله پیش تصفیه قبلی، عدم قطعیت تخمین زیست توده است.

2.5. مدل سازی تصادفی جنگل

RF یک رویکرد یادگیری ماشینی مبتنی بر درختان تصمیم است که نشان داده شده است که دقت پیش‌بینی بالایی را برای تخمین زیست توده ارائه می‌کند [ 71 ، 72 ، 73 ، 74 ، 75 ، 76 ]. RF از مشکل بیش از حد برازش در یادگیری درخت تصمیم جلوگیری می کند و تحمل بالایی در برابر نویز و نقاط پرت دارد. ما از الگوریتم یادگیری ماشین RF همانطور که در بسته R randomForest [ 77 ] پیاده سازی شده است استفاده کردیم. در این مطالعه از 2000 درخت (ntree) در مدلسازی RF استفاده شد. برای پارامتر mtry (یعنی تعداد متغیرهایی که باید در هر گره آزمایش شوند)، از مقدار پیش‌فرض جذر تعداد کل متغیرهای پیش‌بین استفاده شد [ 71 ] پیاده سازی شده است استفاده کردیم. پارامتر node-size روی مقدار 5 تنظیم شد.

2.6. متغیرهای پیش بینی سنجش از راه دور

در این مقاله با مراجعه به ادبیات پژوهش، 5 نوع شاخص پوشش گیاهی برای تخمین زیست توده انتخاب شد ( جدول 2 ). تمام شاخص های پوشش گیاهی برای برآورد AGB استفاده شد. ما یک مدل رگرسیون بر اساس مجموعه داده NFI و شاخص‌های پوشش گیاهی ساختیم. برای مدل رگرسیونی از شاخص های پوشش گیاهی به عنوان متغیر مستقل استفاده شد.

2.7. ارزیابی دقت و شاخص های ارزیابی

توانایی پیش‌بینی همه مدل‌ها با استفاده از اعتبارسنجی متقاطع 10 برابری (10٪ داده‌های مرجع) ارزیابی شد. یعنی در هر دور برآورد زیست توده، داده ها (داده های نمودار نمونه و متغیرهای سنجش از دور) به 10 قسمت تقسیم شدند. یکی از آنها را به عنوان نمونه تست انتخاب کنید و بقیه به عنوان نمونه آموزشی در نظر گرفته می شود. سپس 10 آموزش به صورت متوالی انجام می شود. در هر دور ده نتیجه از هر شاخص ارزیابی به دست آمد و مقدار میانگین به عنوان نتیجه نهایی در نظر گرفته شد. رویکرد اعتبار سنجی متقاطع بر اساس کل مجموعه داده مرجع است، به جای استفاده از زیرمجموعه های داده های آموزشی و اعتبار سنجی جداگانه، که زمانی که داده های مرجع محدود وجود دارد یک رویکرد مفید است [ 83 ]]. برای اطمینان از صحت و اعتبار داده ها، این مطالعه برای 100 دور چرخه شد. سه معیار دقت تخمین زیست توده از اعتبارسنجی متقابل 10 برابری، از جمله R2 ، MAE، و RE محاسبه شد.

2.8. واریانس

در این مطالعه، ما به دنبال ارزیابی عدم قطعیت های تخمین زیست توده در پیش تصفیه با استفاده از تصاویر Landsat 8 OLI و Landsat 7 ETM+ بر اساس دو شاخص (RE و MAE) بودیم.

پیش پردازش تصویر سنجش از دور لندست به چهار مرحله تقسیم می شود: تصحیح هندسی، کالیبراسیون تشعشع، تصحیح جوی و تصحیح زمین. در این مطالعه، تصاویر اصلی OLI و ETM+ و نتایج کالیبراسیون تشعشع، تصحیح اتمسفر، و تصحیح زمین برای تخمین زیست توده برای تجزیه و تحلیل بهتر عدم قطعیت تخمین زیست توده استفاده شد. علاوه بر این، دقت RE، MAE و مدل ( R2) زیست توده برآورد شده و زیست توده واقعی زمین نمونه در هر مرحله محاسبه شد. خطای نسبی هر مرحله عدم قطعیت تخمین زیست توده سنجش از دور در این مرحله است. عدم قطعیت ناشی از پیش تیمارهای مختلف را می توان با محاسبه تفاوت بین خطای نسبی نتایج پیش تیمار مرحله قبل اندازه گیری کرد. نتایج مورد تجزیه و تحلیل آماری قرار گرفتند.

آر2=∑ni = 1(yمن–y¯من)2(y^من–y^¯من)2∑ni = 1(yمن–y¯من)2∑ni = 1(y^من–y^¯من)2آر2=∑من=1n(yمن-y¯من)2(y^من-y^¯من)2∑من=1n(yمن-y¯من)2∑من=1n(y^من-y^¯من)2
MAE =∑ni = 1|y^من–yمن|nMAE=∑من=1n|y^من-yمن|n
RE =∑ni = 1|y^من–yمن|n ×yمنRE=∑من=1n|y^من-yمن|n×yمن

جایی که yمنyمنارزش زیست توده کرت است، y^منy^منمقدار زیست توده نمودار پیش بینی شده است، y¯منy¯منمیانگین است yمنyمن، y^¯منy^¯منمیانگین است y^منy^منو n تعداد نمونه ها است.

3. نتایج

3.1. تخمین زیست توده از داده های خام

مقدار R2 از نتایج تخمین زیست توده برای تصاویر اصلی ETM+ و OLI توسط نمودار خط تاشو شکل 2 a ,b توصیف شده است. نتایج نشان می‌دهد که: (الف) زیست توده اولیه برآورد شده با استفاده از تصاویر OLI دارای دقت کلی بالاتری نسبت به ETM+ است (OLI: 0.86~0.88، ETM+: 0.84~0.85). (ب) دقت دو مدل یک نوسان شدید را به دنبال توزیع یکنواخت مقادیر زیاد، متوسط ​​و پایین نشان داد (OLI: 0.0001~1، ETM+: 0.000007~1). دقت تخمین زیست توده با استفاده از مدل‌های سنجش از دور مبتنی بر داده‌های تصویر خام OLI و ETM+ ناپایدار بود، زیرا 23% و 24% به ترتیب کمتر از میانگین 1 انحراف استاندارد (SD) بودند ( جدول 3 شکل 2). ). MAE تخمین زیست توده برای تصاویر اصلی ETM+ و OLI با استفاده از یک خط چین ارائه شده در ج، د. نتایج ETM+ و OLI تقریبی بود. (ج) در OLI، بر اساس نمونه آموزشی 24.48 تا 25.03 تن در هکتار، مقدار متوسط ​​24.73 تن در هکتار و عدم قطعیت تخمین زیست توده حدود 21.05٪ ثبت شد. در ETM+، یک نمونه آموزشی 25.19 تا 25.74 تن در هکتار به مقدار متوسط ​​25.47 تن در هکتار با عدم قطعیت حدود 23.48٪ منجر شد. (د) MAE هر دو OLI و ETM + نوسانات زیادی با تعداد نسبتاً زیادی نقاط پرت نشان داد. در OLI، مقدار متوسط ​​1/47 تن در هکتار با عدم قطعیت حدود 70/33 درصد، نتایج 15 دور با مقادیر MAE بیشتر از میانگین 1 انحراف استاندارد داشتند. در ETM+، مقدار متوسط ​​50.3 تن در هکتار با عدم قطعیت حدود 34.28 درصد، نتایج 14 دور با مقادیر MAE بیشتر از میانگین 1 انحراف استاندارد داشتند. در مقایسه با شکل 2 b، متوجه شدیم که مقدار MAE بالا با R2 پایین مطابقت داردارزش نمونه آزمایشی MAE یک همبستگی منفی با R2 نشان داد و با تغییر R2 بسیار آشفته شد . به طور خلاصه، تخمین زیست توده برای داده‌های خام OLI و ETM+ کاملاً دقیق نبود، با نتایج نشان‌دهنده عدم قطعیت بالا. MAE با R2 همبستگی منفی نشان داد .

3.2. تخمین زیست توده از کالیبراسیون رادیومتری

نتایج R2 در تخمین زیست توده به دنبال کالیبراسیون رادیومتری تصاویر ETM+ و OLI در شکل 3 a ,b ارائه شده است. نتایج نشان می دهد که: (الف) R2 از هر دو ETM + و OLI یک روند نزولی جزئی با یک خط چین بالا داشت. به ویژه، OLI بین 0.84 و 0.85 کاهش یافت در حالی که در ETM+ به 0.83 تا 0.84 کاهش یافت. (ب) علاوه بر این، دقت دو مدل یک نوسان مشخص نشان داد (OLI: 0.0001~1، ETM+: 0.00004~1). با وجود این ناپایداری در دقت مدل، مقدار میانگین افزایش کمی را نشان داد و مقایسه با تصاویر اصلی فرکانس کمتر و روند بهبود یافته را نشان داد. جزئیات را می توان در یافت جدول 3 یافت، SD کاهش یافت. این یافته‌ها نشان می‌دهد که کالیبراسیون رادیومتری دقت مدل‌های تخمین زیست توده OLI و ETM+ را اندکی کاهش می‌دهد، اما همچنان دقت بالایی را حفظ می‌کند.
تجزیه و تحلیل بیشتر از MAE تخمین زیست توده به دنبال کالیبراسیون رادیومتری نتایج مشابهی را بین ETM+ و OLI به همراه داشت ( شکل 3 c,d). مقایسه با نتایج تصویر اصلی، عدم قطعیت MAE جزئی اما نه قابل توجهی را نشان داد. در OLI (24.82 ~ 25.40 تن در هکتار)، مقدار متوسط ​​25.07 تن در هکتار و عدم قطعیت تخمین زیست توده در حدود 21.67٪ تحت کالیبراسیون رادیومتری ثبت شد که افزایش 0.62٪ را به همراه داشت. برای ETM+ (25.00~25.67 تن در هکتار) میانگین مقدار MAE 25.41 تن در هکتار با عدم قطعیت حدود 24.42 درصد بود. این نشان دهنده افزایش 0.94٪ در نوسانات بزرگ و همچنین مقادیر غیرعادی است که بین آنها ثبت شده است و همچنین یک همبستگی منفی با R2 دارد .. در مقایسه با نتایج حاصل از تصاویر اصلی، فراوانی مقادیر غیرعادی کاهش یافت و تعداد دورهایی با مقادیر MAE کمتر از میانگین 1 SD افزایش یافت. علاوه بر این، ارزش غیرعادی نمونه‌های آزمایش کاهش و پایداری آن افزایش یافت. برای OLI، میانگین مقدار MAE 49.4 تن در هکتار با عدم قطعیت در حدود 35.12٪ ثبت شده است که افزایش 1.38٪ را شامل می شود. در ETM+، نسبت عدم قطعیت 36.36 درصد بود که 2.08 درصد افزایش داشت. این مشاهدات نشان می دهد که، پس از کالیبراسیون رادیومتری، MAE و عدم قطعیت تخمین زیست توده افزایش جزئی اما نه قابل توجهی را نشان می دهد.

3.3. تخمین زیست توده پس از استفاده از تصحیح اتمسفر

تجزیه و تحلیل R2 در تخمین زیست توده به دنبال اصلاح اتمسفر، افزایش جزئی در R2 و همچنین بهبود دقت مدل در ETM+ و OLI را نشان داد ( شکل 4 a ,b). (الف) مدل‌ها افزایش قابل توجهی در محدوده خود با 0.87~0.88 و 0.85~0.86 برای OLI و ETM+ ثبت کردند. در مقایسه با نتایج حاصل از تخمین زیست توده پس از کالیبراسیون رادیومتری، تصحیح اتمسفر به طور موثر دقت مدل را بهبود بخشید. (ب) ما همچنین کاهشی را در دو محدوده مشاهده کردیم (OLI: 0.024~1؛ ETM+: 0.00029~1). علاوه بر این، فرکانس کم ارزش با توزیع نسبتاً بالا 0.4~1 کاهش یافت. برای OLI و ETM+، میانگین مقدار افزایش یافته، SD و “> SD” کاهش یافته است ( جدول 3). در محدوده 0.6-1.0، تعداد دور به طور قابل توجهی افزایش یافت. به طور کلی، این نشان داد که تصحیح جوی به طور موثری دقت مدل را در مقایسه با کالیبراسیون رادیومتری بهبود می بخشد.
MAE تخمین زیست توده پس از استفاده از تصحیح اتمسفر روند نزولی را با کاهش عدم قطعیت نشان داد ( شکل 4ج، د). نتایج نشان می دهد که: (ج) کاهش دامنه در OLI در 20.20 تا 20.62 تن در هکتار با مقدار متوسط ​​20.40 تن در هکتار مشاهده شد. عدم قطعیت تخمین زیست توده پس از استفاده از تصحیح اتمسفر حدود 17.89 درصد بود که 3.78 درصد کمتر بود. در ETM+، دامنه به 21.45 تا 21.84 تن در هکتار با مقدار متوسط ​​21.64 تن در هکتار کاهش یافت. عدم قطعیت آن در حدود 20.70% بود که نشان دهنده کاهش معنی دار 3.72% بود. (د) عدم قطعیت نمونه‌های تست OLI حدود 29.56 درصد، حدود 5.56 درصد کمتر بود. در ETM+، عدم قطعیت در حدود 31.95٪، حدود 4.41٪ کمتر بود. مقادیر غیر طبیعی کاهش یافت. در مقایسه با نتایج کالیبراسیون رادیومتری، تعداد MAE (کمتر از 40) به طور قابل توجهی افزایش یافت. میانگین مقادیر 44.0 تن در هکتار و 45.3 تن در هکتار از OLI و ETM+ بود که به طور معنی داری کاهش یافت. علاوه بر این، تعداد دورهایی با مقادیر MAE کمتر از میانگین 1 SD افزایش یافت. یعنی هر چه MAE کمتر باشد، دقت بالاتر است. این یافته ها نشان می دهد که تصحیح اتمسفر می تواند به طور موثر عدم قطعیت OLI و ETM + را کاهش دهد.

3.4. تخمین زیست توده پس از تصحیح زمین

مقادیر R2 تخمین زیست توده، پس از اصلاح زمین، با یک نمودار خطی نشان داده شده است ( شکل 5 a ,b). نتایج نشان می دهد که: (الف) پس از استفاده از تصحیح زمین، تغییر دقت تمایل به پایداری دارد، که اساساً با نتایج تصحیح جوی 0.87~0.88 و 0.85~0.86 برای OLI و ETM+ سازگار است. (ب) فراوانی مقادیر پایین به طور قابل توجهی کاهش یافت، در حالی که فراوانی مقادیر بالا (بیشتر از 0.6) به طور قابل توجهی افزایش یافت. مقدار میانگین نیز افزایش یافت و تعداد دورهای با مقادیر R 2 کمتر از میانگین 1 SD کاهش یافت ( جدول 3 ) که نشان دهنده روند افزایشی دقت است. به طور خلاصه، تصحیح زمین به طور موثر دقت مدل را بهبود بخشید.
تجزیه و تحلیل MAE پس از استفاده از تصحیح زمین یک روند نزولی ثابت با کاهش عدم قطعیت تخمین زیست توده را نشان داد و این نسبت در مقایسه با آنچه پس از تصحیح اتمسفر مشاهده شد کمتر بود ( شکل 5 c,d). به ویژه، نتایج نشان می دهد که: (ج) محدوده MAE کاهش یافته 19.48 تا 19.87 تن در هکتار و میانگین 19.64 تن در هکتار در OLI ثبت شده است. به طور مشابه، عدم قطعیت تخمین زیست توده با استفاده از سنجش از دور پس از اصلاح زمین حدود 16.81٪ بود که 1.08٪ کمتر از اصلاح جوی بود. در ETM+، محدوده MAE به 20.47 تا 21.01 تن در هکتار با مقدار متوسط ​​20.74 تن در هکتار کاهش یافت که نشان دهنده کاهش 2.42 درصدی است. (د) فرکانس مقادیر بالا و غیر طبیعی و همچنین عدم قطعیت به طور قابل توجهی کاهش یافته است. از نتایج به دست آمده درجدول 3 ، که میانگین و SD با تعداد دورهای با مقادیر MAE کمتر از میانگین 1 SD افزایش یافت. تصحیح زمین به میزان زیادی دقت کلی را بهبود بخشید. به همین ترتیب، 28.56% و 30.28% عدم قطعیت را در تخمین زیست توده از OLI و ETM+ مشاهده کردیم. در تصحیح زمین، 10% کاهش یافت. به طور خلاصه، این نتایج نشان داد که تصحیح زمین می تواند به طور موثر عدم قطعیت تخمین زیست توده برای OLI و ETM+ را در طول سنجش از دور کاهش دهد.

4. بحث

اگرچه مطالعات متعددی در مورد تخمین زیست توده جنگل انجام شده است، عدم قطعیت های قابل توجهی در برآوردهای فعلی آنها باقی مانده است. در این مطالعه، اثرات پیش تصفیه (سه مرحله) بر عدم قطعیت تخمین زیست توده از داده‌های سنجش از دور نوری را تحلیل کردیم. MAE و RE برای ارزیابی و تعیین کمیت عدم قطعیت هر پیش تیمار استفاده شد و R2 بیشتر برای ارزیابی دقت مدل مورد تجزیه و تحلیل قرار گرفت.
در سال های اخیر، جنگل تصادفی به عنوان یک روش طبقه بندی موثر در حوزه سنجش از دور محبوبیت پیدا کرده است [ 84 ، 85 ، 86 ]. نتایج حاصل از مطالعه ما علاوه بر این تأیید می کند که مجموعه جنگل تصادفی یک روش قوی و دقیق برای کاربردهای نوع رگرسیون نیز هست.
تجزیه و تحلیل مقایسه ای یافته های ما نشان داد که تخمین زیست توده جنگل بر اساس روش اعتبارسنجی متقاطع 10 برابری از دقت مدل بالایی برخوردار است و این به طور دقیق تأثیر متفاوت هر پیش تیمار را بر عدم قطعیت های مشاهده شده از OLI و ETM + منعکس می کند. در این مطالعه، تصاویر اصلی OLI و ETM+ برای تخمین زیست توده به ترتیب 21.05% و 23.45% عدم قطعیت در نمونه آموزشی و با عدم قطعیت با 33.70% و 34.28% در نمونه آزمایشی داشتند. چندین پیشرفت طراحی در OLI نسبت به ابزارهای قبلی Landsat انجام شده است. این پیشرفت‌ها شامل تصویربرداری با جاروبرقی است که نسبت سیگنال به نویز (SNR) را بهبود می‌بخشد، پالایش باندهای طیفی برای جلوگیری از ویژگی‌های جذب جوی،87 ]. به همین دلیل، تصویر اصلی OLI عدم قطعیت کمتری نسبت به ETM+ در طول تخمین زیست توده دارد.
کالیبراسیون رادیومتری منجر به کاهش جزئی در دقت مدل‌های OLI و ETM+، MAE بدون تغییر، و افزایش جزئی عدم قطعیت تخمین زیست توده شد. مارکهام و همکاران [ 58] اثر عدم قطعیت کالیبراسیون درخشندگی را بررسی کرد که پس از کالیبراسیون بازتاب به حدود 2٪ کاهش یافت. هنگام دریافت تابش خورشیدی و تبدیل آن به مقادیر DN، حسگر Landsat به دلیل محدودیت عرض بیت داده (OLI: 12 بیت، ETM+: 8 بیت) مستعد اشباع بیش از حد است. ممکن است این دلیلی باشد که ETM+ منجر به عدم قطعیت بیشتر از OLI می شود. در این مطالعه، ما در نظر گرفتیم که کالیبراسیون رادیومتریک مقدار DN تصویر اصلی را به مقدار درخشندگی تبدیل می‌کند. فرآیند بازتاب تحت تأثیر عدم قطعیت و اشباع احتمالی داده های اصلی است. این به نوبه خود منجر به افزایش عدم قطعیت تخمین زیست توده می شود، اگرچه این تغییر کوچک است. کالیبراسیون رادیومتری منجر به افزایش بی ثباتی دقت در مدل نمونه آزمایشی تا حد معینی در مقایسه با تصویر اصلی می شود. این تأثیر کمتری بر عدم قطعیت تخمین زیست توده دارد.
تصحیح اتمسفر می تواند تأثیر عواملی از جمله اتمسفر و روشنایی را بر انعکاس سطح از بین ببرد. این منجر به پارامترهای مدل فیزیکی دقیق تر مانند بازتاب سطح و روشنایی تابش می شود. غلام و همکاران [ 88 ] از تصحیح اتمسفر 6S برای کاهش عدم قطعیت در انتقال امواج الکترومغناطیسی و به طور موثر حذف اغتشاشات از تصاویر ETM+ هندسی و تصحیح شده سیستمی استفاده کرد. گزارش‌های دیگر نشان داده‌اند که پس از تصحیح اتمسفر، نتایج MAE به طور قابل‌توجهی کمتر از کالیبراسیون رادیومتریک است و دقت مدل به طور قابل‌توجهی بهبود یافته است [ 89 ، 90 ]]. در مطالعه حاضر، عدم قطعیت در هر دو مدل به طور قابل‌توجهی کاهش یافت، که نشان می‌دهد تصحیح جوی به طور موثری دقت تخمین را بهبود بخشیده و عدم قطعیت تخمین زیست توده را با استفاده از Landsat کاهش می‌دهد. زو و همکاران [ 91 ] پیشنهاد کرد که اصلاح اتمسفر بهبود یافته و طرح‌های حذف بازتاب سطح ممکن است عدم قطعیت ایجاد شده توسط سطح آب را کاهش دهد. بر اساس نتایج ما، نتیجه می‌گیریم که روش اصلاح جوی بهبود یافته مؤثرترین روش برای کاهش بیشتر عدم قطعیت در طول تخمین زیست توده است.
علاوه بر این، یافته های مطالعه حاضر نشان داد که MAE و عدم قطعیت تخمین زیست توده از سنجش از دور OLI و ETM+ روند مشابهی را پس از تصحیح زمین با آنچه که پس از تصحیح جوی ثبت شد نشان داد. دقت نیز ثابت بود. با این حال، تصحیح زمین منجر به اثر قابل توجهی بالاتر بر کاهش عدم قطعیت در تخمین زیست توده ETM + در مقایسه با OLI شد. تصاویر مورد استفاده در این مطالعه در زمان نزدیک انتخاب شدند، اما یک تفاوت زمانی هشت روزه وجود داشت. منطقه کوهستانی این مطالعه موج‌دار بوده و دره‌ها عمدتاً شیب‌دار با شکل «V» بودند. اگرچه این اثر تصحیح زمین را بهتر منعکس می‌کند، اما نشان می‌دهد که این اثر به شرایط تصویربرداری حساس‌تر است.
نتایج ما بیشتر نشان داد که پیش پردازش دقت مدل تخمین زیست توده را نسبت به مرحله قبل بهبود بخشید. تغییرات R2 تمایل به پایداری پس از تصحیح زمین داشت که با گزارش های قبلی مطابقت دارد [ 92 ] . علاوه بر این، MAE با R2 همبستگی منفی داشت و عدم قطعیت تخمین زیست توده نیز کاهش یافت، که نشان می‌دهد بهبود دقت مدل در کاهش عدم قطعیت تخمین زیست توده مفید است.
اگرچه ما پیش‌بینی کردیم که سه پیش تصفیه می‌توانند همان اثرات عدم قطعیت را در طول تخمین زیست توده در سایر تصاویر نوری نشان دهند. در این مطالعه، ما تنها از یک مدل اصلاحی برای هر پیش تیمار استفاده کردیم. تفاوت در انتخاب مدل تصحیح برای پیش تصفیه ممکن است اثرات متفاوتی ایجاد کند، بنابراین بر عملکرد کاهش عدم قطعیت تخمین زیست توده تأثیر می گذارد. ما باید تلاش‌های بیشتری را در آینده برای درک تأثیر مدل‌های اصلاحی مختلف بررسی کنیم. علاوه بر این، ما فرض کردیم که داده‌های نمودارهای نمونه، ارزش واقعی زیست توده است. در واقع یک خطای اندازه گیری اجتناب ناپذیر بین داده های نمودار نمونه و مقدار واقعی وجود دارد و غیر قابل پیش بینی و اجتناب ناپذیر است. مقادیر عددی عدم قطعیت ممکن است تفاوت هایی داشته باشند. مقدار قطعات نمونه در یک منطقه مورد مطالعه نیز ممکن است بر نتایج ارزیابی تأثیر بگذارد. جمع آوری و استفاده از مجموعه داده های Landsat آسان است. تلاش بیشتری برای درک بهتر رفتار در پیش درمانی مورد نیاز است.

5. نتیجه گیری ها

تکنیک‌های سنجش از دور مزایای زیادی در تخمین زیست توده نسبت به روش‌های اندازه‌گیری میدانی سنتی دارند و پتانسیل تخمین زیست توده را در مقیاس‌های مختلف فراهم می‌کنند. با این حال، هنوز نیاز به بهبود دقت برآوردهای زیست توده وجود دارد [ 93 ، 94 ]. بر اساس زمان مجاور OLI، تصاویر ETM+ و داده‌های NFI 2014، ما از مدل RF و روش اعتبارسنجی متقاطع 10 برابری برای تعیین اثرات پیش تیمارهای مختلف بر عدم قطعیت تخمین زیست توده با استفاده از تکنیک‌های سنجش از دور اجرا شده با ماهواره‌های سری Landsat استفاده کردیم. OLI، ETM+). نتیجه گیری به شرح زیر است:
  • در این مطالعه با توجه به نتایج نمونه آموزشی، با استفاده از تصاویر اصلی OLI و ETM+ به ترتیب 21.05% و 23.45% عدم قطعیت در تخمین زیست توده مشاهده شد. برای نمونه آزمایشی به ترتیب عدم قطعیت 70/33 درصد و 28/34 درصد به دست آمد. سه پیش تصفیه می توانند به طور موثری ثبات دقت مدل را بهبود بخشند. تصحیح اتمسفر فرآیند اصلی برای کاهش عدم قطعیت زیست توده سنجش از دور در مرحله پیش تصفیه بود. در نمونه تمرینی، این عدم قطعیت را به ترتیب 3.78% و 3.72% برای OLI و ETM+ کاهش داد، در مقابل 5.56% و 4.41% در نمونه آزمایش، تصحیح زمین می‌تواند عدم قطعیت تخمین زیست توده OLI را کاهش دهد (نمونه آموزشی: 1.08 ٪، نمونه آزمایش: 1.00٪ و ETM+ (نمونه آموزشی: 2.42٪، نمونه آزمایش: 1.67٪). از سوی دیگر،
  • کالیبراسیون رادیومتریک و همچنین تصحیحات جوی و زمینی ویژگی های اساسی ثابتی را با توجه به عدم قطعیت تخمین زیست توده با استفاده از سنجش از دور در ماهواره های سری Landsat (OLI، ETM+) نشان داد. کالیبراسیون رادیومتریک می تواند کمی عدم قطعیت را افزایش دهد، در حالی که تصحیح جوی و زمین می تواند به طور قابل توجهی عدم قطعیت را کاهش دهد و اثرات مشابهی داشته باشد.
  • اصلاح اتمسفر یک وسیله اولیه برای کاهش عدم قطعیت تخمین زیست توده در طول پیش تصفیه بود، و بنابراین نتیجه می گیریم که روش اصلاح جوی بهبود یافته برای کاهش بیشتر عدم قطعیت در طول تخمین زیست توده مفید است. با این حال، تأثیر زاویه ارتفاع خورشیدی باید در هنگام انجام تصحیح زمین در نظر گرفته شود و انتخاب یک تصویر نوری مناسب برای بهبود دقت پیش‌بینی توصیه می‌شود.
ما معتقدیم که ارزیابی عدم قطعیت ارائه شده در این مطالعه به راحتی می تواند به تخمین و تجزیه و تحلیل داده های زیست توده از سایر حسگرهای فضا یا هوا منتقل شود. به ویژه، ارزیابی‌های مربوط به تخمین تصحیح اتمسفر منبع اصلی عدم قطعیت در مرحله پیش پردازش قبل از تخمین زیست توده خواهد بود. این باید در تخمین زیست توده در آینده با استفاده از سنجش از راه دور در نظر گرفته شود. در این مطالعه، تلاش های قابل توجهی در عدم قطعیت تخمین زیست توده با استفاده از سنجش از دور Landsat بر روی مرحله پیش پردازش متمرکز شده است. در آینده، ما انتظار داریم که بینش جدیدی در مورد علل عدم قطعیت های پس از کالیبراسیون رادیومتریک و همچنین تصحیح جو و زمین ارائه شود.

منابع

  1. آچارد، اف. اوا، HD; مایو، پی. استیبیگ، اچ جی; Belward، A. برآوردهای بهبود یافته از انتشار خالص کربن از تغییر پوشش زمین در مناطق استوایی برای دهه 1990. گلوب. بیوژئوشیمی. Cycles 2004 , 18 . [ Google Scholar ] [ CrossRef ]
  2. فرلکینگ، اس. کاخ، مگاوات؛ کلارک، دی بی؛ چمبرز، جی کیو. شوگارت، اچ. Hurtt، GC جنگل اختلال و بازیابی: یک بررسی کلی در زمینه سنجش از راه دور فضابردی اثرات بر روی زیست توده بالای زمینی و ساختار تاج پوشش. جی. ژئوفیس. Res. Biogeosci. 2015 ، 114 ، 544. [ Google Scholar ] [ CrossRef ]
  3. هانسن، ام سی; پوتاپوف، PV؛ مور، آر. هنچر، م. توروبانوا، SA; تیوکاوینا، آ. تاو، دی. Stehman، SV; گوتز، اس جی. لاولند، TR نقشه های جهانی با وضوح بالا از تغییر پوشش جنگلی قرن بیست و یکم. Science 2014 ، 342 ، 850-853. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  4. Houghton، RA زیست توده جنگلی فرازمینی و تعادل جهانی کربن. گلوب. چانگ. Biol. 2010 ، 11 ، 945-958. [ Google Scholar ] [ CrossRef ]
  5. هسه، س. لوچت، دبلیو. اشمولیوس، سی. بارنزلی، ام. دبیه، ر. Knorr، D.; نویمان، ک. ریدل، تی. Schröter, K. نقشه برداری زیست توده جهانی برای درک بهتر تعادل co 2- ماموریت مشاهده زمین کربن-3d. سنسور از راه دور محیط. 2005 ، 94 ، 94-104. [ Google Scholar ] [ CrossRef ]
  6. Sedjo، RA چرخه کربن و اکوسیستم جهانی جنگل. آلودگی خاک هوای آب 1993 ، 70 ، 295-307. [ Google Scholar ] [ CrossRef ]
  7. Waring، RH; Running, SW Forest Ecosystems, Analysis at Multiple Scales , 3rd ed.; الزویر: بوستون، MA، ایالات متحده آمریکا؛ مطبوعات دانشگاهی: آمستردام، هلند، 2007; صص 347-408. [ Google Scholar ]
  8. شلمادینگر، بی. مارلند، جی. نقش استراتژی های جنگل و انرژی زیستی در چرخه جهانی کربن. Biomass Bioenergy 1996 ، 11 ، 275-300. [ Google Scholar ] [ CrossRef ]
  9. برینک، ک. فیشر، آر. گرونولد، جی. لمان، اس. Dantas، DPM; پوتز، اس. سکستون، جو. آهنگ، دی. Huth، A. تجزیه و تحلیل با وضوح بالا از تکه تکه شدن جنگل های استوایی و تاثیر آن بر چرخه جهانی کربن. نات. اشتراک. 2017 ، 8 ، 14855. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  10. گیبس، هنگ کنگ؛ براون، اس. نایلز، جی. Foley، JA نظارت و برآورد ذخایر کربن جنگل های استوایی: تبدیل قرمز به واقعیت. محیط زیست Res. Lett. 2007 , 2 , 045023. [ Google Scholar ] [ CrossRef ]
  11. ماندلز، ام. وبر، جی. Parizek, R. تحقق استراتژی ملی redd+ و گزینه های سیاست. سنت. بین المللی برای. Res. 2009 ، 18 ، 6362-6369. [ Google Scholar ]
  12. گامپنبرگر، ام. وهلند، ک. حیدر، یو. پولتر، بی. میسی، ک. رامیگ، ا. پاپ، ا. کرامر، دبلیو. پیش‌بینی تغییرات آب و هوای گرمسیری ناشی از افزایش و زیان جنگل – پیامدهایی برای REDD. محیط زیست Res. Lett. 2018 ، 5 ، 014013. [ Google Scholar ] [ CrossRef ]
  13. گالیدکی، جی. زیانیس، د. گیتاس، آی. رادوگلو، ک. کاراتاناسی، وی. تساکیری – استراتی، م. وودهاوس، آی. Mallinis، G. تخمین زیست توده گیاهی با سنجش از دور: تمرکز بر جنگل و دیگر زمین های جنگلی بر روی اکوسیستم مدیترانه. بین المللی J. Remote Sens. 2017 ، 38 ، 1940-1966. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  14. لو، دی. چن، کیو. وانگ، جی. لیو، ال. لی، جی. موران، ای. بررسی روش‌های تخمین زیست توده زیرزمینی مبتنی بر سنجش از دور در اکوسیستم‌های جنگلی. بین المللی جی دیجیت. زمین 2014 ، 9 ، 63-105. [ Google Scholar ] [ CrossRef ]
  15. چاو، جی. Réjou-Méchain، M. بورکز، آ. چیدومایو، ای. کلگان، ام اس; دلیتی، WBC؛ دوک، ا. عید، ت. Fearnside، PM; Goodman، RC مدل های آلومتریک را برای تخمین زیست توده بالای زمینی درختان گرمسیری بهبود بخشید. گلوب. چانگ. Biol. 2015 ، 20 ، 3177-3190. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  16. آلوز، LF; ویرا، SA; Scaranello، MA; کامارگو، PB; سانتوس، فام؛ جولی، کالیفرنیا؛ مارتینلی، ساختار جنگل LA و تنوع زیست توده بالای زمینی در امتداد شیب ارتفاعی جنگل مرطوب استوایی اقیانوس اطلس (برزیل). برای. Ecol. مدیریت 2010 ، 260 ، 679-691. [ Google Scholar ] [ CrossRef ]
  17. کومار، ال. Mutanga، O. سنجش از دور زیست توده بالای زمین. Remote Sens. 2017 , 9 , 935. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. اولیوراس، آی. اندرسون، لو. Malhi, Y. کاربرد سنجش از دور برای درک رژیم های آتش سوزی و انتشارات سوزاندن زیست توده از آندهای گرمسیری. گلوب. بیوژئوشیمی. چرخه 2014 ، 28 ، 480-496. [ Google Scholar ] [ CrossRef ]
  19. Fry, JC 2 روش های مستقیم و تخمین زیست توده. روش ها Microbiol. 1990 ، 22 ، 41-85. [ Google Scholar ]
  20. براون، اس. گیلسپی، ای جی; روش‌های تخمین زیست توده Lugo، AE برای جنگل‌های استوایی با کاربردهایی برای داده‌های موجودی جنگل. برای. علمی 1989 ، 35 ، 881-902. [ Google Scholar ]
  21. سیدل، دی. فلک، اس. لوشنر، سی. Hammett, T. بررسی روش های زمینی برای اندازه گیری توزیع زیست توده در سایبان های جنگلی. ان برای. علمی 2011 ، 68 ، 225-244. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  22. دورانته، پی. مارتین-آلکون، اس. گیل تنا، ع. الگیت، ن. تومه، جی ال. ریکورو، ال. Palacios-Orueta، A.; Oyonarte, C. بهبود نقشه‌های زیست توده جنگلی روی زمین: از وضوح بالا تا مقیاس ملی. Remote Sens. 2019 , 11 , 795. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  23. O’Donnell، JPR; Schalles، JF بررسی رانندگان غیر زنده و تأثیر آنها بر زیست توده آلترنی فلورا اسپارتینا در یک دوره بیست و هشت ساله با استفاده از تصاویر ماهواره ای Landsat 5 TM از ساحل مرکزی جورجیا. Remote Sens. 2016 , 8 , 477. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  24. Lu, D. تخمین زیست توده بالای زمین با استفاده از داده های landsat tm در آمازون برزیل. بین المللی J. Remote Sens. 2005 ، 26 ، 2509-2525. [ Google Scholar ] [ CrossRef ]
  25. ناست، ای. گوباکن، تی. Bollandsås، OM; گرگوار، تی جی; نلسون، آر. Ståhl, G. مقایسه دقت تخمین‌های زیست توده در بررسی‌های نمونه میدانی منطقه‌ای و بررسی‌های هوایی به کمک لیدار در شهرستان هدمارک، نروژ. سنسور از راه دور محیط. 2013 ، 130 ، 108-120. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  26. اونیسیمو، م. الهادی، ع. Cho, AM تخمین زیست توده با چگالی بالا برای پوشش گیاهی تالاب با استفاده از تصاویر جهان بینی-2 و الگوریتم رگرسیون جنگل تصادفی. بین المللی J. Appl. زمین Obs. Geoinf. 2012 ، 18 ، 399-406. [ Google Scholar ]
  27. Shi, W. اصول مدل‌سازی عدم قطعیت‌ها در داده‌های مکانی و تحلیل‌های فضایی . CRC Press: Boca Raton، CA، USA، 2009. [ Google Scholar ]
  28. هیل، TC; ویلیامز، ام. بلوم، AA; میچارد، ای تی. رایان، سی ام آیا برآوردهای زیست توده روی زمین مبتنی بر موجودی و سنجش از راه دور سازگار هستند؟ PLoS ONE 2013 ، 8 ، e74170. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  29. Tjelmeland، S. مدلی برای عدم قطعیت در مورد تخمین سالانه ترال-آکوستیک زیست توده کاپلین دریایی بارنتز، مالوتوس ویلوسوس (مولر). ICES J. Mar. Sci. 2002 ، 59 ، 1072-1080. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  30. Yu, F. تخمین زیست توده بالای زمین و عدم قطعیت ها در مقیاس منطقه ای با روش تجزیه و تحلیل مدل بهبود یافته. هوبی برای. علمی تکنولوژی 2018 ، 47 ، 1-4. [ Google Scholar ]
  31. یو، اف. یوانکای، ال. Weisheng، Z. ارزیابی عدم قطعیت در تخمین زیست توده بالای زمین در مقیاس منطقه ای صنوبر چینی. علمی سیلوا سین. 2014 ، 50 ، 79-86. [ Google Scholar ]
  32. Kaufman, Y. اثر ابرهای زیرپیکسلی بر سنجش از دور. بین المللی J. Remote Sens. 1987 , 8 , 839-857. [ Google Scholar ] [ CrossRef ]
  33. آرویدسون، تی. گووارد، اس. گاش، جی. ویلیامز، دی. لندست-7 طرح بلندمدت اکتساب رادیومتری-تکامل در طول زمان. فتوگرام مهندس Remote Sens. 2006 ، 72 ، 1137-1146. [ Google Scholar ] [ CrossRef ]
  34. ناگل، جی آر. سکستون، جو. کیم، دی اچ. آناند، ا. مورتون، دی. ورموت، ای. اثرات دوطرفه تاونشند، جی آر در تخمین بازتاب لندست: آیا مشکلی برای حل وجود دارد؟ ISPRS J. Photogramm. Remote Sens. 2015 ، 103 ، 129-135. [ Google Scholar ] [ CrossRef ]
  35. روی، DP; جو، جی. لوئیس، پی. شاف، سی. گائو، اف. هانسن، ام. لیندکویست، E. ترکیب داده‌های مودیس-لندسات چند زمانی برای نرمال‌سازی رادیومتری نسبی، پر کردن شکاف و پیش‌بینی داده‌های لندست. سنسور از راه دور محیط. 2008 ، 112 ، 3112-3130. [ Google Scholar ] [ CrossRef ]
  36. استیون، دکتر مالتوس، تی جی; بارت، اف. هوی، ایکس. خرد کردن، MJ بین کالیبراسیون شاخص های پوشش گیاهی از سیستم های حسگر مختلف. سنسور از راه دور محیط. 2003 ، 88 ، 412-422. [ Google Scholar ] [ CrossRef ]
  37. تاکر، سی جی; پینزون، جی. براون، من؛ Slayback، DA; پاک، EW; ماهونی، آر. Vermote، EF; Saleous، NE یک مجموعه داده NDVI 8 کیلومتری AVHRR که با داده‌های MODIS و NDVI پوشش گیاهی SPOT سازگار است. بین المللی J. Remote Sens. 2005 ، 26 ، 4485-4498. [ Google Scholar ] [ CrossRef ]
  38. روی، DP; بوراک، جی اس؛ Devadiga, S. رویکرد ارزیابی کیفیت محصول زمین مدیس. سنسور از راه دور محیط. 2002 ، 83 ، 62-76. [ Google Scholar ] [ CrossRef ]
  39. روی، DP; کووالسکی، وی. ژانگ، هنگ کنگ؛ Vermote، EF; یان، ال. کومار، اس.اس. Egorov، A. خصوصیات طول موج بازتابی landsat-7 به landsat-8 و تداوم شاخص گیاهی تفاوت نرمال شده. سنسور از راه دور محیط. 2016 ، 185 ، 57-70. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  40. چاو، جی. دیویس، اس جی. فیلیپس، OL; لوئیس، اس ال. سیست، پ. شپاچنکو، دی. آرمستون، جی. بیکر، TR; کومز، دی. دیزنی، ام. داده های زمینی برای ماموریت های سنجش از راه دور زیست توده ضروری هستند. Surv. ژئوفیز. 2019 . [ Google Scholar ] [ CrossRef ]
  41. ون، BM; رانسین، جی. کریون، دی. بونگرز، اف. هال، JS برآورد ذخایر کربن در جنگل های ثانویه: تصمیمات و عدم قطعیت های مرتبط با مدل های زیست توده آلومتریک. برای. Ecol. مدیریت 2011 ، 262 ، 1648-1657. [ Google Scholar ]
  42. سندور، آر. بارسا، ز. آکوتیس، ام. دورو، ال. هیدی، دی. کوچی، ام. مینه، جی. للی-کواچ، ای. ما، س. Perego، A. شبیه سازی چند مدل دمای خاک، محتوای آب خاک و زیست توده در علفزارهای یورو مدیترانه: عدم قطعیت ها و عملکرد مجموعه. یورو جی. آگرون. 2017 ، 88 ، 22-40. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  43. برایدنباخ، جی. آنتون-فرناندز، سی. پترسون، اچ. مکروبرتس، RE; Astrup، R. کمی سازی تغییرپذیری مربوط به مدل ذخیره زیست توده و برآوردهای تغییر در موجودی جنگل ملی نروژ. برای. علمی 2014 ، 60 ، 25-33. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  44. لو، دی. چن، کیو. وانگ، جی. موران، ای. Saah, D. تخمین زیست توده جنگلی روی زمین با داده های Landsat و lidar و تجزیه و تحلیل عدم قطعیت برآوردها. بین المللی جی. برای. Res. 2012 ، 2012 ، 436537. [ Google Scholar ] [ CrossRef ]
  45. مولتو، کیو. روسی، وی. Blanc, L. انتشار خطا در تخمین زیست توده در جنگل های استوایی. روش ها Ecol. تکامل. 2013 ، 4 ، 175-183. [ Google Scholar ] [ CrossRef ]
  46. فریزر، GW; مگنوسن، اس. Wulder، MA; Niemann, KO تأثیر اندازه قطعه نمونه و خطای ثبت نام مشترک بر دقت و عدم قطعیت برآوردهای مشتق شده از لیدار از زیست توده جنگلی را شبیه سازی کرد. سنسور از راه دور محیط. 2011 ، 115 ، 636-649. [ Google Scholar ] [ CrossRef ]
  47. کلر، ام. قصر، م. Hurtt، G. تخمین زیست توده در جنگل ملی تاپاجوس، برزیل: بررسی نمونه برداری و عدم قطعیت های آلومتریک. برای. Ecol. مدیریت 2001 ، 154 ، 371-382. [ Google Scholar ] [ CrossRef ]
  48. صمیمی، ج. Kraus، T. تخمین زیست توده با استفاده از landsat-tm و -etm+. به سمت یک مدل منطقه ای برای جنوب آفریقا؟ جئوژورنال 2004 ، 59 ، 177-187. [ Google Scholar ] [ CrossRef ]
  49. ژنگ، دی. رادماچر، جی. چن، جی. کلاغ، تی. برسی، ام. Moine، JL; Ryu، SR برآورد زیست توده بالای زمین با استفاده از داده های landsat 7 etm+ در یک چشم انداز مدیریت شده در شمال ویسکانسین، ایالات متحده. سنسور از راه دور محیط. 2004 ، 93 ، 402-411. [ Google Scholar ] [ CrossRef ]
  50. Chenge، IB; اوشو، JS نقشه‌برداری درخت روی زمین از زیست توده و کربن در ذخیره‌گاه جنگل Omo نیجریه با استفاده از داده‌های Landsat 8 oli. جنوب. برای. 2018 ، 80 ، 1-10. [ Google Scholar ] [ CrossRef ]
  51. بلاچو، جی. Svein، S. اریک، ن. ترجه، جی. مارتین، بو. یوهانس، بی. الیاکیمو، ز. William, ME نقشه برداری و برآورد کل زیست توده زنده و کربن در جنگل های کم زیست توده با استفاده از داده های Landsat 8 cdr. کربن بالانس Manag. 2016 ، 11 ، 13. [ Google Scholar ]
  52. میرا، م. اولیوسو، ا. گالیگو-الویرا، بی. کورو، دی. گاریگز، اس. مارلوئی، او. هاگول، او. گیلویک، پی. Boulet, G. ارزیابی عدم قطعیت تابش خالص سطحی به دست آمده از تصاویر Landsat. سنسور از راه دور محیط. 2016 ، 175 ، 251-270. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  53. گرتنر، جی. وانگ، جی. دندان های نیش.؛ اندرسون، AB نقشه برداری و عدم قطعیت پیش بینی ها بر اساس متغیرهای اولیه چندگانه از شبیه سازی مشترک با تصویر landsat tm و رگرسیون چند جمله ای. سنسور از راه دور محیط. 2002 ، 83 ، 498-510. [ Google Scholar ] [ CrossRef ]
  54. فلمینگ، آل. وانگ، جی. Mcroberts، RE مقایسه روش‌های نقشه‌برداری کربن جنگلی چند مقیاسی و تجزیه و تحلیل عدم قطعیت فضایی: ترکیب داده‌های نمودار موجودی جنگل ملی و تصاویر landsat tm. یورو جی. برای. Res. 2015 ، 134 ، 125-137. [ Google Scholar ] [ CrossRef ]
  55. سانچز، JM اعتبارسنجی کالیبراسیون باند حرارتی landsat-7/etm+ و تصحیح اتمسفر با اندازه‌گیری‌های زمینی. IEEE Trans. Geosci. Remote Sens. 2010 , 48 , 547-555. [ Google Scholar ]
  56. Thome, KJ کالیبراسیون مطلق رادیومتری landsat 7 etm+ با استفاده از روش مبتنی بر بازتاب. سنسور از راه دور محیط. 2001 ، 78 ، 27-38. [ Google Scholar ] [ CrossRef ]
  57. کمپبل، JB مقدمه ای بر سنجش از دور . The Guilgord Press: نیویورک، نیویورک، ایالات متحده آمریکا. لندن، انگلستان، 1987; صص 51-67. [ Google Scholar ]
  58. مارکهام، بی. برسی، ج. کواران، گ. اونگ، ال. Helder، D. Landsat-8 عملیاتی تصویرگر زمین کالیبراسیون رادیومتری و پایداری. Remote Sens. 2014 , 6 , 12275–12308. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  59. ژانگ، دبلیو. یو، دی. شی، ایکس. ژانگ، ایکس. وانگ، اچ. Gu, Z. عدم قطعیت در پیش‌بینی ضریب k فرسایش خاک در نیمه گرمسیری چین. اکتا پدول. گناه 2009 ، 46 ، 185-191. [ Google Scholar ]
  60. او، L. مطالعه ای در مورد عدم قطعیت شبیه سازی منطقه ای رشد گندم زمستانه از یک مدل محصول با استفاده از شبیه سازی داده های سنجش از دور. Ph.D. پایان نامه، آکادمی علوم کشاورزی چین، پکن، چین، ژوئن 2016. [ Google Scholar ]
  61. زنگ، دبلیو. تومپو، ای. هیلی، SP; Gadow، KV فهرست جنگل ملی در چین: تاریخچه-نتایج-زمینه بین المللی. برای. اکوسیستم. 2015 ، 2 ، 23. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  62. نیش، جی. اویکاوا، تی. کاتو، تی. مو، دبلیو. Wang, Z. تجمع کربن زیست توده توسط جنگل های ژاپن از سال 1947 تا 1995. Glob. بیوژئوشیمی. Cycles 2005 , 19 . [ Google Scholar ] [ CrossRef ]
  63. تومپو، ای. اولسون، اچ. استال، جی. نیلسون، ام. هاگنر، او. Katila، M. ترکیب توطئه های میدانی فهرست ملی جنگل ها و داده های سنجش از دور برای پایگاه های داده جنگل. سنسور از راه دور محیط. 2008 ، 112 ، 1982-1999. [ Google Scholar ] [ CrossRef ]
  64. نیلسون، ام. نوردکویست، ک. Jonzén، J. لیندگرن، ن. Axensten، P. والرمن، جی. اگبرث، ام. لارسون، اس. نیلسون، ال. اریکسون، جی. نقشه ویژگی جنگل سراسری سوئد که با استفاده از داده‌های اسکن لیزری هوابرد و داده‌های میدانی موجودی جنگل ملی پیش‌بینی شده بود. سنسور از راه دور محیط. 2017 ، 194 ، 447-454. [ Google Scholar ] [ CrossRef ]
  65. گوا، ز. نیش، جی. پان، ی. Birdsey، R. برآوردهای مبتنی بر موجودی از ذخایر کربن زیست توده جنگلی در چین: مقایسه سه روش. برای. Ecol. مدیریت 2010 ، 259 ، 1225-1231. [ Google Scholar ] [ CrossRef ]
  66. براون، اس. Lugo، AE زیست توده جنگل های استوایی: یک برآورد جدید بر اساس حجم جنگل. Science 1984 , 223 , 1290-1293. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  67. بردسی، آر. داده‌ها، مدل‌ها و مفروضات موجودی هیث، L. Forest برای نظارت بر شار کربن. مشخصات SSSA انتشار 2001 ، 57 ، 125-136. [ Google Scholar ]
  68. Canadell، JG; لو کوئره، سی. Raupach، MR; فیلد، CB; Buitenhuis، ET; سیایس، پی. کانوی، تی جی; ژیلت، NP; هاتون، آر. مارلند، جی. کمک به تسریع رشد CO2 اتمسفر ناشی از فعالیت اقتصادی، شدت کربن، و کارایی سینک های طبیعی. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2007 ، 104 ، 18866-18870. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  69. پیائو، اس. نیش، جی. زو، بی. Tan, K. ذخایر کربن زیست توده جنگلی در چین در 2 دهه گذشته: برآورد بر اساس موجودی یکپارچه و داده های ماهواره ای. جی. ژئوفیس. Res. Biogeosci. 2005 ، 110 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  70. دو، ال. ژو، تی. زو، ز. ژائو، ایکس. هوانگ، ک. Wu, H. نقشه برداری زیست توده جنگل با استفاده از سنجش از دور و فهرست جنگل ملی در چین. جنگل ها 2014 ، 5 ، 1267-1283. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  71. بریمن، L. جنگل های تصادفی. ماخ فرا گرفتن. 2001 ، 45 ، 5-32. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  72. باربوسا، جی. برودبنت، ای. Bitencourt، M. سنجش از دور زیست توده بالای زمین در جنگل های ثانویه استوایی: بررسی. بین المللی جی. برای. Res. 2014 ، 2014 ، 715796. [ Google Scholar ] [ CrossRef ]
  73. کاموسوکو، سی. یونا، جی. موراکامی، H. نقشه برداری پوشش جنگلی در اکوسیستم miombo: مقایسه طبقه بندی کننده های یادگیری ماشین. Land 2014 , 3 , 524–540. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  74. کولستون، جی دبلیو. بلین، م. توماس، VA; Wynne، RH تقریبی عدم قطعیت پیش‌بینی برای مدل‌های رگرسیون جنگل تصادفی. فتوگرام مهندس Remote Sens. 2016 , 82 , 189-197. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  75. پاول، اس ال. کوهن، WB; هیلی، اس پی; کندی، RE; Moisen، GG; پیرس، KB; Ohmann، JL کمی سازی دینامیک زیست توده جنگل های بالای زمینی با سری های زمانی و داده های موجودی میدانی landsat: مقایسه رویکردهای مدل سازی تجربی. سنسور از راه دور محیط. 2010 ، 114 ، 1053-1068. [ Google Scholar ] [ CrossRef ]
  76. اسماعیل، ر. موتانگا، او. ولدای، تی. Annegarn، H. مقایسه مجموعه درختان رگرسیون: پیش‌بینی تنش آبی ناشی از سیرکس نوکتیلیو در جنگل‌های کاج پتولا کوازولو-ناتال، آفریقای جنوبی. بین المللی J. Appl. زمین Obs. Geoinf. 2010 ، 12 ، S45–S51. [ Google Scholar ] [ CrossRef ]
  77. لیاو، ا. وینر، ام. طبقه بندی و رگرسیون توسط جنگل تصادفی. R News 2002 , 2 , 18-22. [ Google Scholar ]
  78. Rouse, JW, Jr. هاس، RH; شل، JA; Deering، DW نظارت بر سیستم های پوشش گیاهی در دشت های بزرگ با ERTS. در مجموعه مقالات سومین سمپوزیوم ERTS-1 NASA, NASA SP-351, Washington, DC, USA, 29 سپتامبر 1974; صص 812-815. [ Google Scholar ]
  79. Gitelson، AA; کافمن، YJ; Merzlyak، MN استفاده از یک کانال سبز در سنجش از دور پوشش گیاهی جهانی از eos-modis. سنسور از راه دور محیط. 1996 ، 58 ، 289-298. [ Google Scholar ] [ CrossRef ]
  80. Huete، AR یک شاخص پوشش گیاهی با خاک (savi). سنسور از راه دور محیط. 1988 ، 25 ، 295-309. [ Google Scholar ] [ CrossRef ]
  81. چی، جی. هیوت، ا. موران، ام اس; چهبونی، ع. جکسون، RD تفسیر شاخص های پوشش گیاهی به دست آمده از تصاویر لکه های چند زمانی. سنسور از راه دور محیط. 1993 ، 44 ، 89-101. [ Google Scholar ] [ CrossRef ]
  82. لیو، مقر; Huete، A. یک اصلاح مبتنی بر بازخورد ndvi برای به حداقل رساندن پس‌زمینه سایه‌بان و نویز جوی. IEEE Trans. Geosci. Remote Sens. 1995 , 33 , 457-465. [ Google Scholar ] [ CrossRef ]
  83. Fassnacht، FE; هارتیگ، اف. لطیفی، ح. برگر، سی. هرناندز، جی. کوروالان، پی. Koch، B. اهمیت اندازه نمونه، نوع داده و روش پیش‌بینی برای تخمین‌های سنجش از دور زیست توده جنگل‌های بالای زمینی. سنسور از راه دور محیط. 2014 ، 154 ، 102-114. [ Google Scholar ] [ CrossRef ]
  84. یانگ، ی. کائو، سی. پان، X. لی، ایکس. Zhu، X. کاهش دمای سطح زمین در یک منطقه خشک با استفاده از چند شاخص سنجش از دور با رگرسیون تصادفی جنگل. Remote Sens. 2017 ، 9 , 789. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  85. سان، ایکس. لین، ایکس. شن، اس. Hu، Z. طبقه بندی داده های سنجش از دور با وضوح بالا در مناطق شهری با استفاده از مجموعه جنگل تصادفی و میدان تصادفی شرطی کاملاً متصل. ISPRS Int. J. Geo Inf. 2017 ، 6 ، 245. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  86. شن، آر. گوا، جی. ژانگ، جی. Luoxi, LI ساخت یک مدل پایش خشکسالی با استفاده از سنجش از دور تصادفی مبتنی بر جنگل. J. Geo-Inf. علمی 2017 ، 19 ، 125-133. [ Google Scholar ]
  87. میشرا، ن. هلدر، دی. برسی، ج. مارکهام، ب. بهبود کالیبراسیون مداوم در باندهای بازتابنده خورشیدی: لندست 5 تا لندست 8. سنسور از راه دور محیط زیست. 2016 ، 185 ، 7-15. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  88. غلام، ع. Qin، Q. زو، ال. Abdrahman، P. سنجش از دور ماهواره ای آب های زیرزمینی: مدل سازی کمی و کاهش عدم قطعیت با استفاده از شبیه سازی های جوی 6s. بین المللی J. Remote Sens. 2004 , 25 , 5509-5524. [ Google Scholar ] [ CrossRef ]
  89. سارکر، ال آر. Nichol، JE برآوردهای زیست توده جنگل را با استفاده از شاخص‌های بافت alos avnir-2 بهبود بخشید. سنسور از راه دور محیط. 2011 ، 115 ، 968-977. [ Google Scholar ] [ CrossRef ]
  90. هیو کنگ، ن. جاهون، ج. جونگبین، ال. سونگ-انگلیس، سی. سوک یانگ، اچ. Joon, H. تصحیح جوی بهینه برای تخمین زیست توده جنگلی در سطح زمین با سنسور etm+ remote. Sensors 2015 ، 15 ، 18865-18886. [ Google Scholar ]
  91. زو، دبلیو. هوانگ، ال. سان، ن. چن، جی. Pang، S. Landsat 8-کیفیت آب و عوامل محیطی همراه آن را برای دریاچه‌های مناظر شهری مشاهده کردند: مطالعه موردی دریاچه غربی. محیط زیست آب Res. 2019 . [ Google Scholar ] [ CrossRef ]
  92. دیو، RK; Domke، جنرال موتورز; راسل، مگابایت؛ Woodall, CW; آندرسن، HE ارزیابی تأثیر تفکیک فضایی پیش‌بینی‌کننده‌های landsat بر دقت مدل‌های زیست توده برای تخمین مساحت بزرگ در سراسر شرق ایالات متحده. محیط زیست Res. Lett. 2018 , 13 , 055004. [ Google Scholar ] [ CrossRef ]
  93. چاو، جی. چست، جی. کاندیت، آر. آگیلار، اس. هرناندز، ا. لائو، اس. پرز، آر. انتشار خطا و مقیاس گذاری برای تخمین های زیست توده جنگل های استوایی. فیلوس ترانس. R Soc. لندن. B Biol. علمی 2004 ، 359 ، 409-420. [ Google Scholar ] [ CrossRef ]
  94. بیکر، دی جی; ریچاردز، جی. گرینگر، آ. گونزالس، پ. براون، اس. دفریز، ر. برگزار شد، A. کلندورفر، جی. ندوندا، پ. اوجیما، دی. دستیابی به اطلاعات کربن جنگل با اطمینان بیشتر: یک طرح پنج قسمتی. محیط زیست علمی سیاست 2010 ، 13 ، 249-260. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00048 g001 550
شکل 1. نمودار نمونه.
Ijgi 09 00048 g002 550
شکل 2. نتایج R2 و MAE تخمین زیست توده ETM+ و OLI برای تصویر اصلی . ( الف ، ج ) نتایج نمونه های آموزشی. ( ب ، د ) نتایج نمونه های آزمایشی.
Ijgi 09 00048 g003 550
شکل 3. نتایج R2 و MAE تخمین زیست توده ETM+ و OLI پس از استفاده از کالیبراسیون رادیومتری . ( الف ، ج ) نتایج نمونه های آموزشی. ( ب ، د ) نتایج نمونه های آزمایشی.
Ijgi 09 00048 g004 550
شکل 4. نتایج R2 و MAE تخمین زیست توده ETM+ و OLI پس از استفاده از کالیبراسیون اتمسفر . ( الف ، ج ) نتایج نمونه های آموزشی. ( ب ، د ) نتایج نمونه های آزمایشی.
Ijgi 09 00048 g005 550
شکل 5. نتایج R2 و MAE تخمین زیست توده ETM+ و OLI پس از استفاده از کالیبراسیون زمین . ( الف ، ج ) نتایج نمونه های آموزشی. ( ب ، د ) نتایج نمونه های آزمایشی.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید