اثربخشی Sentinel-2 در پایش چند زمانی پس از آتش در مقایسه با تصاویر پهپاد

خلاصه

وسایل نقلیه هوایی بدون سرنشین (پهپادها) در سال های اخیر رایج شده اند و در حال حاضر در طیف گسترده ای از کاربردها استفاده می شوند. این نتیجه منطقی برخی از پیشرفت‌های تکنولوژیکی است که در دو دهه گذشته رخ داده است و به پهپادها اجازه می‌دهد به انواع مختلفی از حسگرها مجهز شوند که می‌توانند داده‌های با وضوح بالا را با قیمت‌های نسبتا پایین ارائه دهند. با این حال، علیرغم موفقیت و نتایج فوق‌العاده‌ای که با استفاده از پهپادها به دست آمده است، پلتفرم‌های سنجش از راه دور سنتی مانند ماهواره‌ها نیز به توسعه خود ادامه می‌دهند. امروزه ماهواره ها از حسگرهای پیچیده ای استفاده می کنند که داده ها را با وضوح مکانی، زمانی و رادیومتری به طور فزاینده ای بهبود می بخشد. این مورد برای ماموریت مشاهده Sentinel-2 از برنامه کوپرنیک است که به طور سیستماتیک تصاویر نوری را با وضوح فضایی بالا به دست می آورد. با یک دوره بازبینی پنج روزه بنابراین منطقی است که فکر کنیم، در برخی از برنامه ها، داده های ماهواره ای ممکن است به جای داده های پهپاد، با تمام مزایای مرتبط (پوشش گسترده بدون نیاز به بازدید از منطقه) استفاده شود.
 در این مطالعه، عملکرد داده‌های سری زمانی Sentinel-2 در مقایسه با داده‌های مبتنی بر پهپاد با وضوح بالا، در منطقه آسیب‌دیده از آتش‌سوزی، در سال 2017 مورد ارزیابی قرار گرفت. با توجه به وضوح 10 متری تصاویر Sentinel-2، وضوح‌های فضایی مختلف از داده های مبتنی بر پهپاد (25/0، 5 و 10 متر) برای تعیین شباهت آنها استفاده و مقایسه شد. نتایج به‌دست‌آمده نشان‌دهنده اثربخشی داده‌های ماهواره‌ای برای نظارت پس از آتش‌سوزی، حتی در مقیاس محلی، مقرون‌به‌صرفه‌تر از داده‌های پهپاد است. نتایج Sentinel-2 رفتاری مشابه با داده های مبتنی بر پهپاد برای ارزیابی مناطق سوخته نشان می دهد. بنابراین منطقی است که فکر کنیم، در برخی از برنامه ها، داده های ماهواره ای ممکن است به جای داده های پهپاد، با تمام مزایای مرتبط (پوشش گسترده بدون نیاز به بازدید از منطقه) استفاده شود. در این مطالعه، عملکرد داده‌های سری زمانی Sentinel-2 در مقایسه با داده‌های مبتنی بر پهپاد با وضوح بالا، در منطقه آسیب‌دیده از آتش‌سوزی، در سال 2017 مورد ارزیابی قرار گرفت. با توجه به وضوح 10 متری تصاویر Sentinel-2، وضوح‌های فضایی مختلف از داده های مبتنی بر پهپاد (25/0، 5 و 10 متر) برای تعیین شباهت آنها استفاده و مقایسه شد. نتایج به‌دست‌آمده نشان‌دهنده اثربخشی داده‌های ماهواره‌ای برای نظارت پس از آتش‌سوزی، حتی در مقیاس محلی، مقرون‌به‌صرفه‌تر از داده‌های پهپاد است. نتایج Sentinel-2 رفتاری مشابه با داده های مبتنی بر پهپاد برای ارزیابی مناطق سوخته نشان می دهد. بنابراین منطقی است که فکر کنیم، در برخی از برنامه ها، داده های ماهواره ای ممکن است به جای داده های پهپاد، با تمام مزایای مرتبط (پوشش گسترده بدون نیاز به بازدید از منطقه) استفاده شود. در این مطالعه، عملکرد داده‌های سری زمانی Sentinel-2 در مقایسه با داده‌های مبتنی بر پهپاد با وضوح بالا، در منطقه آسیب‌دیده از آتش‌سوزی، در سال 2017 مورد ارزیابی قرار گرفت. با توجه به وضوح 10 متری تصاویر Sentinel-2، وضوح‌های فضایی مختلف از داده های مبتنی بر پهپاد (25/0، 5 و 10 متر) برای تعیین شباهت آنها استفاده و مقایسه شد. نتایج به‌دست‌آمده نشان‌دهنده اثربخشی داده‌های ماهواره‌ای برای نظارت پس از آتش‌سوزی، حتی در مقیاس محلی، مقرون‌به‌صرفه‌تر از داده‌های پهپاد است. نتایج Sentinel-2 رفتاری مشابه با داده های مبتنی بر پهپاد برای ارزیابی مناطق سوخته نشان می دهد. در برخی از برنامه ها، داده های ماهواره ای ممکن است به جای داده های پهپاد، با تمام مزایای مرتبط (پوشش گسترده بدون نیاز به بازدید از منطقه) استفاده شود. در این مطالعه، عملکرد داده‌های سری زمانی Sentinel-2 در مقایسه با داده‌های مبتنی بر پهپاد با وضوح بالا، در منطقه آسیب‌دیده از آتش‌سوزی، در سال 2017 مورد ارزیابی قرار گرفت. با توجه به وضوح 10 متری تصاویر Sentinel-2، وضوح‌های فضایی مختلف از داده های مبتنی بر پهپاد (25/0، 5 و 10 متر) برای تعیین شباهت آنها استفاده و مقایسه شد. نتایج به‌دست‌آمده نشان‌دهنده اثربخشی داده‌های ماهواره‌ای برای نظارت پس از آتش‌سوزی، حتی در مقیاس محلی، مقرون‌به‌صرفه‌تر از داده‌های پهپاد است. نتایج Sentinel-2 رفتاری مشابه با داده های مبتنی بر پهپاد برای ارزیابی مناطق سوخته نشان می دهد. در برخی از برنامه ها، داده های ماهواره ای ممکن است به جای داده های پهپاد، با تمام مزایای مرتبط (پوشش گسترده بدون نیاز به بازدید از منطقه) استفاده شود. در این مطالعه، عملکرد داده‌های سری زمانی Sentinel-2 در مقایسه با داده‌های مبتنی بر پهپاد با وضوح بالا، در منطقه آسیب‌دیده از آتش‌سوزی، در سال 2017 مورد ارزیابی قرار گرفت. با توجه به وضوح 10 متری تصاویر Sentinel-2، وضوح‌های فضایی مختلف از داده های مبتنی بر پهپاد (25/0، 5 و 10 متر) برای تعیین شباهت آنها استفاده و مقایسه شد. نتایج به‌دست‌آمده نشان‌دهنده اثربخشی داده‌های ماهواره‌ای برای نظارت پس از آتش‌سوزی، حتی در مقیاس محلی، مقرون‌به‌صرفه‌تر از داده‌های پهپاد است. نتایج Sentinel-2 رفتاری مشابه با داده های مبتنی بر پهپاد برای ارزیابی مناطق سوخته نشان می دهد. با تمام مزایای مرتبط (پوشش گسترده بدون نیاز به بازدید از منطقه). در این مطالعه، عملکرد داده‌های سری زمانی Sentinel-2 در مقایسه با داده‌های مبتنی بر پهپاد با وضوح بالا، در منطقه آسیب‌دیده از آتش‌سوزی، در سال 2017 مورد ارزیابی قرار گرفت. با توجه به وضوح 10 متری تصاویر Sentinel-2، وضوح‌های فضایی مختلف از داده های مبتنی بر پهپاد (25/0، 5 و 10 متر) برای تعیین شباهت آنها استفاده و مقایسه شد. نتایج به‌دست‌آمده نشان‌دهنده اثربخشی داده‌های ماهواره‌ای برای نظارت پس از آتش‌سوزی، حتی در مقیاس محلی، مقرون‌به‌صرفه‌تر از داده‌های پهپاد است. نتایج Sentinel-2 رفتاری مشابه با داده های مبتنی بر پهپاد برای ارزیابی مناطق سوخته نشان می دهد. با تمام مزایای مرتبط (پوشش گسترده بدون نیاز به بازدید از منطقه). در این مطالعه، عملکرد داده‌های سری زمانی Sentinel-2 در مقایسه با داده‌های مبتنی بر پهپاد با وضوح بالا، در منطقه آسیب‌دیده از آتش‌سوزی، در سال 2017 مورد ارزیابی قرار گرفت. با توجه به وضوح 10 متری تصاویر Sentinel-2، وضوح‌های فضایی مختلف از داده های مبتنی بر پهپاد (25/0، 5 و 10 متر) برای تعیین شباهت آنها استفاده و مقایسه شد. نتایج به‌دست‌آمده نشان‌دهنده اثربخشی داده‌های ماهواره‌ای برای نظارت پس از آتش‌سوزی، حتی در مقیاس محلی، مقرون‌به‌صرفه‌تر از داده‌های پهپاد است. نتایج Sentinel-2 رفتاری مشابه با داده های مبتنی بر پهپاد برای ارزیابی مناطق سوخته نشان می دهد. عملکرد داده‌های سری زمانی Sentinel-2 در مقایسه با داده‌های مبتنی بر پهپاد با وضوح بالا، در منطقه آسیب‌دیده از آتش سوزی، در سال 2017 مورد ارزیابی قرار گرفت. با توجه به وضوح 10 متری تصاویر Sentinel-2، وضوح‌های فضایی مختلف پهپاد- داده های مبتنی بر (25/0، 5 و 10 متر) برای تعیین شباهت آنها مورد مقایسه قرار گرفت. نتایج به‌دست‌آمده نشان‌دهنده اثربخشی داده‌های ماهواره‌ای برای نظارت پس از آتش‌سوزی، حتی در مقیاس محلی، مقرون‌به‌صرفه‌تر از داده‌های پهپاد است. نتایج Sentinel-2 رفتاری مشابه با داده های مبتنی بر پهپاد برای ارزیابی مناطق سوخته نشان می دهد. عملکرد داده‌های سری زمانی Sentinel-2 در مقایسه با داده‌های مبتنی بر پهپاد با وضوح بالا، در منطقه آسیب‌دیده از آتش سوزی، در سال 2017 مورد ارزیابی قرار گرفت. با توجه به وضوح 10 متری تصاویر Sentinel-2، وضوح‌های فضایی مختلف پهپاد- داده های مبتنی بر (25/0، 5 و 10 متر) برای تعیین شباهت آنها مورد مقایسه قرار گرفت. نتایج به‌دست‌آمده نشان‌دهنده اثربخشی داده‌های ماهواره‌ای برای نظارت پس از آتش‌سوزی، حتی در مقیاس محلی، مقرون‌به‌صرفه‌تر از داده‌های پهپاد است. نتایج Sentinel-2 رفتاری مشابه با داده های مبتنی بر پهپاد برای ارزیابی مناطق سوخته نشان می دهد. نتایج به‌دست‌آمده نشان‌دهنده اثربخشی داده‌های ماهواره‌ای برای نظارت پس از آتش‌سوزی، حتی در مقیاس محلی، مقرون‌به‌صرفه‌تر از داده‌های پهپاد است. نتایج Sentinel-2 رفتاری مشابه با داده های مبتنی بر پهپاد برای ارزیابی مناطق سوخته نشان می دهد. نتایج به‌دست‌آمده نشان‌دهنده اثربخشی داده‌های ماهواره‌ای برای نظارت پس از آتش‌سوزی، حتی در مقیاس محلی، مقرون‌به‌صرفه‌تر از داده‌های پهپاد است. نتایج Sentinel-2 رفتاری مشابه با داده های مبتنی بر پهپاد برای ارزیابی مناطق سوخته نشان می دهد.

کلید واژه ها:

مدیریت پس از آتش سوزی ؛ احیای جنگل ؛ نقشه برداری شدت آتش سوزی تصاویر چند طیفی ; Sentinel-2A ; هواپیماهای بدون سرنشین ; طوطی SEQUOIA

1. معرفی

در سال‌های اخیر، آتش‌سوزی‌های جنگلی (یعنی آتش‌سوزی‌های بزرگ و مخربی که در یک جنگل یا منطقه‌ای از جنگل گسترش می‌یابند) به دلیل تأثیراتشان بر تغییرات آب و هوا و اکوسیستم‌ها مورد توجه فزاینده‌ای قرار گرفته‌اند. آتش سوزی جنگل ها به طور منظم رخ می دهد، در مقیاس و تأثیرات متفاوت است و ذاتی اکوسیستم های زمینی است [ 1 ]. آب و هوا، توپوگرافی و سوخت سه جزء اصلی هستند که محیط آتش سوزی را تعریف می کنند و به طور مستقیم با تکامل کاربری زمین مرتبط هستند [ 2 ]. پرتغال یکی از کشورهای اروپای جنوبی است که بیشتر تحت تأثیر آتش سوزی جنگل ها قرار گرفته است، اما همچنین تحت تأثیر آتش سوزی های روستایی قرار گرفته است [ 3 ]]. به عبارت دیگر، نه تنها آتش‌سوزی بر روی جنگل‌ها بر کشور تأثیر می‌گذارد، بلکه ترکیبی از عوامل محیطی و سکونت انسانی نیز ممکن است باعث آسیب به مردم یا آسیب به اموال یا محیط‌زیست شود [ 4 ]. عوامل متعددی در تأثیر شدید این کشور نقش دارند: آب و هوای مدیترانه ای، که از تجمع سوخت و خشکی همراه با وجود انواع پوشش گیاهی قابل اشتعال سود می برد. چگالی اشتعال بالا؛ قابلیت اطفاء حریق ضعیف؛ و بی ثباتی نهادی [ 5 ]. بنابراین، اثرات آتش‌سوزی جنگل‌ها نه تنها از سوی جامعه علمی، بلکه همچنین از سوی نهادهای عمومی در سراسر جهان توجه بیشتری را به خود جلب می‌کند [ 5 ]. در مورد پرتغال، این آگاهی به ویژه در شمال و مرکز کشور در حال افزایش است.6 ].
در این زمینه، سکوهای سنجش از دور به عنوان ابزاری توانمند برای نقشه برداری مناطق سوخته، ارزیابی ویژگی های آتش سوزی فعال و مشخص کردن اثرات اکولوژیکی و بازسازی پس از آتش سوزی استفاده می شود [ 7 ]. در دهه گذشته، استفاده از وسایل نقلیه هوایی بدون سرنشین (UAVs) برای کاربردهای کشاورزی جنگلی [ 8 ] افزایش یافته است و اکنون برای پیشگیری از آتش سوزی جنگل [ 9 ]، تخمین سوخت تاج پوشش [ 10 ]، نظارت بر آتش [ 11 ، 12 ] و استفاده می شود. برای پشتیبانی از عملیات آتش نشانی [ 13 ]. به همین ترتیب، مطالعات با استفاده از تصاویر مبتنی بر پهپاد در پایش پس از آتش سوزی با پیمایش مرتبط بوده است [ 14 ]]، کالیبراسیون شاخص های شدت سوختگی مبتنی بر ماهواره [ 15 ]، ارزیابی بازیابی پوشش گیاهی پس از آتش سوزی [ 16 ]، نقشه برداری از شدت آتش سوزی [ 17 ، 18 ]، مطالعه دینامیک بازیابی جنگل [ 19 ] و شناسایی نهال [ 20 ]. علیرغم اینکه یک پلتفرم مقرون به صرفه و بسیار همه کاره برای جمع‌آوری داده‌های سنجش از دور است که قادر به حمل مجموعه وسیعی از حسگرها است، استفاده از آن در بررسی مناطق بزرگ به دلیل محدودیت‌های قانونی [ 21 ] و فن‌آوری مانند استقلال آن و ظرفیت بار [ 8]. از سوی دیگر، پلتفرم‌های سنجش از دور سنتی مانند ماهواره‌ها همچنان به طور گسترده برای به دست آوردن داده‌ها با وضوح‌های مکانی، زمانی و رادیومتری بهبودیافته استفاده می‌شوند. ماهواره ها هنوز هم راهی سریع برای ارزیابی بازسازی جنگل در مناطق پس از آتش سوزی ارائه می دهند. با این حال، وضوح فضایی کمتر (در مقایسه با داده های پهپاد) اغلب به این معنی است که ماهواره ها فقط برای مطالعات در مقیاس منطقه ای یا ملی استفاده می شوند [ 22 ، 23 ، 24 ، 25 ، 26 .]. برنامه کوپرنیک، از برنامه رصد زمین اتحادیه اروپا، با هدف دستیابی به ظرفیت رصد زمین جهانی، مستمر، مستقل، با کیفیت بالا و برد وسیع ایجاد شد. ماموریت های مختلف ماهواره ای متعلق به این برنامه امکان دستیابی به اطلاعات دقیق، به موقع و به راحتی برای بهبود مدیریت محیط زیست و همچنین درک و کاهش اثرات تغییرات آب و هوا و تضمین امنیت مدنی را فراهم می کند. بنابراین، دسترسی به داده‌های ماهواره‌ای با وضوح متوسط ​​و بالا با وضوح زمانی بالا به صورت رایگان [ 27 ]، یعنی ابزار چندطیفی Sentinel-2 (MSI) [ 28 ] قابل دسترسی است.]. طیف وسیعی از باندهای طیفی از مادون قرمز مرئی تا موج کوتاه (SWIR) در دسترس هستند که در زمینه نظارت پس از آتش سوزی، تعیین شدت اختلالات آتش را همراه با نظارت چند زمانی برای مناطق سوخته امکان پذیر می کند. این نوع داده‌ها برای نظارت بر اختلالات آتش‌سوزی در مناطق مدیترانه‌ای که چندین محصول را تحت تأثیر قرار می‌دهند و گستره‌هایی از چند هکتار تا چند کیلومتر مربع دارند، ایده‌آل است [ 29 ]. در این زمینه خاص، داده‌های Sentinel-2 MSI برای بررسی شاخص‌های طیفی تمایز شدت سوختگی [ 30 ، 31 ، 32 ، 33 ، 34 ]، و همچنین برای ارزیابی شدت سوختگی در ترکیب با داده‌های Landsat [ 35 ، 36 ] استفاده شد.]. آنها همچنین برای در نظر گرفتن داده های چند زمانی موجود به منظور ارزیابی مناطق سوخته در سطح ملی [ 37 ] و برای ارزیابی نقشه برداری بازیابی پوشش گیاهی پس از آتش سوزی یک جزیره [ 38 ] استفاده شدند.
در این مطالعه، ما منطقه‌ای را ارزیابی کردیم که در سال 2017 به‌شدت تحت تأثیر یک اختلال آتش‌سوزی قرار گرفت و وسعت آن بیش از 300 هکتار بود. این منطقه در شمال شرقی پرتغال واقع شده است و مناطق جنگلی متشکل از کاج دریایی ( Pinus pinaster ) به همراه خانه ها، ساختمان های ذخیره سازی چوب، سازه های کشاورزی و وسایل نقلیه به طور قابل توجهی تحت تاثیر قرار گرفتند. بنابراین، این آتش سوزی بود که می‌توان آن را کوچک در نظر گرفت، تجزیه و تحلیل و نظارت بر آن می‌توان با استفاده از داده‌های با وضوح بالا هوایی که توسط یک پهپاد به دست می‌آید انجام داد. هر ساله هزاران آتش سوزی مشابه این در پرتغال رخ می دهد که شمال و مرکز این کشور را به ویژه با تکه های کوچکی از مناطق سوخته پوشانده است.
برای ارزیابی اثربخشی داده‌های ماهواره‌ای در مطالعه این نوع منطقه خاص، از داده‌های Sentinel-2 MSI برای توصیف منطقه قبل از اختلال آتش‌سوزی استفاده شد که امکان ارزیابی شدت آتش و تجزیه و تحلیل چند زمانی را فراهم می‌کند (2017-2019). ). علاوه بر این، برای مقایسه اطلاعات فضایی ارائه شده توسط Sentinel-2 MSI (رزولوشن فضایی 10 متر)، یک کمپین پرواز پهپاد در بخشی از منطقه مورد مطالعه انجام شد تا داده‌های چند طیفی با وضوح بسیار بالا را به دست آورد. این دقیقاً سؤال اصلی این مطالعه است: استفاده بالقوه از نسل جدید تصاویر ماهواره ای با دسترسی آزاد (Sentinel-2) برای نظارت بر مناطق سوخته در مقیاس کوچک چیست. تا جایی که می دانیم، این اولین مطالعه ای است که از داده های ماهواره ای آزادانه در دسترس برای تجزیه و تحلیل یک منطقه سوخته با ابعاد نسبتا کوچک استفاده می کند و نتیجه می گیرد که نتایج با نتایج به دست آمده از داده های با وضوح بالا به دست آمده توسط یک پهپاد مطابقت دارد. اگرچه مطالعات بیشتری مورد نیاز است که مناطق مختلف با پیچیدگی‌های مختلف و پوشش‌های گیاهی متفاوت را پوشش دهد، این مطالعه به ما این امکان را داد که به این نتیجه برسیم که داده‌های ماهواره‌ای، در موارد خاص، پتانسیل بالایی برای جایگزینی داده‌های با وضوح بالای هوایی به‌دست‌آمده توسط پهپادها دارند. این امکان تجزیه و تحلیل مناطق پس از آتش سوزی (حتی مناطق کوچک) را در سطح ملی فراهم می کند که نشان دهنده صرفه جویی قابل توجهی در زمان و هزینه است. این مطالعه به ما این امکان را داد که به این نتیجه برسیم که داده‌های ماهواره‌ای پتانسیل بالایی دارند، در موارد خاص، برای جایگزینی داده‌های با وضوح بالای هوایی به‌دست‌آمده توسط پهپادها. این امکان تجزیه و تحلیل مناطق پس از آتش سوزی (حتی مناطق کوچک) را در سطح ملی فراهم می کند که نشان دهنده صرفه جویی قابل توجهی در زمان و هزینه است. این مطالعه به ما این امکان را داد که به این نتیجه برسیم که داده‌های ماهواره‌ای پتانسیل بالایی دارند، در موارد خاص، برای جایگزینی داده‌های با وضوح بالای هوایی به‌دست‌آمده توسط پهپادها. این امکان تجزیه و تحلیل مناطق پس از آتش سوزی (حتی مناطق کوچک) را در سطح ملی فراهم می کند که نشان دهنده صرفه جویی قابل توجهی در زمان و هزینه است.

2. مواد و روشها

2.1. منطقه مطالعه

منطقه مورد مطالعه، که در شکل 1 مشخص شده است، در منطقه شمال شرقی پرتغال در محدوده شهرداری سابروسا (41°20’40.4″ شمالی، 7°36’04.5″ غربی)، در نزدیکی روستاهای Parada do Pinhão و ویلارینیو دی پارادا این منطقه به شدت تحت تأثیر آتش سوزی قرار گرفت که در ساعت 12:59 بعد از ظهر روز 13 مرداد 1396 آغاز شد و در ساعت 03:16 بامداد روز 14 مرداد 1396 خاموش شد [ 39 ]]. این منطقه با آب و هوای گرم و معتدل، میانگین دمای سالانه 13.1 درجه سانتی گراد و میانگین بارندگی سالانه 1139 میلی متر مشخص می شود. جولای و آگوست ماه هایی با بالاترین میانگین دما (21 درجه سانتی گراد) و کمترین بارش (28 میلی متر) هستند. این منطقه به دلیل دسترسی آسان و نماینده بودن آن انتخاب شده است، زیرا گونه های موجود در منطقه برای منطقه مشترک هستند. اکثراً کاج دریایی، گونه های برگریز مانند Quercus pyrenaica و Castanea sativa Mill پر جمعیت است. و برخی از گونه های ساحلی، جوامع بوته زار و قطعات مورد استفاده برای اهداف کشاورزی و جنگلداری. علاوه بر این، مساحت سوخته بیش از 100 هکتار بود که با اکثر حوادث آتش سوزی (93٪) که در پرتغال در طول سال 2017 رخ داده است، مطابقت دارد [ 6 ]].

2.2. مجموعه داده سنجش از راه دور

داده های تصاویر ماهواره ای مورد استفاده در این مطالعه توسط Sentinel-2 MSI به دست آمده است. محصولات داده‌های طیفی ارائه‌شده توسط MSI از بخش‌های مرئی تا امواج کوتاه مادون قرمز (SWIR) طیف الکترومغناطیسی متغیر بودند. در مجموع، 13 باند طیفی موجود (B) در وضوح های فضایی مختلف وجود داشت: (1) در 10 متر – B2 (490 نانومتر)، B3 (560 نانومتر)، B4 (665 نانومتر) و B8 (842 نانومتر). (2) در 20 متر – B5 (705 نانومتر)، B6 (740 نانومتر)، B7 (783 نانومتر)، B8a (865 نانومتر)، B11 (1610 نانومتر) و B12 (2190 نانومتر). و (3) در 60 متر – B1 (443 نانومتر)، B9 (940 نانومتر) و B10 (1375 نانومتر) [ 28]. داده‌ها از مرکز دسترسی باز کوپرنیک با عدم وجود ابر در منطقه مورد مطالعه از ژوئن 2017 تا اکتبر 2019 به دست آمد. این دوره‌ها به دلیل مربوط بودن به آخرین دوره موجود قبل از اختلال آتش سوزی (ژوئن، ژوئیه و آگوست 2017) انتخاب شدند. ، از جمله اولین داده های ابری و بدون دود پس از آتش سوزی (سپتامبر 2017). تصاویر با استفاده از Sen2Cor [ 40 ] از نظر جوی تصحیح شدند.
با توجه به داده های پهپاد، SenseFly eBee (senseFly SA، لوزان، سوئیس) برای به دست آوردن تصاویر RGB و چند طیفی استفاده شد. سنسور Canon IXUS 127 HS با رزولوشن 16.1 مگاپیکسل برای گرفتن تصاویر RGB و سنسور Parrot SEQUOIA برای گرفتن تصاویر چند طیفی استفاده شد. سنسور چند طیفی شامل یک آرایه دوربین چهارگانه با وضوح 1.2 مگاپیکسل است که سبز (530-570 نانومتر)، قرمز (640-680 نانومتر)، لبه قرمز (730-740 نانومتر) و مادون قرمز نزدیک (NIR) (770-810 نانومتر) به دست می‌آورد. تصویرسازی. کالیبراسیون رادیومتری آن با استفاده از یک هدف قبل از پرواز انجام شد. دو پرواز با طرح ماموریت یکسان (یکی برای هر سنسور) در 11 جولای 2019 انجام شد. پرواز RGB در ارتفاع 425 متری، مساحت 230 هکتار، با وضوح فضایی 0.12 متر انجام شد. همپوشانی تصاویر 80% جلو و 60% کنار بود، برای جمع آوری 91 تصویر جغرافیایی مرجع (مربوط به سیستم زمینی مختصات جغرافیایی) که از طریق هشت نوار (تقریباً 11 تصویر در هر نوار) ​​توزیع شده است. همانطور که برای پرواز چند طیفی، آن را در ارتفاع 215 متر، پوشش تقریبا 150 هکتار، با وضوح فضایی حدود 0.25 متر انجام شد. دارای 80% همپوشانی جلویی و 60% همپوشانی جانبی بود، برای جمع آوری 260 تصویر در هر باند طیفی (12 نوار با تقریبا 22 تصویر در هر نوار).
پیش پردازش تصاویر مبتنی بر پهپاد قبل از آماده شدن برای استفاده لازم است. بنابراین، Pix4Dmapper Pro نسخه 4.4.12 (Pix4D SA، لوزان، سوئیس) برای پردازش فتوگرامتری تصاویر پهپاد مورد استفاده قرار گرفت و نقاط پیوند مشترک در تصاویر ارائه شده با توجه به موقعیت جغرافیایی و پارامترهای دوربین داخلی و خارجی آنها شناسایی شد. این امکان محاسبه ابرهای نقطه‌ای سه بعدی متراکم را فراهم کرد که با استفاده از وزن معکوس فاصله (IDW) برای به دست آوردن نتایج تصحیح‌شده زیر، درون یابی شدند: یک موزاییک ارتوفتو از تصاویر RGB، مدل‌های ارتفاعی دیجیتال (DEMs) و چهار باند رادیومتری از تصاویر چند طیفی که سپس می تواند برای محاسبه شاخص های پوشش گیاهی استفاده شود. DEM ها در محدوده این مطالعه مورد استفاده قرار نگرفتند و موزاییک ارتوفوتو فقط برای بازرسی بصری استفاده شد.

2.3. پردازش و تجزیه و تحلیل داده ها

برای محاسبه شاخص‌های پوشش گیاهی از مجموعه داده‌های چندطیفی ماهواره‌ای و پهپاد استفاده شد. شاخص های پوشش گیاهی مبتنی بر Sentinel-2 برای ارزیابی شدت آتش سوزی و انجام تجزیه و تحلیل چند زمانی پس از آتش سوزی منطقه مورد مطالعه استفاده شد. شاخص‌های پوشش گیاهی مشابه با استفاده از داده‌های پهپاد برای یک دوره واحد محاسبه شد که امکان مقایسه هر دو مجموعه از نتایج را فراهم می‌کند.

2.3.1. محاسبه شاخص های طیفی

داده های ماهواره ای برای محاسبه سهمیه سوختگی نرمال شده (NBR) [ 41 ] مانند رابطه (1) استفاده شد. این شاخص با ترکیب بخش های NIR (B8) و SWIR (B12) طیف الکترومغناطیسی [ 42 ]، به رطوبت پوشش گیاهی مربوط می شود و به طور کلی به عنوان یک شاخص طیفی استاندارد برای ارزیابی شدت سوختگی پذیرفته می شود [ 41 ، 43 ].

NBR=NIR-SWIRNIR+SWIR

علاوه بر این، شاخص گیاهی تفاوت نرمال شده (NDVI) [ 44 ] با استفاده از یک باند NIR (B8) و یک نوار قرمز (B4) از داده‌های Sentinel-2 MSI محاسبه شد. باندهای NIR و RED از داده‌های چند طیفی مبتنی بر پهپاد نیز برای محاسبه شاخص معادل، مانند رابطه (2) استفاده شد. NDVI به طور گسترده ای برای تجزیه و تحلیل وضعیت پوشش گیاهی در زمینه های مختلف استفاده می شود [ 8 ].

NDVI=NIR-قرمزNIR+قرمز

2.3.2. تجزیه و تحلیل چند زمانی پس از آتش سوزی

تجزیه و تحلیل چند زمانی انجام شده در این مطالعه بر داده های سری زمانی ارائه شده توسط Sentinel-2 MSI تکیه داشت. از میان داده‌های موجود، مجموعه‌ای از چهار دوره برای هر سال (2017 تا 2019) انتخاب شد که هر دوره مربوط به ماه‌های ژوئن، جولای، آگوست و سپتامبر بود که تاریخ داده‌های انتخاب شده در جدول 1 ارائه شده است.. این دوره (ژوئن، ژوئیه و آگوست 2017) به منظور گنجاندن داده های قبل از اختلال آتش سوزی به همراه ماه های مشابه در سال های موجود بعدی (2018 و 2019) انتخاب شد. برخی از داده های خارج از این دوره ها تحت تأثیر ابرها قرار گرفتند و باید دور ریخته می شدند. علاوه بر این، تصمیم گرفته شد که هیچ داده ای از اکتبر تا مه در نظر گرفته نشود تا از فرضیات نادرست رفتار فصلی طبیعی گونه در منطقه مورد مطالعه جلوگیری شود (به عنوان مثال، عدم وجود برگ در گونه های درختان برگریز در فصل زمستان، و پتانسیل تداخل پوشش گیاهی زیر رویش در فصل زمستان و بهار). ماه های انتخاب شده اطمینان دادند که درختان به طور کامل توسعه یافته اند و تداخل پوشش گیاهی زیر رویش حداقل است [ 45 ].

تفاوت سهمیه سوختگی نرمال شده (dNBR) که با کم کردن داده های شطرنجی پس از آتش سوزی از رستر قبل از آتش سوزی در رابطه (3) محاسبه می شود، برای انجام طبقه بندی سطح شدت سوختگی همانطور که توسط سازمان زمین شناسی ایالات متحده (USGS) پیشنهاد شده است، استفاده شد. ) [ 46 ، 47]، امکان درک نه تنها شدت مناطق سوخته، بلکه همچنین از مناطق نسوخته در منطقه مورد مطالعه را فراهم می کند. NBRهای قبل و بعد از آتش سوزی به ترتیب NBR تاریخ قبل و بعد از اختلال آتش سوزی بودند. در مناطق سوخته، NBR مقادیر بالاتری را قبل از آتش سوزی و مقادیر کمتری را بعد از آتش نشان داد. dNBR تفاوت بین NBRs هر دو دوره بود: مقادیر مثبت مناطقی با شدت آتش بالاتر را نشان می‌داد، در حالی که مقادیر نزدیک یا کمتر از صفر نشان دهنده مناطق نسوخته و/یا رشد مجدد پوشش گیاهی بود. برای هر سطح شدت طبقه بندی شده، میانگین مقدار NDVI در هر ماه تجزیه و تحلیل محاسبه شد. میانگین مقدار NDVI نیز برای کل منطقه سوخته برآورد شد.

dNBR=PrefireNBR-PostfireNBR
برای ارزیابی بازیابی پس از آتش سوزی، تجزیه و تحلیل مشابهی با استفاده از تفاوت NDVI (dNDVI) با کم کردن NDVI اولین پس از آتش سوزی (سپتامبر 2017) از مقادیر NDVI از هر ماه تجزیه و تحلیل شده از 2018 و 2019 انجام شد. به این ترتیب، مثبت است. مقادیر نشان دهنده افزایش در NDVI و در نتیجه، یک منطقه بازیابی بالقوه است، در حالی که عکس برای مقادیر نزدیک یا کمتر از صفر صادق است.
تجزیه و تحلیل داده‌ها در سیستم اطلاعات جغرافیایی منبع باز (GIS) QGIS (نسخه 3.4.12-Madeira) و توابع از سیستم پشتیبانی تجزیه و تحلیل منابع جغرافیایی (GRASS GIS) [ 48 ] و از سیستم تحلیل‌های خودکار زمین‌شناسی (SAGA GIS) انجام شد. ) [ 49 ] نیز استفاده شد.

2.3.3. مقایسه Sentinel-2 MSI و پهپاد

داده‌های Sentinel-2 MSI به‌دست‌آمده در 9 ژوئیه 2019 با تصاویر چند طیفی مبتنی بر پهپاد (تفاوت دو روزه) مقایسه شد. نقشه های NDVI تولید شده از هر دو مجموعه داده مقایسه شدند. برای این مقایسه از NDVI مبتنی بر پهپاد در وضوح فضایی اولیه (0.25 متر)، نمونه‌برداری مجدد به نصف وضوح و نمونه‌برداری مجدد با وضوح مشابه Sentinel-2 MSI (به ترتیب 5 و 10 متر) استفاده شد. در مجموع 116 هکتار (~35%) از منطقه سوخته ( شکل 1) مورد ارزیابی قرار گرفت. این دقیقاً پیچیده ترین منطقه است که دارای تنوع بیشتری از گونه های درختی، مزارع کشاورزی و زیرساخت است. نمونه برداری مجدد از پهپاد NDVI با استفاده از تابع “r.resamp.stats” از GRASS GIS در QGIS، با مشخص کردن اندازه سلول های شبکه (5 × 5 متر و 10 × 10 متر) و اختصاص مقادیر میانگین جمع آوری شده به هر سلول انجام شد. . همبستگی بین NDVI های مختلف (مبتنی بر پهپاد و ماهواره ای) با استفاده از تابع “r.covar” از GRASS GIS انجام شد.
علاوه بر این، تنوع جغرافیایی Sentinel-2 NDVI با پهپاد NDVI در سه وضوح فضایی مختلف مقایسه شد. مقادیر میانگین هر NDVI ارزیابی شده در یک شبکه 50 × 50 متر اندازه گیری شد. اندازه این شبکه، نشان دهنده پنج برابر وضوح Sentinel-2، برای صاف کردن مناطق انتقال پوشش گیاهی انتخاب شد. سپس، شاخص موران دو متغیره محلی (MI) [ 50 ] و شاخص های محلی دو متغیره تداعی فضایی (BILISA) [ 51 ] مانند آنسلین [52] اعمال شد .] برای ارزیابی رابطه فضایی بین NDVI های محاسبه شده از هر دو مجموعه داده. MI دو متغیره محلی برای ارزیابی همبستگی بین یک متغیر تعریف شده (NDVI ماهواره ای) و یک متغیر متفاوت در مناطق مجاور (UAV NDVI) استفاده شد. BILISA برای اندازه‌گیری همبستگی فضایی محلی، تشکیل نقشه‌هایی از خوشه‌ها با رفتارهای مشابه و امکان ارزیابی متغیرهای فضایی و پراکندگی آنها استفاده شد. این نقشه‌های خوشه‌ای بر اساس همبستگی یک مقدار با همسایگی آن به چهار کلاس تقسیم شدند: بالا-بالا (HH). کم-کم (LL)؛ بالا-کم (HL)؛ و کم-بالا (LH). این تحلیل با استفاده از نرم افزار GeoDa (نسخه 1.14.0) [ 53]. نقشه وزن مورد نیاز با استفاده از رویکرد هشت اتصالی (ماتریس 3×3) تعریف شد و از 999 جایگشت تصادفی در اجرای BILISA استفاده شد.

3. نتایج

3.1. نظارت پس از آتش سوزی Sentinel-2

نقشه شدت آتش سوزی محاسبه شده با استفاده از dNBI از NBI قبل از آتش سوزی (اوت 2017) و اولین NBI پس از آتش سوزی (سپتامبر 2017) در شکل 2 ارائه شده است.. از 361 هکتار منطقه مورد مطالعه، 42 درصد (151 هکتار) با شدت بالا، 44 درصد (160 هکتار) شدت متوسط ​​و 38 هکتار (11 درصد) شدت کم داشتند. تخمین زده شد که تنها 3 درصد از منطقه (12 هکتار) تحت تأثیر آتش سوزی قرار نگرفته است. یک بازرسی بصری از این مناطق به ما این امکان را داد که به این نتیجه برسیم که مناطق نسوخته و کم شدت نشان دهنده زیرساخت ها هستند، یا مربوط به خاک لخت یا مزارع مورد استفاده برای کشاورزی همراه با برخی از درختان هستند. مناطق با شدت متوسط ​​شامل جوامع بوته زار، اراضی کشاورزی و درختان بودند، در حالی که مناطق با شدت بالا عمدتاً شامل توده های جنگلی با تراکم بالا بودند.
داده های چند زمانی Sentinel-2 ما را قادر ساخت تا منطقه مورد مطالعه را در طول دوره تجزیه و تحلیل مشخص کنیم. شکل 3 NDVI قبل و بعد از آتش سوزی (اوت و سپتامبر 2017، شکل 3 a,b) و NDVI را از سپتامبر دو سال بعد (2018 و 2019، شکل 3 c,d) نشان می دهد. اختلال آتش سوزی به وضوح از داده های NDVI قابل مشاهده است و برخی بازیابی جنگل ها در بخش های شمالی، شمال شرقی و جنوب غربی منطقه مورد مطالعه قابل مشاهده است. این به ویژه در سال 2019 قابل تشخیص است ( شکل 3 g).
میانگین مقدار NDVI برای هر سطح شدت و منطقه نسوخته برای ماه‌های ژوئن، ژوئیه، آگوست و سپتامبر طی سال‌های 2017-2019، و همچنین برای کل منطقه تحت تأثیر آتش‌سوزی استخراج شد. شکل 4 این نتایج را نشان می دهد. هنگام تجزیه و تحلیل مقادیر به دست آمده از کل منطقه ( شکل 4 a)، کاهش مقادیر NDVI (-56٪) پس از اختلال آتش سوزی (اوت تا سپتامبر 2017) به وضوح قابل توجه است. از سپتامبر 2017 تا ژوئن 2018، رشد 52 درصدی در مقدار میانگین NDVI تأیید شد، در حالی که در دوره همولوگ در سال 2019 رشد 33 درصد بود. هنگام تجزیه و تحلیل جداگانه هر سال، مقادیر هر ماه کاهش می یابد، با نتایج کمتر قابل توجه از اوت تا سپتامبر.
این تمایل هنگام مشاهده مقادیر میانگین NDVI در هر سطح شدت منعکس می شود ( شکل 4ب). میانگین مقدار NDVI ناحیه نسوخته با انحراف معیار 0.03 نسبتاً ثابت بود. به طور مشابه، منطقه طبقه بندی شده به عنوان شدت کم دارای انحراف استاندارد 0.06 است. از سوی دیگر، مناطق با شدت بالا افزایش پس از آتش سوزی بالاتری را نشان دادند (با انحراف استاندارد 0.06 با در نظر گرفتن مقادیر 2018 و 2019 و 0.17 در کل)، و میانگین ارزش NDVI رشد 93 درصدی را از سپتامبر 2017 تا ژوئن 2018 نشان داد و 42 درصد از سپتامبر 2018 تا ژوئن 2019. برای مناطق با شدت متوسط، این افزایش ها 39 درصد برای سپتامبر 2017 تا ژوئن 2018، و 32 درصد برای سپتامبر 2018 تا ژوئن 2019، با انحراف استاندارد 0.04 (0.12 برای کل دوره) بوده است. . با مقایسه ژوئن 2018 با ژوئن 2019، میانگین مقادیر NDVI برای مناطق با شدت بالا، متوسط ​​و کم و مناطق نسوخته به ترتیب تغییرات 32٪، 16٪، 1٪ و -2٪ را نشان داد.
هنگام تجزیه و تحلیل dNDVI های پس از آتش سوزی ( شکل 5) در رابطه با تفاوت ها در اولین داده های پس از آتش سوزی (سپتامبر 2017)، روند مشابهی مشاهده شد. با تجزیه و تحلیل میانگین تفاوت ها در سال، میانگین کلی تفاوت 0.12 در سال 2018 تأیید شد، در حالی که در سال 2019 این تفاوت 0.20 بود. در هر دو سال روند مشابهی تأیید شد، با تفاوت‌های بالاتر در مناطق با شدت بالا و به دنبال آن مناطق با شدت متوسط ​​تأیید شد. هر دو ناحیه نسوخته و کم شدت تفاوت‌های کمتری داشتند، با میانگین اختلاف 0.06 برای دو کلاس در سال 2018، افزایش به 0.08 در سال 2019 برای مناطق کم‌شدت و همان مقدار برای منطقه نسوخته حفظ شد. این مقادیر از ژوئن تا آگوست کاهش یافت و در سپتامبر مشابه باقی ماند. هنگام مقایسه جولای 2018 با جولای 2019، افزایش کلی 0.09 در مقادیر میانگین dNDVI تأیید شد که نشان دهنده افزایش 0.14، 0.07، 0 و -0 است. 01 برای نواحی با شدت زیاد، متوسط، کم و نسوخته به ترتیب. یک نمایش بصری از dNDVI های قبل و بعد از آتش سوزی برای دو سال بعد در ارائه شده است.شکل 3 e-g.

3.2. مقایسه داده های MSI مبتنی بر پهپاد و Sentinel-2

همانطور که در بخش 2.3.3 ذکر شد ، داده های چندطیفی مبتنی بر پهپاد 116 هکتار از منطقه مورد مطالعه را پوشش دادند. این برای انجام مقایسه بین Sentinel-2 NDVI و NDVI مبتنی بر پهپاد در وضوح های فضایی مختلف استفاده شد ( شکل 6 ). آمار تفکیک‌پذیری‌های فضایی مختلف پهپاد NDVI ( جدول 2 ) در مقادیر میانگین مشابه بود، در حالی که مقادیر حداقل، حداکثر و انحراف استاندارد برای وضوح‌های مکانی بالاتر بیشتر بود. در رابطه با NDVI محاسبه شده از مجموعه داده Sentinel-2، تفاوت کمی برای مقدار میانگین تأیید شد، در حالی که مقادیر حداقل، حداکثر و انحراف استاندارد مشابه پهپاد NDVI در وضوح فضایی 10 متر بود ( شکل 6 ج). .
ماتریس سردرگمی ارائه شده در جدول 3 همبستگی بین تمام NDVI ها را نشان می دهد. همه رزولوشن‌های NDVI مبتنی بر پهپاد همبستگی خوبی نشان دادند و با نزدیک‌تر شدن وضوح فضایی به وضوح ماهواره افزایش یافتند.
همبستگی جغرافیایی با استفاده از یک شبکه 50 × 50 متر انجام شد که در مجموع 479 سلول به دست آمد. مقدار میانگین ماهواره NDVI با وضوح هر پهپاد مقایسه شد و نتایج در شکل 7 ارائه شده است. مقدار MI برای همه رویکردها 0.634 بود. به طور کلی، همه رویکردها رفتار مشابهی را در روابط BILISA نشان دادند، که در آن 59٪ از سلول ها مقدار p کمتر از 0.05 را نشان دادند: 81٪ سلول ها یک همبستگی HH یا LL را ارائه کردند (به ترتیب 39.3 و 41.4٪)، 11٪. یک همبستگی LH و تنها 8٪ یک همبستگی HL را ارائه کردند.

4. بحث

این مطالعه استفاده از داده های چند زمانی Sentinel-2 با دسترسی آزاد را برای انجام نظارت پس از آتش سوزی در منطقه ای به مساحت 361 هکتار در شمال شرقی پرتغال ارزیابی می کند. dNBI ( شکل 2 ) برای ارزیابی شدت آتش سوزی مورد استفاده قرار گرفت، که تخمین و ترسیم منطقه تحت تاثیر را در هر سطح شدت امکان پذیر کرد. هر دو کلاس شدت بالا و متوسط، اکثریت منطقه سوخته (در مجموع 86٪، مربوط به 311 هکتار) را نشان می دهند، که نشان دهنده بروز بالای اختلال آتش سوزی در توده های جنگلی موجود در منطقه است. علاوه بر این، هر دو کلاس نیز کمترین مقادیر NDVI پس از آتش سوزی را ارائه کردند ( شکل 4 ، سپتامبر 2017). همین روند توسط مطالعات دیگر تأیید شده است، با اشاره به اینکه مقادیر با افزایش شدت آتش سوزی کاهش می یابد [ 32]. از سوی دیگر، مناطق نسوخته و کم شدت بیشتر در حاشیه اختلال آتش سوزی قرار داشتند. این مناطق به دلیل وجود جاده و اولویت حفاظتی مسئولان به دلیل مجاورت با شهرک ها و زیرساخت ها، دسترسی آسان تری داشتند. این نتایج با میانگین مقدار NDVI تجزیه و تحلیل چند زمانی ( شکل 4 )، که مقادیر مشابهی را با داده های قبل از آتش سوزی در مناطق کم شدت و نسوخته همراه با تفاوت های NDVI کمتر پس از رویداد آتش سوزی نشان می دهد، تأیید می شود ( شکل 5 ). نمونه ای از یک پایه ساحلی که در برابر اختلال آتش مقاوم است در شکل 8 نشان داده شده است. از سوی دیگر، مناطق طبقه بندی شده با شدت آتش بالا یا متوسط، تفاوت بیشتری را در مقادیر NDVI در طول دوره تجزیه و تحلیل نشان دادند. این را می توان با جوانه زدن برخی از گونه ها و با باززایی برخی دیگر توجیه کرد، همانطور که در مورد کاج دریایی که دارای ویژگی های فیزیکی است که امکان بقای آن را فراهم می کند (پوست ضخیم و روش های تولید مثل) [ 54 ]. علاوه بر این، روند کاهشی مقادیر NDVI در طول ماه ها را می توان با وجود برخی از پوشش های زیر رشد که به دلیل عدم بارش و افزایش دمای هوا خشک می شود، توجیه کرد [ 55 ].
تصاویر چند طیفی مبتنی بر پهپاد که در 116 هکتار از مطالعه به دست آمد، نتایج مشابهی را در مقایسه با داده های Sentinel-2 نشان داد. این یافته‌ها قبلاً برای داده‌های تفکیک فضایی 1 متری WordView-2 [ 14 ] تأیید شده‌اند، اما هرگز برای Sentinel-2 تأیید نشده‌اند. در واقع، برای این نوع کاربرد، Sentinel-2 یک رویکرد مقرون‌به‌صرفه‌تر بود که می‌توانست مناطق وسیع‌تری را پوشش دهد، زمان بازبینی کوتاه‌تری (پنج روز) و طیف طیفی وسیع‌تری ارائه می‌دهد. از سوی دیگر، جمع‌آوری داده‌های چندطیفی مبتنی بر پهپاد، می‌تواند وضوح‌های زمانی مشابه یا بالاتر را ارائه دهد، اما به روشی زمان‌بر و گران‌تر، با افزایش هزینه‌ها برای مناطق بزرگ‌تر [ 56 ]]. این یک مسئله است، زیرا حداقل به دو نیروی انسانی نیاز است که سفرهای متعددی انجام دهند و چندین روز کار کنند تا زمان بازدید مجدد مشابهی داشته باشند [ 57 ]. علاوه بر این، چندین باتری برای پوشش دادن یک منطقه قابل توجه مورد نیاز است. فرناندز-گویسوراگا و همکاران. [ 14] از Parrot SEQUOIA برای جمع‌آوری داده‌های مبتنی بر پهپاد در طول نظارت پس از آتش‌سوزی یک منطقه 3000 هکتاری استفاده کرد و در این فرآیند با مشکلات متعددی مواجه شد. روش کلی زمان‌بر و محاسباتی بود، با جمع‌آوری داده‌ها دو ماه برای انجام (در مجموع ۱۰۰ ساعت) و پردازش بیشتر داده‌ها تقریباً ۳۲۰ ساعت طول کشید. برخی از این داده‌ها به دلیل نقص در عملکرد حسگر در طول پرواز، علاوه بر ناهنجاری‌های رادیومتری که در تصاویر به‌دست‌آمده و مشکلات بیشتر ذخیره‌سازی داده‌ها یافت می‌شوند، باید دور انداخته شوند. آزمایشی که توسط Fernández-Guisuraga و همکاران انجام شد. [ 14] اجازه داد که مناسب بودن تصاویر چندطیفی مبتنی بر پهپاد مشخص شود که اطلاعات بیشتری از نظر تنوع فضایی در مناطق سوخته ناهمگن مورد نیاز باشد. سایر نویسندگان اندازه گیری شدت آتش سوزی را با استفاده از تصاویر RGB مبتنی بر پهپاد بررسی کرده اند [ 17 ]]، اما برخی محدودیت‌ها که مستقیماً بر دقت آن تأثیر می‌گذارند، مانند تأثیر سایه‌های سایه‌بان، خطاهای فتوگرامتری در مدل‌سازی سایبان و روشنایی ناسازگار در سراسر تصاویر یافت شده‌اند. با این حال، تمام کاربردهای باقی مانده از نظر نظارت بر آتش را می توان با استفاده از تصاویر ماهواره ای، از جمله موارد ارائه شده توسط Sentinel-2 MSI، انجام داد. علی‌رغم اثربخشی زیاد داده‌های ماهواره‌ای برای نظارت پس از آتش سوزی در مقیاس محلی/منطقه‌ای، برخی از برنامه‌ها ممکن است به وضوح فضایی به‌طور قابل‌توجهی نیاز داشته باشند که پهپادها را ضروری می‌سازد، همانطور که در پایش درختان فردی [ 58 ] وجود دارد، که نمی‌توان آن را انجام داد. با داده های ماهواره ای با وضوح ده متر یا در برنامه های نظارت بر آتش در زمان واقعی [ 12]. بنابراین، مکمل بودن دو نوع داده ثابت می شود.

5. نتیجه گیری ها

در این مقاله، پتانسیل استفاده از تصاویر سری زمانی نوری ماهواره‌ای از برنامه ESA Copernicus برای نظارت بر مناطق نسبتاً کوچک تحت تأثیر آتش‌سوزی جنگل‌ها مورد بررسی قرار گرفت. در مناطقی با اندازه هایی تا اندازه ارائه شده در این مطالعه (~400 هکتار)، استفاده از پهپادهای کوچک و بسیار انعطاف پذیر برای تجزیه و تحلیل بازیابی پوشش گیاهی پس از آتش سوزی کاملاً امکان پذیر است. با این حال، استفاده از پهپاد منجر به انجام وظایف پرهزینه تر و پرهزینه تر پهپاد می شود که مستلزم چندین بازدید از یک میدان است. بنابراین، در این مطالعه، داده‌های Sentinel-2 MSI برای محاسبه NBRs قبل و بعد از اختلالات آتش‌سوزی به منظور اندازه‌گیری میزان و شدت آن‌ها با استفاده از تفاوت NBR (dNBR) استفاده شد. متعاقبا، NDVI نیز برای ارزیابی بازیابی جنگلداری در منطقه مورد مطالعه از سال 2017 تا 2019 محاسبه شد. NDVI از داده‌های Sentinel-2 MSI با داده‌های با وضوح بالا مبتنی بر پهپاد در وضوح‌های فضایی مختلف (0.25، 5 و 10 متر) برای دسترسی به شباهت‌های آنها مقایسه شد. نتایج کارایی داده های ماهواره ای را برای نظارت پس از آتش سوزی، حتی در مقیاس محلی نشان داد. داده‌های Sentinel-2 MSI رفتاری مشابه با داده‌های مبتنی بر پهپاد در ارزیابی مناطق سوخته نشان دادند. ماتریس سردرگمی، محاسبه شده برای Sentinel-2 و UAV، همبستگی بالایی را بین تمام NDVI ها نشان داد (به عنوان مثال، 0.83، 0.90 و 0.93 برای وضوح های فضایی 0.25، 5 و 10 متر، به ترتیب). علاوه بر این، مقادیر میانه و افراطی بسیار مشابه بودند، و بیش از 0.02 برای میانگین، 0.04 برای حداقل و 0.01 برای حداکثر تفاوت نداشتند. بدین ترتیب، در دسترس بودن داده‌های چند زمانی Sentinel-2 MSI با زمان‌های بازبینی مکرر باعث می‌شود که شدت اختلالات آتش‌سوزی شناسایی شود و در شرایط پس از آتش‌سوزی، بازیابی جنگل‌ها نظارت شود و تحولات آنها در مقایسه با قبل از آتش‌سوزی مشاهده شود. وضعیت پوشش گیاهی آتش به این ترتیب می توان از داده های Sentinel-2 به طور خودکار برای نظارت بر مناطق سوخته استفاده کرد. با این حال، این رویکرد باید در مناطق دیگر با گسترش آتش و پوشش‌های گیاهی مختلف و همچنین در دوره‌های گسترده‌تر پس از آتش‌سوزی مورد ارزیابی قرار گیرد.

منابع

  1. فرناندز، نخست وزیر؛ باروس، AMG؛ پینتو، آ. سانتوس، JA ویژگی ها و کنترل آتش سوزی های بسیار بزرگ در حوزه مدیترانه غربی. جی. ژئوفیس. Res. Biogeosci. 2016 ، 121 ، 2141-2157. [ Google Scholar ] [ CrossRef ]
  2. تغییرات کاربری زمین و آتش‌سوزی‌های رگو، FC. در پاسخ اکوسیستم های جنگلی به تغییرات محیطی ; Teller, A., Mathy, P., Jeffers, JNR, Eds. Springer: Dordrecht، هلند، 1992; صص 367-373. شابک 978-94-011-2866-7. [ Google Scholar ]
  3. فرناندز، نخست وزیر درباره محرک های اجتماعی-اقتصادی وقوع آتش سوزی در سطح شهرداری در پرتغال. برای. سیاست اقتصاد. 2016 ، 62 ، 187-188. [ Google Scholar ] [ CrossRef ]
  4. فاستر، DR. نایت، دی اچ. فرانکلین، JF الگوهای چشم انداز و میراث ناشی از اختلالات جنگلی بزرگ و نادر. اکوسیستم ها 1998 ، 1 ، 497-510. [ Google Scholar ] [ CrossRef ]
  5. متئوس، پ. فرناندز، PM آتش سوزی جنگل در پرتغال: پویایی، علل و سیاست ها. در زمینه و سیاست‌های جنگلی در پرتغال: چالش‌های حال و آینده ؛ Reboredo, F., Ed. جنگل های جهان؛ انتشارات بین المللی Springer: چم، سوئیس، 2014; صص 97-115. شابک 978-3-319-08455-8. [ Google Scholar ]
  6. Departamento de Gestão de Áreas Públicas e de Proteção Florestal 10. Relatório Provisório De Incêndios Florestais-2017 ، 2017.
  7. عدس، LB; هولدن، ZA; اسمیت، AMS؛ فالکوفسکی، ام جی. Hudak، AT; مورگان، پی. لوئیس، SA; Gessler، PE; تکنیک‌های سنجش از دور بنسون، NC برای ارزیابی ویژگی‌های آتش فعال و اثرات پس از آتش‌سوزی. بین المللی J. Wildland Fire 2006 ، 15 ، 319-345. [ Google Scholar ] [ CrossRef ]
  8. پادوآ، ال. وانکو، جی. هروشکا، ج. آدائو، تی. سوزا، جی جی. پرز، ای. Morais، R. UAS، حسگرها، و پردازش داده ها در جنگل های زراعتی: مروری به کاربردهای عملی بین المللی J. Remote Sens. 2017 , 38 , 2349–2391. [ Google Scholar ] [ CrossRef ]
  9. فرناندز-آلوارز، م. آرمستو، جی. Picos, J. LiDAR-based Wildfire Prevention in WUI: The Automatic Detection, Measurement and Evaluation of Forest Fuels. Forests 2019 , 10 , 148. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  10. شین، پ. سانکی، تی. مور، MM; Thode، AE در حال ارزیابی تصاویر وسایل نقلیه هوایی بدون سرنشین برای تخمین سوخت تاج پوشش جنگل در یک پایه کاج پوندروسا. Remote Sens. 2018 , 10 , 1266. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. Martínez-de Dios، JR; مرینو، ال. کابالرو، اف. Ollero، A. اندازه گیری خودکار آتش سوزی جنگل با استفاده از ایستگاه های زمینی و سیستم های هوایی بدون سرنشین. Sensors 2011 , 11 , 6328-6353. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  12. مرینو، ال. کابالرو، اف. Martínez-de-Dios، JR; مازا، من. Ollero، A. یک سیستم هواپیمای بدون سرنشین برای نظارت و اندازه گیری خودکار آتش سوزی جنگل. جی. اینتل. Robot Syst. 2012 ، 65 ، 533-548. [ Google Scholar ] [ CrossRef ]
  13. یوان، سی. ژانگ، ی. لیو، زی. نظرسنجی در مورد فن‌آوری‌های نظارت خودکار، تشخیص و مبارزه با آتش‌سوزی جنگل‌ها با استفاده از وسایل نقلیه هوایی بدون سرنشین و تکنیک‌های سنجش از دور. می توان. جی. برای. Res. 2015 ، 45 ، 783-792. [ Google Scholar ] [ CrossRef ]
  14. Fernández-Guisuraga، JM; Sanz-Ablanedo، E. سوارز-سئوآن، اس. Calvo، L. استفاده از وسایل نقلیه هوایی بدون سرنشین در کمپین های بررسی پوشش گیاهی پس از آتش سوزی از طریق مناطق بزرگ و ناهمگن: فرصت ها و چالش ها. Sensors 2018 , 18 , 586. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  15. فریزر، RH; ون در اسلویج، جی. هال، RJ کالیبراسیون شاخص‌های شدت سوختگی مبتنی بر ماهواره از معیارهای مشتق شده از پهپاد جنگل‌های شمالی سوخته در NWT، کانادا. Remote Sens. 2017 , 9 , 279. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  16. لاریناگا، آر. Brotons, L. Greenness Indices از یک تصویر پهپاد ارزان قیمت به عنوان ابزاری برای نظارت بر بازیابی جنگل پس از آتش سوزی. هواپیماهای بدون سرنشین 2019 ، 3 ، 6. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  17. مک کنا، پی. ارسکین، PD; Lechner, AM; Phinn, S. اندازه گیری شدت آتش سوزی با استفاده از تصاویر پهپاد در نیمه خشک مرکزی کوئینزلند، استرالیا. بین المللی J. Remote Sens. 2017 , 38 , 4244–4264. [ Google Scholar ] [ CrossRef ]
  18. کارواخال رامیرز، اف. مارکز داسیلوا، جی آر. آگوئرا-وگا، اف. Martínez-Carricondo، P. سرانو، جی. ارزیابی اخلاقی، FJ شاخص های شدت آتش بر اساس تصاویر چند طیفی قبل و بعد از آتش سوزی که از پهپاد حس می شود. Remote Sens. 2019 , 11 , 993. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  19. آیکاردی، آی. گاربارینو، م. لینگوا، ا. لینگوا، ای. مارزانو، آر. پیراس، ام. نظارت بر بازیابی جنگل پس از آتش سوزی با استفاده از مدل های سطح دیجیتال چندزمانی تولید شده از پلتفرم های مختلف. Earsel Eproceedings 2016 ، 15 ، 1-8. [ Google Scholar ]
  20. سفید، RA; بمب افکن، م. هوپی، جی پی؛ Shortridge، A. UAS-GEOBIA رویکرد به شناسایی نهال در Jack Pine Barrens پس از آتش سوزی. Drones 2018 , 2 , 40. [ Google Scholar ] [ CrossRef ][ Green Version ]
  21. هاردین، پی جی؛ Jensen، RR وسایل نقلیه هوایی بدون سرنشین مقیاس کوچک در سنجش از دور محیطی: چالش ها و فرصت ها. GIScience Remote Sens. 2011 ، 48 ، 99-111. [ Google Scholar ] [ CrossRef ]
  22. چو، تی. Guo, X. تکنیک های سنجش از دور در نظارت بر اثرات پس از آتش سوزی و الگوهای بازیابی جنگل در مناطق جنگلی شمالی: مروری. Remote Sens. 2014 ، 6 ، 470-520. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  23. کلمنته، RH; Cerrillo، RMN; Gitas, IZ نظارت بر بازسازی پس از آتش سوزی در اکوسیستم های مدیترانه ای با استفاده از تصاویر ماهواره ای چند زمانی. بین المللی J. Wildland Fire 2009 ، 18 ، 648-658. [ Google Scholar ] [ CrossRef ]
  24. آیدنشینک، جی. شویند، بی. بروور، ک. زو، ز.-ل. کویل، بی. هاوارد، اس. پروژه ای برای نظارت بر روند شدت سوختگی. اکول آتش نشانی 2007 ، 3 ، 3-21. [ Google Scholar ] [ CrossRef ]
  25. Van Leeuwen، WJD نظارت بر اثرات درمان های احیای جنگل بر بازیابی پوشش گیاهی پس از آتش سوزی با داده های چند زمانی MODIS. Sensors 2008 , 8 , 2017–2042. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  26. لیو، ی. گونگ، دبلیو. هو، ایکس. Gong، J. شناسایی نوع جنگل با جنگل تصادفی با استفاده از داده‌های Sentinel-1A، Sentinel-2A، Multi-Temporal Landsat-8 و DEM. Remote Sens. 2018 , 10 , 946. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  27. گاسکون، اف. کادائو، ای. کالین، او. هورش، بی. ایزولا، سی. فرناندز، BL; مارتیمورت، پی. کوپرنیک نگهبان-2 ماموریت: محصولات، الگوریتم ها و Cal/Val. در مجموعه مقالات سیستم های رصد زمین XIX انجمن بین المللی اپتیک و فوتونیک، سن دیگو، کالیفرنیا، ایالات متحده آمریکا، 26 سپتامبر 2014; جلد 9218، ص. 92181E. [ Google Scholar ]
  28. دروش، ام. دل بلو، U. کارلیر، اس. کالین، او. فرناندز، وی. گاسکون، اف. هورش، بی. ایزولا، سی. لابرینتی، پ. مارتیمورت، پی. و همکاران Sentinel-2: ماموریت نوری با وضوح بالا ESA برای خدمات عملیاتی GMES. سنسور از راه دور محیط. 2012 ، 120 ، 25-36. [ Google Scholar ] [ CrossRef ]
  29. موریرا، اف. آسکولی، دی. سافورد، اچ. آدامز، MA; مورنو، جی.ام. پریرا، JMC; Catry، FX; آرمستو، جی. باند، دبلیو. گونزالس، من؛ و همکاران مدیریت آتش سوزی در مناطق مدیترانه ای: تغییر پارادایم مورد نیاز محیط زیست Res. Lett. 2020 ، 15 ، 011001. [ Google Scholar ] [ CrossRef ]
  30. فرناندز-مانسو، آ. فرناندز-مانسو، او. Quintano، C. SENTINEL-2A مناسب بودن شاخص های طیفی لبه قرمز برای تشخیص شدت سوختگی. بین المللی J. Appl. زمین Obs. Geoinf. 2016 ، 50 ، 170-175. [ Google Scholar ] [ CrossRef ]
  31. روتتا، ای. باستاریکا، ا. پادیلا، م. طوفان، تی. Chuvieco، E. توسعه یک الگوریتم منطقه سوخته Sentinel-2: تولید یک پایگاه داده آتش سوزی کوچک برای جنوب صحرای آفریقا. سنسور از راه دور محیط. 2019 ، 222 ، 1-17. [ Google Scholar ] [ CrossRef ]
  32. ناوارو، جی. کابالرو، آی. سیلوا، جی. پارا، کامپیوتر; وازکز، Á. Caldeira, R. ارزیابی آتش سوزی جنگل در جزیره مادیرا با استفاده از تصاویر Sentinel-2A MSI. بین المللی J. Appl. زمین Obs. Geoinf. 2017 ، 58 ، 97-106. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  33. فیلیپونی، F. BAIS2: شاخص منطقه سوخته برای Sentinel-2. مجموعه مقالات 2018 ، 2 ، 364. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  34. آموس، سی. پتروپولوس، GP; Ferentinos، KP تعیین استفاده از Sentinel-2A MSI برای سوزاندن و تشخیص شدت آتش سوزی جنگلی. بین المللی J. Remote Sens. 2019 , 40 , 905–930. [ Google Scholar ]
  35. کوئینتانو، سی. فرناندز-مانسو، آ. Fernández-Manso، O. ترکیبی از داده های Landsat و Sentinel-2 MSI برای ارزیابی اولیه شدت سوختگی. بین المللی J. Appl. زمین Obs. Geoinf. 2018 ، 64 ، 221-225. [ Google Scholar ] [ CrossRef ]
  36. مالینس، جی. میتسوپولوس، آی. Chrysafi, I. ارزیابی و مقایسه شاخص های طیفی Sentinel 2A و Landsat-8 Operational Land Imager (OLI) برای تخمین شدت آتش سوزی در اکوسیستم کاج مدیترانه ای یونان. GIScience Remote Sens. 2018 ، 55 ، 1-18. [ Google Scholar ] [ CrossRef ]
  37. فیلیپونی، F. بهره برداری از سری زمانی Sentinel-2 برای نقشه برداری از مناطق سوخته در سطح ملی: مطالعه موردی در مورد آتش سوزی های ایتالیا در سال 2017. Remote Sens. 2019 , 11 , 622. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  38. کریسفیس، آی. کریستوپولو، ا. کازانیس، دی. فرنگیتاکیس، GP; مالینس، جی. میتسوپولوس، آی. آریانوتسو، م. واسیلاکیس، ای. آنتونیو، وی. تئوفانوس، ن. و همکاران نقشه برداری بازیابی پوشش گیاهی پس از آتش سوزی با استفاده از تصاویر چند زمانی Sentinel-2A در جزیره Chios، یونان. در مجموعه مقالات کنفرانس مجمع عمومی EGU، وین، اتریش، 4 تا 13 آوریل 2018؛ جلد 20، ص. 7066. [ Google Scholar ]
  39. ICNG—Instituto da Convervação da Natureza e das Florestas Mapas—ICNF. در دسترس آنلاین: https://www2.icnf.pt/portal/florestas/dfci/inc/mapas (در 9 ژانویه 2020 قابل دسترسی است).
  40. لوئیس، جی. دباکر، وی. Pflug، B. مین-نورن، ام. بینیارز، ج. مولر ویلم، یو. کادائو، ای. Gascon, F. SENTINEL-2 SEN2COR: پردازنده L2A برای کاربران. در مجموعه مقالات سمپوزیوم سیاره زنده 2016، پراگ، جمهوری چک، 9 تا 13 مه 2016; اووهند، ال.، اد. کتاب فضایی آنلاین: پراگ، جمهوری چک، 2016; جلد SP-740، صفحات 1-8. [ Google Scholar ]
  41. کلید، سی. بنسون، ن. ارزیابی چشم‌انداز: اندازه‌گیری شدت، شاخص سوختگی مرکب. و سنجش از دور شدت، نسبت سوختگی نرمال شده. در FIREMON: سیستم نظارت بر اثرات آتش سوزی و موجودی . خدمات جنگلی USDA، ایستگاه تحقیقاتی کوه های راکی: Ogden، UT، ایالات متحده آمریکا، 2006; پ. LA 1-51. [ Google Scholar ]
  42. وراربکه، اس. لرمیت، اس. Verstraeten، WW; Goossens, R. ارزیابی شدت سوختگی MODIS با زمان با استفاده از نسبت سوختگی نرمال شده چند زمانی متفاوت (dNBRMT). بین المللی J. Appl. زمین Obs. Geoinf. 2011 ، 13 ، 52-58. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  43. فرانسوی، NHF; Kasischke، ES; هال، RJ; مورفی، کالیفرنیا؛ Verbyla، DL; هوی، EE; آلن، JL با استفاده از داده های Landsat برای ارزیابی آتش سوزی و شدت سوختگی در منطقه جنگل شمالی آمریکای شمالی: یک مرور کلی و خلاصه نتایج. بین المللی J. Wildland Fire 2008 ، 17 ، 443-462. [ Google Scholar ] [ CrossRef ]
  44. Rouse، JW، Jr. هاس، RH; شل، JA; Deering، DW سیستم های پوشش گیاهی را در دشت های بزرگ با Erts نظارت می کند. مشخصات ناسا انتشار 1974 ، 351 ، 309. [ Google Scholar ]
  45. گوویا، سی. داکامارا، سی سی؛ Trigo، RM بازیابی پوشش گیاهی پس از آتش سوزی در پرتغال بر اساس داده های نقطه / پوشش گیاهی. نات سیستم خطرات زمین. علمی 2010 ، 10 ، 673-684. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  46. تئودورو، ا. آمارال، الف. تجزیه و تحلیل آماری و فضایی آتش‌سوزی‌های جنگلی پرتغال در تابستان 2016 با در نظر گرفتن داده‌های Landsat 8 و Sentinel 2A. Environments 2019 ، 6 ، 36. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  47. Keeley، JE شدت آتش، شدت آتش و شدت سوختگی: بررسی مختصر و استفاده پیشنهادی. بین المللی J. Wildland Fire 2009 ، 18 ، 116-126. [ Google Scholar ] [ CrossRef ]
  48. تیم توسعه GRASS. نرم افزار سیستم پشتیبانی تجزیه و تحلیل منابع جغرافیایی (GRASS) ; نسخه 7.2. بنیاد زمین فضایی منبع باز: Beaverton، OR، ایالات متحده آمریکا، 2017. [ Google Scholar ]
  49. کنراد، او. بچتل، بی. بوک، ام. دیتریش، اچ. فیشر، ای. گرلیتز، ال. وهبرگ، جی. ویچمن، وی. Böhner, J. System for Automated Geoscientific Analyses (SAGA) v. 2.1.4. Geosci. مدل Dev. 2015 ، 8 ، 1991-2007. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  50. موران، پاپ یادداشت هایی در مورد پدیده های تصادفی پیوسته. Biometrika 1950 ، 37 ، 17-23. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  51. Anselin، L. شاخص های محلی ارتباط فضایی-LISA. Geogr. مقعدی 1995 ، 27 ، 93-115. [ Google Scholar ] [ CrossRef ]
  52. آنسلین، ال. ری، SJ اقتصاد سنجی فضایی مدرن در عمل: راهنمای GeoDa، GeoDaSpace و PySAL . Geoda Press LLC: Chicago, IL, USA, 2014; شابک 978-0-9863421-0-3. [ Google Scholar ]
  53. آنسلین، ال. سیبری، آی. Kho, Y. GeoDa: مقدمه ای بر تجزیه و تحلیل داده های مکانی. Geogr. مقعدی 2006 ، 38 ، 5-22. [ Google Scholar ] [ CrossRef ]
  54. فرناندز، نخست وزیر؛ Rigolot، E. اکولوژی آتش سوزی و مدیریت کاج دریایی (Pinus pinaster Ait.). برای. Ecol. مدیریت 2007 ، 241 ، 1-13. [ Google Scholar ] [ CrossRef ]
  55. شراج، م. بریلی، م. Mikoš, M. رهگیری بارندگی توسط دو جنگل خزان‌پذیر مدیترانه‌ای با قد متضاد در اسلوونی. کشاورزی برای. هواشناسی 2008 ، 148 ، 121-134. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  56. Matese، A.; توسکانو، پی. دی جنارو، اس اف. جنزیو، ال. Vaccari، FP; پریمیسریو، جی. بلی، سی. زالده ای، ع. بیانکونی، آر. Gioli، B. مقایسه متقابل پهپاد، هواپیما و سکوهای سنجش از دور ماهواره‌ای برای کشت انگور دقیق. Remote Sens. 2015 ، 7 ، 2971-2990. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  57. اندرسون، ک. وسایل نقلیه هوایی بدون سرنشین سبک وزن گاستون، کی جی انقلابی در اکولوژی فضایی ایجاد خواهند کرد. جلو. Ecol. محیط زیست 2013 ، 11 ، 138-146. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  58. پادوآ، ال. آدائو، تی. گیماراس، ن. سوزا، ا. پرز، ای. Sousa، JJ بازیابی جنگلداری پس از آتش سوزی با استفاده از تصاویر چند طیفی با وضوح بالا از وسایل نقلیه هوایی بدون سرنشین. در مجموعه مقالات ISPRS – آرشیو بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی، پراگ، جمهوری چک، 3 تا 6 سپتامبر 2019؛ Copernicus GmbH: گوتینگن، آلمان، 2019؛ جلد XLII-3-W8، صفحات 301-305. [ Google Scholar ]
Ijgi 09 00225 g001 550
شکل 1. نمای کلی منطقه مورد مطالعه به همراه وسعت آتش و منطقه بررسی شده توسط هواپیمای بدون سرنشین (UAV).
Ijgi 09 00225 g002 550
شکل 2. طبقه بندی شدت آتش سوزی منطقه مورد مطالعه.
Ijgi 09 00225 g003 550
شکل 3. شاخص تفاوت نرمال شده پوشش گیاهی (NDVI) منطقه مورد مطالعه در: ( الف ) سپتامبر 2017، ( ب ) آگوست 2017، ( ج ) سپتامبر 2018 و ( د ) سپتامبر 2019. تفاوت NDVI (dNDVI) نسبت به سپتامبر 2017 در ( ه ) آگوست 2017، ( f ) اوت 2018 و ( g ) اوت 2019.
Ijgi 09 00225 g004 550
شکل 4. مقادیر میانگین شاخص گیاهی تفاوت نرمال شده (NDVI) منطقه مورد مطالعه ( a ) و برای هر سطح شدت ( b ) در ماه های ژوئن، ژوئیه، آگوست و سپتامبر 2017، 2018 و 2019. نارنجی نقطه چین شده است. خط تاریخ اختلال آتش سوزی را نشان می دهد.
Ijgi 09 00225 g005 550
شکل 5. مقادیر میانگین تفاوت شاخص گیاهی تفاوت نرمال شده (dNDVI) منطقه مورد مطالعه برای هر سطح شدت در ماه‌های ژوئن، ژوئیه، آگوست و سپتامبر طی سال‌های 2018 و 2019.
Ijgi 09 00225 g006 550
شکل 6. شاخص گیاهی تفاوت نرمال شده (NDVI) محاسبه شده از داده های چند طیفی به دست آمده از هواپیمای بدون سرنشین در 0.25 متر ( a ) و نمونه های مجدد تا 5 متر ( b ) و 10 متر ( c ) و همچنین NDVI محاسبه شده از داده های Sentinel-2 MSI ( d ).
Ijgi 09 00225 g007 550
شکل 7. مقدار میانگین شاخص گیاهی تفاوت نرمال شده (NDVI) محاسبه شده با استفاده از داده های چند طیفی به دست آمده از یک وسیله نقلیه هوایی بدون سرنشین (UAV) در 0.25 متر ( a ) و نمونه های مجدد به 5 متر ( b ) و 10 متر ( c )، و همچنین NDVI محاسبه شده از داده های Sentinel-2 Multispectral Instrument (MSI) ( d ) در شبکه 50×50 متر. نقشه های خوشه ای شاخص های محلی دو متغیره ارتباط فضایی (BILISA) بین نقشه NDVI از Sentinel-2 و NDVI های مبتنی بر پهپاد در وضوح های فضایی مختلف 0.25 متر ( e )، 5 متر ( f ) و 10 متر ( g ). ارتباط با مقدار p < 0.05 با یک حاشیه سیاه برجسته می شود.
Ijgi 09 00225 g008 550
شکل 8. نمای کلی یک پایه که در برابر اختلال آتش مقاومت می کند. محل آن در منطقه مورد مطالعه ( الف ) با یک صلیب سفید مشخص شده و ( ب ) در موزاییک ارتوفوتو مبتنی بر پهپاد قابل مشاهده است. داده های جولای 2019.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید