خلاصه

این تحقیق بر روی مطالعه تکامل قرار گرفتن در معرض بصری در محل بنای طبیعی Drátenická skála (در جمهوری چک) و مجموعه جنگلی اطراف آن از نظر تاریخ و از طریق مدل‌سازی برای توسعه احتمالی بیشتر متمرکز بود. جنگل‌های محلی از یک ترکیب طبیعی صنوبر-راش به یک صنوبر فشرده با آفات اندک یا رویدادهای بادشکن به هجوم واقعی سوسک‌های پوست تبدیل شدند. نقشه‌های تاریخی، نقاشی‌های منظره، عکس‌ها و عکس‌های اورتوفوتو به عنوان مواد اولیه برای تصویرسازی وضعیت گذشته استفاده می‌شوند. توسعه بیشتر با استفاده از مدل‌های ارتفاع تاج پوشش و ویژگی‌های طیفی گرفته‌شده توسط وسایل نقلیه هوایی بدون سرنشین (UAV) مدل‌سازی شد. به عنوان مثال، وضعیت احتمالی مرگ و میر کلی در میان درختان صنوبر مخروطی پس از شیوع سوسک پوست مدل‌سازی شد. گزینه‌های دیگر و استفاده عملی از چنین داده‌های از پیش پردازش‌شده، برای مثال، مدلی برای باز کردن و تبدیل توده‌های اطراف سنگ به عنوان یکی از روندهای مدیریت رخنمون در حال انجام در منطقه چشم‌انداز حفاظت‌شده (PLA) Žďárské vrchy است.

کلید واژه ها:

سایبان ; طبقه بندی تصویر ; عکس ارتو ; نقشه های تاریخی ; پهپاد ; NDVI ; مدل زمین دیجیتال ; مدل سطح دیجیتال

1. معرفی

نویسندگان مایلند این مقاله را به یاد استادیار یان لاسینا تقدیم کنند که در 21 مارس 2020 درگذشت. وی جنگلبان چک با روح شاعر و ژئوبیواکولوژیست بود. عاشق طبیعت، پرندگان و نقاشی منظره؛ و یک مدافع خستگی ناپذیر علم جنگل. از او برای الهام بخشیدن به این مقاله و کمک به جستجوی نقاشی های هنرمندان Žďárské vrchy بسیار سپاسگزاریم – منظره ای که او بسیار دوست داشت.
قرار گرفتن در معرض بصری یک ویژگی زیستگاهی است که ممکن است در ابتدا مهم به نظر نرسد. با این حال، پوشش گیاهی در مناطق با رخنمون های سنگی برجسته می تواند عامل کلیدی در شرایط زندگی گونه های جانوری و گیاهی باشد که به طور خاص در این محیط رخ می دهد. این مطالعه حفاظت از رخنمون‌های صخره‌ای را که به عنوان ریزاکوسیستم‌های خاص در نظر گرفته می‌شوند و کانون‌های تنوع زیستی هستند که با تهدیدات و اثرات تغییرات آب و هوایی مداوم مواجه هستند، هدف قرار داده است [ 1 ، 2 ]. آنها پناهگاهی برای گیاهان و جانوران از مناظر محیطی تحت تأثیر انسان هستند و ویژگی های منحصر به فردی برای زندگی دارند [ 3 ]]. این مناطق شرایط نامساعد ادافیک، مواد مغذی، دما و سایر شرایط اقلیمی را حذف می‌کنند و در کنار ایجاد ناهمگونی توپوگرافی، به عنوان زیستگاه مناسب برای گونه‌های بومی که نیاز به محیط خاصی دارند [ 4 ] عمل می‌کنند.

1.1. هدف مطالعه

در این مطالعه، هدف ما در درجه اول توصیف توسعه پوشش گیاهی در اطراف Drátenická skála بود، زیرا یکی از جذاب ترین مکان هایی است که در گذشته تحت تأثیر انسان یا فرآیندهای طبیعی قرار گرفته است. ما همچنین وضعیت احتمالی آینده آن را بررسی کردیم، که می‌تواند برای مناسب بودن برای بسیاری از موجودات تعیین کننده باشد. با استفاده از تحلیل‌های سیستم‌های اطلاعات جغرافیایی (GIS)، ما قرار گرفتن در معرض بصری احتمالی غرفه‌ها را پس از یک مداخله کنترل‌شده یا شیوع طبیعی [ 5 ] مدل‌سازی کردیم و وضعیت را در قرن‌های گذشته با استفاده از موارد زیر مقایسه کردیم:
  • نقاشی منظره و نقشه های تاریخی،
  • عکس های تاریخی و فعلی و ارتفتو و
  • داده های سنجش از راه دور وسیله نقلیه هوایی بدون سرنشین (UAV) و مدل های دیجیتال زمین و سطح.

1.2. نقاشی منظره

نقاشی قدیمی ترین روش به تصویر کشیدن واقعیت است. این کار در ماقبل تاریخ آغاز شد، زمانی که اجداد ما بر روی دیوارهای غار و سایر آثار باستانی نقاشی می کردند. خطوط اخر روی سنگ غار بلومبوس (آفریقای جنوبی) احتمالاً قدیمی ترین نقاشی شناخته شده بشر است. قدمت آن‌ها به عصر حجر میانه می‌رسد و قدمت آن‌ها 73000 سال تعیین شده است [ 6 ]. دیگر نقاشی‌های هزار ساله حیوانات روی دیواره‌های غار از فرانسه، آلمان و اسپانیا شناخته شده است [ 7 ]. ما می توانیم در مورد هدف آنها حدس بزنیم، اما چندین توضیح وجود دارد. آنها می توانستند به عنوان پیام هایی در مورد حضور حیوانات به تصویر کشیده شده به عنوان منبع اصلی یک وعده غذایی [ 8 ]، به عنوان قدیمی ترین طرح ها یا نقشه ها، یا حتی برای اهداف آیینی عمل کنند [ 9 ]]. در ارتباط با تکامل مغز انسان، این نقاشی‌ها می‌توانست نوعی بیان شخصی نیز باشد. با گذشت زمان، نقاشی به شکلی از هنر با جهت ها و سبک های مختلف تبدیل شد. به نظر می رسد نقاشی منظره یک سبک منحصر به فرد است که در قرن هفدهم در هلند توسعه یافت و در طول قرن های 19 و 20 به اوج خود رسید. این امر سپس منجر به توسعه چندین سبک هنری مانند رمانتیسم، رئالیسم، مدرنیسم و ​​امپرسیونیسم شد که توسط نقاشانی مانند ژاکوب رویسدیل، ال گرکو، کارلوس دو هاس، کلیسای فردریک ادوین، پابلو پیکاسو، پل سزان، کلود مورد استفاده قرار گرفت. مونه و ونسان ون گوگ در سرزمین‌های چک، تاریخ نقاشی منظره تقریباً در قرن نوزدهم آغاز شد، زیرا هنرمندان ما تحت تأثیر باربیزون فرانسوی و سایر مکاتب اروپایی بودند.10 ].

1.3. سنجش از دور

پدیده مدل‌سازی اشکال زمین زمین با توسعه سیستم‌های اطلاعات جغرافیایی (GIS) و سنجش از دور (RS) آغاز شد. یکی از این فناوری‌های مدل‌سازی زمین، تشخیص و محدوده نور (LiDAR) است که بر اساس اصل بازتاب پرتو لیزر از سطح زمین ساخته شده است. اسکنرهای لیزری سیستم‌های فعالی هستند که پالس‌های نوری ساطع می‌کنند و انرژی آن‌ها را ثبت می‌کنند. این خوانش ها توسط یک هواپیمای مخصوص انجام می شود. سایر اجزای این سیستم عبارتند از: واحد اندازه‌گیری طول، واحد کنترل و ضبط، واحد IMU (واحد اندازه‌گیری اینرسی)/واحد سیستم‌های ماهواره‌ای ناوبری جهانی (GNSS) و واحد تصویربرداری [ 11 ].]. با محاسبه مقادیر اندازه گیری شده فاصله و زمان بین انتشار و دریافت پرتو لیزر و تعیین محل انعکاس، مختصات X، Y و Z نقاط دقیقا مشخص شده و ابر نقطه ای تولید می شود. با استفاده از چندین روش درونیابی، می توان مدل های سطح و زمین را محاسبه کرد [ 12 ]. در حال حاضر، در جمهوری چک، ما قادر به کار با مدل سطح دیجیتال نسل اول (DSM 1G) هستیم که دقت 0.7 متر برای پوشش گیاهی و 0.4 متر برای ساختمان ها [ 13 ، 14 ] و نسل پنجم دارد. مدل دیجیتالی زمین (DTM 5G)، که دقتی در حدود 0.18 متر در زمین باز و 0.3 متر در زمین پوشیده از پوشش گیاهی دارد [ 13 ، 15 ]].
در حال حاضر، علاقه فزاینده ای به استفاده از سیستم های هوایی بدون سرنشین و الگوریتم ساختار از حرکت (SfM) در جنگلداری وجود دارد. این فناوری بیشتر برای استفاده در فهرست جنگل ها مورد مطالعه قرار گرفته است [ 16 ]. به طور معمول، مدل های ارتفاع تاج ایجاد شده و اطلاعات طیفی برای تخمین متغیرهای جنگل استفاده می شود [ 17 ]. یک زمینه کاربردی دیگر، نظارت و ارزیابی شرایط سلامت جنگل است. برای این منظور، ترکیبی از مدل‌های سه‌بعدی با ویژگی‌های طیفی دوبعدی اغلب مورد استفاده قرار می‌گیرد و با استفاده از حسگرهای چندطیفی به‌دست می‌آید و در موارد قبلی نیز استفاده می‌شود [ 18 ، 19 ].]. مطالعات پیچیده‌ای که با تخمین متغیرهای جنگلی مبتنی بر پهپاد از قبیل ارتفاع غالب، ارتفاع متوسط ​​لوری، تراکم ساقه، مساحت پایه و حجم چوب سروکار دارند، کار پولیتی و همکاران را به‌دست آورده‌اند. [ 20 ] و تومینن و همکاران. [ 21 ]. در جنگل های معتدل، میکیتا و همکاران. [ 22 ] پارامترهای بیوفیزیکی جنگل را با استفاده از ترکیبی از پهپاد و فتوگرامتری برد نزدیک تعیین کرد. روش‌های موجودی جنگل مبتنی بر پهپاد را می‌توان به رویکردهای مبتنی بر منطقه (ABA) [ 23 ] و رویکردهای تاج درخت منفرد (ITC) [ 24 ] تقسیم کرد. ITC تشخیص درختان را با دقت 25٪ تا 90٪ امکان پذیر می کند [ 25 ، 26 ]]، برای طبقه بندی آنها بر اساس گونه های درختی با دقت تا 95٪ [ 27 ] و برای اندازه گیری ارتفاع درختان با RMSE در محدوده 0.5-2.84 متر [ 25 ، 28 ].
در حال حاضر نقش سنجش از دور در جنگلداری به ویژه برای ارزیابی وضعیت سلامت جنگل ها رو به افزایش است. سنجش از دور امکان ارزیابی سریع و عینی منطقه وسیعی از جنگل ها را فراهم می کند. با استفاده از حسگرهای چند طیفی یا فراطیفی، می توان محتوای کلروفیل، آب و رنگدانه های برگ را تعیین کرد [ 29 ]. دستیابی به داده های طیفی گسسته با استفاده از پهپاد امکان پذیر است، زیرا حسگرهای سبک وزن زیادی در سال های اخیر توسعه یافته اند. با این حال، در مقایسه با دوربین های RGB، دوربین های چند طیفی با وضوح پایین تر مشخص می شوند [ 16 ]. بر خلاف کشاورزی، که در آن اطلاعات طیفی به طور معمول استفاده می شود، تنها مطالعات کمی در جنگلداری با استفاده از داده های طیفی به دست آمده توسط پهپادها وجود دارد. ناسی و همکاران [ 30] ترکیبی از رویکرد ITC و داده های فراطیفی را به عنوان یک جایگزین مقرون به صرفه برای پایش میدانی آلودگی سوسک پوست استفاده کرد. طبق گفته Minařík و Langhammer [ 31 ]، لبه قرمز و بخش NIR طیف الکترومغناطیسی مفیدترین برای نظارت بر تنش هستند. شاخص تفاوت نرمال شده پوشش گیاهی، به ویژه در سری های زمانی و در ارتباط با طبقه بندی تصادفی جنگل، ممکن است یکی از بهترین پیش بینی کننده ها برای ترسیم تنش فیزیولوژیکی باشد [ 32 ].]. دلیل اصلی استفاده از پهپادها بیش از هر چیز انعطاف پذیری بالا است که به ویژه امروزه که جنگل ها به دلیل تغییرات آب و هوایی و بیماری های مربوط به آن به سرعت در حال تغییر هستند، بسیار سودمند است. دلیل جزئی ایجاد مدل ارتفاع سایبان مبتنی بر پهپاد/SfM، تراکم نقطه بالا در مقایسه با محصول عمومی LiDAR، DTM 5G بود. لازم به ذکر است که حداقل تراکم نقطه LiDAR مورد نیاز برای ایجاد مدل های ارتفاع تاج پوشش تقریباً 5 نقطه بر متر مربع است و میانگین چگالی داده های LiDAR موجود برای این محل 1 نقطه در هر 10 متر مربع است [ 33 ].
با توجه به تحقیقات خاص رخنمون سنگ، مطالعات زیادی با هدف مدل‌سازی رخنمون سنگ با استفاده از فناوری‌های مختلف سنجش از دور یا اسکن لیزری زمینی وجود دارد. در برخی موارد، مطالعات با بررسی‌های زمین‌شناسی ساختاری نیز مرتبط است [ 34 ، 35 ، 36 ، 37 ، 38 ]. با افزایش فناوری‌ها، مدل‌سازی رخنمون فقط به زمین محدود نمی‌شود، بلکه در سیارات حالت جامد یا قمرهای منظومه شمسی نیز انجام می‌شود [ 39 ]. همچنین می‌توان به تحقیقات قبلی تیم نویسندگان اشاره کرد که مدل‌های سه‌بعدی مختلف تخته سنگ‌ها را مقایسه کردند [ 40 ]]. در محل Žďárské vrchy، مطالعات کمی در مورد مدیریت رخنمون انجام شده است. یکی از معدود موارد سال های اخیر مطالعه Malinská skála و شناسایی رخنمون های آن بود [ 5 ].

2. مواد و روشها

2.1. منطقه منظره حفاظت شده Žďárské vrchy

ارتفاعات Žďárské vrchy در جمهوری چک مرکزی، مناطق Vysočina و Pardubice ( شکل 1 ) بر روی “بام اروپا” واقع شده است، جایی که شکاف اصلی رودخانه های البه-دانوب اروپایی از آن می گذرد. این منطقه به دلیل ویژگی‌های چشم‌انداز خاص خود که شامل فرم‌های ژئومورفولوژیکی معمولی، صخره‌ها، جنگل‌های عمیق، پوشش گیاهی پراکنده، مراتع سنگی، چمن‌زارهای گل‌دار، سیستم‌های رودخانه‌ای و زیستگاه‌های طبیعی حفظ‌شده است که با عناصر معماری عامیانه و همزیستی هماهنگ کامل شده‌اند، شناخته شده است. انسان. همه این پدیده ها به دلیل گسترش انسان و سوء استفاده از ثروت طبیعی سپرده شده، که با استعمار قرون وسطی آغاز شد، در معرض خطر قرار گرفتند و هستند – اولین نشانه مکتوب از سکونت در سال 1420 است [ 41 ، 42 ].]. منطقه حفاظت شده منظره (PLA) در سال 1970 توسط اعلامیه وزارت فرهنگ جمهوری سوسیالیستی چکسلواکی اعلام شد و بیش از 70000 هکتار را پوشش می دهد [ 43 ]. موضوع حفاظت با این اطلاعیه تعریف شد که می گوید [ 44]: «مأموریت محلی حفاظت از منظر محلی، ظاهر و ویژگی های معمولی آن برای ایجاد یک محیط هماهنگ است. در درون این ویژگی‌های منظر معمولی، تشکیلات سطحی خاص شامل جریان‌های آب و نواحی آبی، طراحی و استفاده از منابع جنگلی و زمین‌های کشاورزی، پوشش گیاهی و حیات وحش، ساختار شهرک مسکن، ترکیب شهری املاک مسکونی، معماری محلی محلی و اشکال قابل توجه یا غالب است. از تولید.” اهداف زیر مهمترین و به نظر می رسد مرتبط ترین آنها با موضوع ما باشد: حفظ و مدیریت اکوسیستم های طبیعی جنگلی، افزایش پایداری اکولوژیکی، و حفظ ویژگی های طبیعی غیرزیست معمولی و ویژگی های چشم انداز.

2.1.1. زمین شناسی و ژئومورفولوژی

PLA شامل چندین واحد زمین شناسی توده چک است که در طی چین خوردگی Varisk در پالئوزوئیک (دوونی و کربنیفر) تشکیل شده است. در بخش‌های مرکزی و شمال غربی، می‌توانیم بزرگترین آن، Svratka Crystalinicum، با میگماتیت‌ها، ارتوگنیس‌های دولایه و شیست‌های میکا را پیدا کنیم. مهم ترین ویژگی ها رخنمون های ارتوگنیس دانه درشت با آمفیبولیت ها و اسکارن ها هستند. ویژگی های جزئی در Strazec Mouldanubicum با پاراگنیس ها، آمفیبولیت ها، سنگ آهک های کریستالی و سرپانتینیت ها و سپس Polička Crystalinicum با گنیس، توده کوه های آهن با گرانیت ها و پورفیری ها، زون Hlinsko با فیلیت ها، سنگ های رانسکو، توده سنگی و در نهایت با فوران تشکیل شد. ، منطقه سازند کرتاسه چک با ماسه سنگ های آهکی، سنگ های رسی و مارلیت ها. در طول دوره زمین شناسی بعدی – پلیستوسن – رخنمون ها تحت تأثیر هوازدگی برودتی قرار گرفتند و رسوبات کارستی و سنگی و مزارع آیش ایجاد کردند. تراس‌ها و لنگه‌های رودخانه‌ای آبرفتی در دوران هولوسن شکل گرفتند.45 ، 46 ، 47 ].
چشم انداز محلی به خاطر پشته های بزرگ مشخصه و دره های رودخانه ای گسترده بین آنها مشهور است. این برجستگی کلان دارای ریزساختارهای برودتی است، به‌عنوان مثال، رخنمون‌های صخره‌ای، توری‌ها و صخره‌های یخبندان که توسط مزارع آیش و تراس‌های انجماد احاطه شده‌اند. همه این پدیده های ژئومورفولوژیکی بخش مهمی از میراث ژئومیراث محلی بر اساس ماهیت تنوع زمین هستند. اهمیت میراث جغرافیایی اخیراً افزایش یافته است زیرا ما به طور فزاینده ای از نیاز به حفاظت از ژئوسایت (یا ژئومورفوسیت) آگاه هستیم [ 48 ، 49 ].
2.1.2. گیاهان و جانوران
این منطقه تا زمان استعمار قرون وسطی در قرن سیزدهم توسط جنگل های انبوه اولیه پوشیده شده بود. قطعاتی از آن جنگل طبیعی تا به امروز حفظ شده است و معمولاً در اطراف پشته هایی با رخنمون قرار دارد. همه آنها اشیاء حفاظت هستند [ 42 ]. چندین بررسی گیاه شناسی انجام شده است، و به عنوان مثال، گونه های گیاهی مهم زیر را از بسیاری از جوامع گیاهی ذکر می کنند (به عنوان مثال، [ 50 ]). ترکیبات گیاهی معمولی این توده‌ها چوب‌های راش صنوبر اسیدوفیل ( Luzulo-Fagion )، با راش ( Fagus sylvatica L.)، صنوبر ( Picea abies (L.) H. Karst) و صنوبر ( Abies alba Mill.) به عنوان غالب هستند. گونه های چوبی [51 ]. در برخی مکان‌ها، اسکله‌های باقی‌مانده و چوب‌های صنوبر خط آب با دیگر گونه‌های درختی – کاج ( Pinus sylvestris L. و P. rotundata L.) موجود است. نمایندگان دیگر توده ها و جوامع کمتر پراکنده در چندین سایت منظره حفاظت شده نگهداری می شوند، مانند پوشش گیاهی گونه های گیاهی کمیاب ( Leucojum vernum L.، Aconitum variegatum L.، Vaccinium uliginosum L.، Oxycoccus palustris Pers.، Eryophorum vaginatum L. ، و اسفاگنومsp.). اکثر این گونه ها با جنگل تولید صنوبر نروژ جایگزین شدند. به‌علاوه، در مکان‌های حفاظت‌شده غیرجنگلی، مانند اکوسیستم‌های آب‌های ایستاده و جاری، نیزارها، چمن‌زارها یا هیت‌ها [ 34 ]، می‌توان طیف وسیعی از گونه‌های گیاهی آوندی کمیاب را مشاهده کرد، به‌عنوان مثال، Caricion sp.، Carex sp.، Sphagnum sp.، Trichoporum alpinum L.، Drosera rotundifolia L.، Dactylorhiza majalis (Rchb.) PF Hunt et Summerh.، و Nymphaea candida J. Presl [ 43 ].
در این محل، گونه‌های حیات وحش کوهستانی و زیرکوهی به‌ویژه در تکه‌های توده‌های راش، دشت‌های خیس و مراتع هیت، توده‌های کناره‌ها یا تالاب‌ها به‌شدت حفظ می‌شوند. 160 گونه پرنده وجود دارد: لک لک سفید ( Ciconia ciconia L.)، گنجشک اوراسیا ( Accipiter nisus L.)، گوشاوک شمالی ( Accipiter gentilis L.) و جغد اوراسیا ( Bubo bubo L.) و 53 گونه پستاندار: بارباستل غربی ( Barbastella barbastellus Schr.)، خفاش نعل اسبی کوچک ( Rhinolophus hipposideros Bech.)، سمور اوراسیا ( Lutra lutra L.) و گورکن اروپایی ( Meles meles )L.). علاوه بر این، گونه های معمولی شکار رخ می دهند و به نظر می رسد جمعیت طبیعی گوزن قرمز ( Cervus elaphus L.) در منطقه شکارچی Žďárské vrchy مهم ترین باشد. معمولاً گوزن ( Capreolus capreolus L.)، گراز وحشی ( Sus scrofa L.) یا روباه ( Vulpes vulpes L.) مشاهده می شود. علاوه بر این، خزندگان: مارمولک زنده زا ( Zotoca vivipara Lich.) و افعی اروپایی ( Vipera berus L.). دوزیستان: نیوت آلپ ( Ichthyosaura alpestris Laur.) و قورباغه معمولی ( Rana temporaria L.)؛ و صدها گونه از بی مهرگان: خرچنگ اروپایی ( Astacus astacus L.)، حلقه معمولی ( Coenonympha tulila)Müll.)، کرنبری آبی ( Agriades optilete Knoch)، و Formica sp. بخش های مهمی از اکوسیستم های محلی هستند [ 42 ]. علاوه بر این، گاستروپودها و عنکبوت ها با تعداد زیادی از گونه ها نشان داده می شوند [ 52 ، 53 ]
2.1.3. دراتنیکا اسکالا
بنای طبیعی Drátenická skála در منطقه کاداستر Blatiny واقع شده است که ارتفاع آن 776 متر است و بلندترین قله رخنمون در این منطقه است. این سنگ متعلق به میگماتیت‌ها و ارتوگنیس‌های دولایه Svratka Crystalinicum است. این خط الراس صخره ای 200 متری به عنوان یک صخره یخبندان باقی مانده با چند توری جدا در نظر گرفته می شود. بلوک سنگی اصلی شامل چندین برج (برج) است که بین آنها گذرگاه وجود دارد ( شکل 2).). Sokolí věž بالاترین (35 متر) است و سایرین عبارتند از Orlí věž، Otoman، Zbojnická věž، و Indiánská Věž. Krakonošova zahrádka دره ای است با سنگ هایی که در کنار لایه های شاخ و برگ قرار گرفته اند. در اطراف بلوک‌ها، زمین‌های صخره‌ای و جویبارهای تخته سنگی گسترش یافته است. علاوه بر این، بسیاری از ویژگی‌های ریزنقشه مانند ابری، تونل‌های سنگی، پنجره‌های سنگی یا لانه‌های زنبوری را می‌توان یافت. علاوه بر این، برخی از فرآیندهای زمین‌شناسی مانند سیستم‌های مفصلی توسعه‌یافته، هوازدگی برودتی و ریزش سنگ را می‌توان مشاهده کرد. همچنین به دلیل صخره نوردی شدید و بازدید هزاران گردشگر در طول سال، این محل به شدت تحت تأثیر انسان قرار گرفته است [ 54 ، 55 ].

2.2. پایه مطالعه

مطالعه ما در منطقه Drátenická skála با الهام از رویکرد یان لاسینا، بوم شناس منظر چک، انجام شد که چندین مطالعه را در مورد تغییرات منظر از طریق نظارت و ارزیابی بر اساس مقایسه وضعیت بصری واقعی معاصر محلات با نقاشی های منظره انجام داد. هنرمندان چک هدف مطالعه او، برای مثال، ارزیابی تغییرات در شرایط اکولوژیکی در مناطق انتخاب شده در منطقه Vysočina [ 10 ] بود. مطالعه دیگری بر روی تغییرات پیرامون محلات سدهای آبی معاصر تمرکز داشت [ 59 ]. این ایده ها مواد اولیه برای مفهوم ما بودند و با مدل سازی کامپیوتری با استفاده از GIS تکمیل شدند.
ایده دیگری که در این مطالعه گنجانده شد، با طرح‌های مدیریت رخنمون منحصر به فرد در مناطق حفاظت‌شده مرتبط است که شامل نازک شدن ایستاده و قرار گرفتن در معرض سنگ از طریق استفاده از محورهای بصری جدید است [ 60 ، 61 ]. این روش بسیار آهسته و عمدی باید منجر به شرایط زیست‌توپ قبلی قبل از جنگل‌کاری صنوبر شود، همچنین به تنوع گونه‌های بالاتر (به عنوان مثال، فالکن، Falco peregrinus L.، انتظار لانه‌سازی)، ثبات اکولوژیکی، تقویت عملکرد جنگل، و تثبیت عملکردهای ریزاقلیمی منجر شود. برای وقوع گونه های نادر مهم است (به عنوان مثال، [ 62 ، 63 ، 64]). این فرآیند در برنامه های مدیریتی رزروهای Malínská skála، Bílá skála، Černá skála، و Devět skal [ 64 ، 65 ، 66 ، 67 ] لنگر است. با این حال، این روزها، نه تنها جمهوری چک باید با بزرگترین هجوم سوسک پوست در تاریخ معاصر روبرو شود، PLA Žďárské vrchy احتمالاً از بین نخواهد رفت و ما باید روی رویدادهای خطرناک دیگر حساب کنیم. بنابراین، مدیریت مورد نظر تا حدی تحت تأثیر شیوع قرار می گیرد، زیرا رخنمون ها توسط توده های اصلی راش اروپایی ( F. sylvatica )، صنوبر نقره ای ( A. alba )، و افرا چنار ( Acer pseudoplatanus L ) احاطه نشده اند. ) اما عمدتاً توسط صنوبر نروژی ( P. abies). این توده‌ها واقعاً توسط سوسک پوست صنوبر ( Ips typhographus L.) تهدید می‌شوند و ممکن است طی چند سال منقرض شوند.

2.3. رویکرد روش شناختی

با تلاش برای رسیدن به اهدافی که در بخش 1.1 توضیح داده شده است ( شکل 3 )، این رویکرد با جستجوی مناسب ترین محل رخنمون در Žďárské vrchy آغاز شد. با این حال، این انتخاب به جذابیت بصری مورد نیاز، نقاشی‌های منظره موجود، عکس‌ها و سایر مواد بستگی داشت. پس از این اکتشاف، Drátenická skála به دلیل جذابیت بصری بالا و مدیریت ویژه بالقوه، همانطور که در بالا مشخص شد، به عنوان مناسب ترین منطقه رخنمون انتخاب شد [ 68 ]. با توجه به فرآیند نازک شدن ایستاده و محورهای بصری جدیدی که هنوز طراحی نشده‌اند، ما بر مدل‌سازی شیوع سوسک پوست صنوبر در محل تمرکز کردیم.
Drátenická skála توسط چندین نقاش از منطقه Vysočina به صورت هنرمندانه ارائه شده است. نویسندگان زیر و کار آنها در تحقیق گنجانده شده است ( شکل 4 ):
  • Josef Jambor، Zima pod Drátníkovou skálou، 1954;
  • Josef Jambor Horní Blatiny، 1946; و
  • میلان زیمرمن، دراتنیکی و ساموتینا، 2005.
وسعت جنگل اطراف صخره را نیز می توان از روی نقشه های قدیمی تخمین زد. در سرزمین چک، چندین نقشه تاریخی در دسترس است، مانند محصولات نقشه برداری نظامی 1، 2، و 3، که به عنوان ماده اولیه برای نقشه برداری مدرن در قرن 20 استفاده می شود ( شکل 5 ).
ما در مکان یابی عکس های تاریخی مرتبط با مشکلات قابل توجهی مواجه شدیم. با این وجود، عکس یونجه‌سازی در Milovy (1941) با Drátenická skála در پس‌زمینه کشف شد ( شکل 4 ). علاوه بر این، عکس‌های ارتوعکس‌های تاریخی در هوا، مناظر چشم‌انداز کاملا متفاوت اما بسیار پرارزش را ارائه می‌دهند. در حال حاضر، این سازند صخره ای یکی از محبوب ترین اشیاء در منطقه برای عکاسان و هنرمندان را نشان می دهد ( شکل 6 ).
تحلیل‌های سنجش از راه دور ما شامل تصویربرداری از محل با یک پهپاد بود. ما از یک پهپاد با بال ثابت استفاده کردیم: SenseFly eBee Plus، که مجهز به دوربین چندطیفی Parrot Sequoia+ بود (سازنده هر دو محصول: SenseFly Parrot Group, Rout de Genève 38, 1033 Cheseaux-sur-Laussane, Switzerland) [ 74]. این دوربین دارای شاتر جهانی و چهار باند طیفی با وضوح 1.2 مگاپیکسل است: سبز (40 ± 550 نانومتر)، قرمز (40 ± 660 نانومتر)، لبه قرمز (10 ± 735 نانومتر)، مادون قرمز نزدیک (40 ± 790 نانومتر). نانومتر)، و یک دوربین RGB جداگانه با وضوح 16 مگاپیکسل و یک شاتر نورد. این دوربین همچنین مجهز به سنسور آفتاب برای کالیبراسیون خودکار رادیومتریک است. واحد اندازه گیری اینرسی جداگانه و مغناطیس سنج نیز گنجانده شده است. ماموریت پرواز پهپاد در ارتفاع متوسط ​​159.2 متر از سطح زمین با 60 درصد همپوشانی جانبی و 80 درصد همپوشانی طولی در فاصله نمونه زمینی حاصل (GSD) 15 سانتی متر بر پیکسل برای باندهای طیفی انجام شد. فاصله بین عکس ها در یک خط پرواز 29 متر، فاصله خطوط پرواز 77 متر و پوشش تک تصویر 192 × 144 متر بود. در مجموع، 520 تصویر چند طیفی گرفته شد. یک روش سینماتیک پس پردازش (PPK) برای بهبود دقت موقعیت تصویر استفاده شد. اصلاحات دیفرانسیل در نرخ نمونه برداری یک ثانیه با استفاده از یک ایستگاه مرجع مجازی (VRS) بر اساس شبکه چک از ایستگاه های دائمی GNSS (CZEPOS) ایجاد شد. این اصلاحات دیفرانسیل برای بهبود دقت GNSS به نرم افزار eMotion وارد شد. ریشه میانگین مربعات خطای حاصل (RMSE) خطای مختصات موقعیت تصویر گرفته شده توسط پهپاد 0.018 متر برای XY و 0.022 متر برای Z بود. RMSE پس از تنظیم بلوک 0.005 متر بود. این اصلاحات دیفرانسیل برای بهبود دقت GNSS به نرم افزار eMotion وارد شد. ریشه میانگین مربعات خطای حاصل (RMSE) خطای مختصات موقعیت تصویر گرفته شده توسط پهپاد 0.018 متر برای XY و 0.022 متر برای Z بود. RMSE پس از تنظیم بلوک 0.005 متر بود. این اصلاحات دیفرانسیل برای بهبود دقت GNSS به نرم افزار eMotion وارد شد. ریشه میانگین مربعات خطای حاصل (RMSE) خطای مختصات موقعیت تصویر گرفته شده توسط پهپاد 0.018 متر برای XY و 0.022 متر برای Z بود. RMSE پس از تنظیم بلوک 0.005 متر بود.
با پردازش داده های تصویر گرفته شده با استفاده از یک گردش کار شناخته شده در Agisoft Metashape، ابرهای نقطه ای ( شکل 7 )، ارتوفوتوهای RGB دقیق و ارتوموزائیک برای هر باند طیفی به دست آمد. با استفاده از ابر نقطه SfM، مدل سطح دیجیتال (DSM) با روش درونیابی نزدیکترین همسایه با وضوح شطرنجی 0.1 متر محاسبه شد. مدل زمین دیجیتال (DTM) با همان روش در همان وضوح با استفاده از داده‌های ابر نقطه LiDAR از اداره نقشه‌برداری زمین و کاداستر ایالت چک (ČÚZK) محاسبه شد. با کسر این دو مدل شطرنجی، ارتفاع پوشش گیاهی محاسبه شد که به اصطلاح مدل ارتفاع تاج پوشش (CHM) ارائه می شود. با روش تقسیم‌بندی معکوس حوضه [ 75]، تاج های تک درخت به طور خودکار شناسایی شدند، همانطور که بالا و ارتفاع هر درخت نیز مشخص شد. در طول این فرآیند، شعاع دایره همسایگی برای هموارسازی CHM توسط آمار کانونی به صورت تجربی برآورد شد. بهترین نتایج با استفاده از شعاع 1.7 متر به دست آمد. پیکسل های واقع در ارتفاع کمتر از 3 متر از سطح زمین برای حذف پوشش گیاهی کم، که بر شرایط بصری محل تأثیر نمی گذارد، از مدل حذف شدند. این داده های شطرنجی به فرمت برداری تبدیل شدند تا آنها را برای تراز کردن با داده های ارتوفوتو آماده کنند. CHM، موقعیت بالای درخت و ارتفاع برای تجسم موقعیت توسط مدل سه بعدی استفاده می‌شود.
برای تعیین درختان سوزنی برگ و برگریز از دو تصویر شطرنجی ارتوفوتو واقعی و شاخص تفاوت طبیعی شده گیاهی (NDVI) توده های جنگلی اطراف سنگ استفاده شد. با این حال، شاخص‌های دیگری نیز وجود دارد که می‌توان از دوربین‌های Sequoia+ ایجاد کرد که برای تعیین گونه‌های درختی مفید هستند، به عنوان مثال، شاخص لبه قرمز تفاوت نرمال شده (NDRE)، شاخص گیاهی افزایش یافته (EVI) یا شاخص گیاهی تنظیم‌شده با خاک (SAVI)، و شاخص محتوای کلروفیل تاج پوشش (CCCI).
ارتوفوتو در حین پرواز پهپاد گرفته شده است و ترکیبی از نوارهای قرمز، سبز و آبی است. برای این تجزیه و تحلیل ها، طبقه بندی تصاویر بدون نظارت خوشه ایزو در ArcMap 10.7 انجام شد، زیرا پیکسل های ارتوفتو RGB در 20 کلاس رنگی توزیع شده بودند. سپس، در مقایسه با RGB orthophoto، این 20 کلاس برای نشان دادن درختان مخروطی یا برگریز بر اساس این واقعیت طبقه بندی شدند که هر نوع درخت دارای بازتاب طیفی خاصی است. کلاس هایی که سایه های سایه بان را نشان می دادند پاک شدند.
ابزار آمار منطقه ای برای تعیین اینکه آیا اکثر پیکسل ها در هر ناحیه تاج درخت جداگانه مخروطی هستند یا خزان کننده عمل کرد. از طریق این تجزیه و تحلیل، تاج ها به عنوان مخروطی یا برگریز طبقه بندی شدند.

NDVI یکی از شاخص های اساسی پوشش گیاهی است که نشان می دهد چه مقدار کلروفیل در یک گیاه وجود دارد. این ایده مبتنی بر این واقعیت است که کلروفیل به شدت نور مرئی (طول موج 0.4-0.7 میکرومتر) را در طول فتوسنتز جذب می کند، در حالی که آرایش سلولی گیاهی خاص به شدت طیف نور نزدیک به مادون قرمز (0.7-1.1 میکرومتر) را منعکس می کند. با این کار، می توان ظرفیت فتوسنتز پیکسل های خاص بیان شده توسط مقادیر NDVI بین 1- و 1 را تعیین کرد. به طور کلی، می توان گفت که شدت نور نزدیک به مادون قرمز منعکس شده به طور قابل توجهی بیشتر از نور قرمز جذب شده نشان دهنده پوشش گیاهی متراکم است (جنگل ها). ، ترسیم می کند، و غیره)، در حالی که حالت مقابل نشان دهنده پوشش گیاهی نازک (علفزار، درختان خشکیده یا آسیب دیده و غیره) است.76 ]:

NDVI = (ρ NIR – ρ قرمز )/(ρ NIR + ρ قرمز ).
سپس شطرنجی NDVI به درختان مخروطی و برگریز به همان روش ارتوفتو طبقه بندی شد.
برای تکمیل مدل شرایط بصری در اطراف رخنمون، تجزیه و تحلیل دید قله سنگ نیز انجام شد، زیرا برای منطقه جنگلی معاصر و برای وضعیت بدون توده‌های مخروطی محاسبه شد.
برای شناسایی مرزهای سنگی قابل مشاهده، شمارش کردیم که در ناحیه سنگ، حداقل اختلاف ارتفاعی بین DTM و DSM وجود دارد. در نتیجه، سنگ مرئی در طول حذف پوشش گیاهی کم استخراج شد. برای رفع خطاها، کنترل دستی ارتوفوتو به عنوان سریع ترین و مناسب ترین انتخاب برای به دست آوردن حاشیه سنگ با بالاترین دقت ممکن انجام شد.

3. نتایج و بحث

3.1. مطالب تاریخی و هنری

در گالری‌های محلی، سه نقاشی منظره از Drátenická skála مربوط به سال‌های 1946، 1951 و 2005 است. یک عکس مربوط به سال 1941 ( شکل 4 )؛ و یک عکس ارتوپتوی تاریخی مربوط به سال 1953 و سایرین مربوط به قرن 20 و 21 ( شکل 5)) پیدا شدند. وضعیت در قرن نوزدهم از نقشه برداری نظامی دوم و سوم (1836-1852 و 1876-1878) برآورد شد و نقشه های اولین نقشه برداری نظامی متعلق به قرن 18 (1764-1768) بود. در نهایت، نقشه‌های نام‌برده به‌طور دقیق قرار نگرفتند، و تشکیل سنگ نیز به‌طور خاص به تصویر کشیده نشد. تعیین مساحت جنگل در اطراف رخنمون ممکن نبود. دو نقشه‌برداری نظامی بعدی موقعیت صخره و همچنین مساحت جنگل اطراف را بهتر تعیین کرد. به طور خاص، دومین نقشه برداری نظامی آن را به عنوان یک ویژگی چشم انداز بصری نسبتاً مهم نشان داد ( شکل 5 ).
با کمک نقاشی‌ها و عکس‌های جمع‌آوری‌شده می‌توان مساحت جایگاه را در نیمه اول قرن بیستم تخمین زد. پس از بررسی دقیق و شناسایی محل احتمالی نویسنده، مشخص شد که جنگل‌ها از کاشت جوان صنوبر تشکیل شده‌اند، بنابراین درختان به اندازه فعلی ارتفاع نداشته و سنگ بیشتر در معرض دید قرار گرفته است. علاوه بر این، در سایر عکاسی های تاریخی، این روند نیز آشکار بود – برای مثال، رخنمون Devět skal ( شکل 4)) به طور کامل در معرض دید قرار گرفت و رویدادهای هجوم پروانه از ابتدای قرن بیستم ثبت شد، خواه این هجوم به شب پره راهبه (1920-1922) باشد یا بادشکن در نوامبر 1930. جنگل کاری بسیار فشرده تر صنوبر به دنبال آن صورت گرفت و این کشت های تک گیاهی معاصر به اوج رسیدند. بخش‌هایی از بسیاری از صخره‌های محلی، که برخی از آنها اکنون به طور کامل توسط جنگل‌های تغییر شکل‌یافته پوشیده شده‌اند و دارای ترکیب فضایی و گونه‌ای مصنوعی هستند. در مثال Drátenická skála، ما کاهش جزئی توده را از جنوب مشاهده کردیم، جایی که برگ های پهن کوتاه تری وجود دارد. این وضعیت بسیار نزدیک به نتیجه مورد نیاز برنامه مدیریت PLA است. هنگامی که از سایت دیگر مشاهده می شود، سنگ عمدتاً توسط کشت های تک صنوبر یا توده های مخلوط با غالب صنوبر احاطه شده است. این بیانیه نیز توسط عکسهای ارتوپدی تاریخی و معاصر پشتیبانی می شود (شکل 6 ).

3.2. مدل سازی GIS

با استفاده از رویه های GIS که در بالا توضیح داده شد، DTM و DSM ایجاد شدند. مساحت سنگ مرئی و پوشش گیاهی کمتر از 3 متر از DSM پاک شد و مدل ارتفاع تاج پوشش (CHM) وسعت توده فعلی به دست آمد ( شکل 8 ).
با تعیین تک تک تاج‌های درخت، ارزیابی ارتفاع آن‌ها، و دسته‌بندی آنها به عنوان برگ‌ریز یا مخروطی، ما یک نمای کلی از آرایش فضایی و ساختار توده در محیط نزدیک سازند سنگ به دست آوردیم.
برای طبقه بندی درختی، دو نوع داده مبتنی بر تصویر طیفی استفاده شد: ارتوفوتوهای با رنگ مناسب و NDVI. با این حال، باید انتظار درجه‌ای از عدم دقت را داشته باشیم، زیرا برخی از کلاس‌های پیکسل هر دو نوع درخت را با نرخ مشابهی نشان می‌دهند و سایه‌ها نیز نقش مهمی در طبقه‌بندی بدون نظارت کلاستر ایزو ایفا می‌کنند ( شکل 8 ).
برای تجزیه و تحلیل زیر از ترکیب گونه های فضایی، منطقه در شعاع 250 متری از مرکز رخنمون ها با جزئیات بیشتری ارزیابی شد. طبقه بندی هر دو ارتوفوتو و NDVI نتایج مشابهی را در سطح پایه به دست آورد ( جدول 1 و جدول 2 )، اما تفاوت های قابل توجهی در سطح درخت کشف شد ( جدول 3 و جدول 4).). پرواز پهپاد در سپتامبر رخ داد، زمانی که تفاوت بین برگ های مخروطی و برگریز مشهود بود (به ویژه زمانی که ما عمدتاً صنوبر و راش را با رنگ های سبز مختلف تشخیص دادیم؛ محتوای کلروفیل در برگ های برگریز نیز در طول پاییز کاهش می یابد). این برای انجام دقیق ترین طبقه بندی ممکن بسیار مهم بود. می توان فرض کرد که نتایج بسیار بدتری در هنگام ثبت تصویر در فصول مختلف به دست می آید، به ویژه در مورد طبقه بندی مبتنی بر ارتوفوتو. متأسفانه، امکان انجام آستانه NDVI برای استفاده بیشتر وجود نداشت. همیشه لازم است تصاویر را دسته بندی مجدد کرد، زیرا پوشش گیاهی دارای محتوای کلروفیل متفاوت در فصول مختلف است. مقدار NDVI همچنین می تواند تحت تأثیر محتوای آب باشد. از این رو،32 ].
از نظر ترکیب چوب پایه، توده شامل 42% درختان برگریز و 58% درختان مخروطی بود. میانگین ارتفاع توده 22.2 متر، با 16.5 متر برای درختان برگریز و 25.8 متر برای درختان سوزنی برگ بود. مناطق تاج برگریز منفرد عمدتاً بزرگتر از درختان مخروطی بودند و تراکم پایین تنه درخت در توده های برگریز و مخلوط با این تفاوت مطابقت دارد. تراکم توده در ضلع شمالی، جایی که غلبه صنوبر آشکار بود، بیشترین بود، در حالی که، در سمت جنوبی، جایی که توده‌های برگ‌ریز و مختلط غالب بودند، پراکندگی و باز بودن جنگل به وضوح بیشتر بود ( شکل 8 ). این وضعیت تقریباً می تواند با وضعیت حاصل پس از اقدامات برنامه مدیریتی مورد نظر مطابقت داشته باشد.
با مقایسه این طبقه بندی با نقشه توده جنگلی (برای اهداف ما، این نقشه با توجه به نوع توده اصلی به سه دسته ساده شد – مخروطی، برگریز یا مختلط)، می توانیم بیان کنیم که طبقه بندی مبتنی بر NDVI ما با این نقشه مطابقت دارد، زیرا توده‌های مخروطی 85 درصد درختان مخروطی، توده‌های برگ‌ریز 81 درصد درختان برگ‌ریز بودند و نسبت دو نوع درخت در توده‌های مختلط به ترتیب تقریباً 55 درصد در مقابل 45 درصد بود. نتیجه این است که با استفاده از طبقه بندی بدون نظارت، تمایز کاملاً دقیقی از درختان سوزنی برگ و برگریز حاصل شد ( شکل 9 و جدول 2) .). مرحله زیر شامل مدل‌سازی سه‌بعدی ظاهر توده حاضر و سپس مدل‌سازی وضعیتی بود که در صورت تحقق سناریوی غیرخوش‌بینانه و مردن همه درختان صنوبر، می‌تواند به‌طور بالقوه در نتیجه هجوم سوسک‌های پوست فعلی رخ دهد. باید در نظر گرفت که همه گونه‌های مخروطی صنوبر نبودند، زیرا گونه‌های دیگر (کاج اروپایی، کاج و صنوبر – تقریباً 4٪ در مجموع) وجود داشتند [ 77 ]، و آنها نیز در این مرحله از مدل پاک شدند. این سناریو را می‌توان برای شرایطی که به عنوان مثال، سوسک پوست روی توده‌های مختلط تأثیری نداشت، بازسازی کرد. در شکل 10تجسم این تغییر از یکی از جذاب ترین دیدگاه ها در مقایسه با عکاسی و منظره واقعی در نقاشی ها نشان داده شده است.
ماتریس های سردرگمی ( جدول 3 و جدول 4 ) برای طبقه بندی NDVI و orthophotos بر اساس 200 نقطه دقت طبقه بندی شده محاسبه شدند. بررسی بصری ارتفتوها به عنوان طبقه بندی حقیقت زمینی استفاده شد.
در سطح درخت، طبقه بندی مبتنی بر NDVI به طور قابل توجهی موفق تر بود. با این حال، هر دو طبقه بندی انواع خطاهای بسیار متعادلی داشتند. با این وجود، خطای حذف در طبقه‌بندی درختان برگ‌ریز بیشترین میزان را داشت (درختان برگ‌ریز اغلب به اشتباه به عنوان مخروطیان طبقه‌بندی می‌شدند) در هر دو طبقه‌بندی.
با این داده‌ها و مدل‌های اولیه، انتخاب برای طراحی موقعیت‌های ممکن مختلف در آن زمان بسیار ساده بود. در عمل، این فرآیند می‌تواند شامل محلی‌سازی درختانی باشد که در نظر گرفته می‌شوند توسط سیستم‌های ماهواره‌ای ناوبری جهانی در طی بررسی میدانی قطع شده‌اند. این درختان موضعی مربوط به مدل ارتفاع تاج تاج‌ها بودند، پاک شدند، و مطابق با فرآیندی که در بالا توضیح داده شد ( بخش 2.3 )، مدل سه‌بعدی این ترکیب درخت بصری برنامه‌ریزی‌شده جدید طراحی شد. با این رویکرد، ما قادر خواهیم بود تا مناسب ترین اقدامات منجر به نازک شدن و تبدیل را انتخاب کنیم.
با استفاده از طبقه‌بندی تصاویر دقیق‌تر، می‌توان گونه‌های مختلف درخت را تعیین کرد و با تمایز بهتر عمل کرد، که می‌تواند ما را قادر به تمرکز بر موقعیت‌های خاص‌تر، مانند مرگ و میر در یک گونه خاص، در نتیجه سایر آفات حشرات، کند. از بیماری های باکتریایی، ویروسی و قارچی یا به دلیل افزایش حساسیت به خشکی. استفاده عملی از این رویکرد عمدتاً برای مراقبت از مناطق حفاظت شده مشابهی مناسب است که به دلیل جذابیت بصری یا در مراقبت از خواص جنگلی کمتر گسترده هستند. برای مجتمع‌های جنگلی بزرگ‌تر، تصویربرداری پهپاد هنوز خیلی غیراقتصادی است. با این حال، می توان از داده های ماهواره ای طیفی آزادانه در دسترس با وضوح بالا (10-30 متر) یا بسیار بالا (0.3-10 متر) استفاده کرد که معمولاً در سنجش از دور جنگل فعلی استفاده می شود.
علاوه بر این، یک مدل دید برای هر دو موقعیت محاسبه شد: با و بدون درختان مخروطی. ما تجزیه و تحلیل کردیم که قله صخره (776 MASL) از کدام مکان‌ها قابل مشاهده بود که توسط توده‌های جنگلی معاصر پوشانده شد و از کجا با مرگ و میر کل مخروطی‌ها قابل مشاهده بود. این مدل ها در داخل چند ضلعی ناحیه اطراف 335801-m2 مقایسه شدند ( شکل 11 و جدول 5 ). قله از 3.9٪ از منطقه (13216.8 متر مربع) قابل مشاهده بود ، و در مورد یک مدل بدون مخروطیان که با طبقه بندی مبتنی بر NDVI شناسایی شد، از 14.4٪ از منطقه (48،338.5 متر مربع) قابل مشاهده بود .

4. نتیجه گیری

در این مطالعه، توسعه پوشش جنگلی اطراف Drátenická skála طی چند قرن اخیر با استفاده از نقشه‌های تاریخی، عکس‌های ارتوفتو، عکاسی و نقاشی‌های منظره توسط هنرمندان محلی به تصویر کشیده و ارزیابی شد. تجزیه و تحلیل GIS شامل گرفتن داده ها با اسکن پهپاد و سپس محاسبه هر مکان درخت، ناحیه تاج و ارتفاع بود. تعیین نوع درخت (برگ‌ریز یا مخروطی) با استفاده از طبقه‌بندی‌های بدون نظارت تصویر orthophoto و NDVI انجام شد. دقت طبقه بندی بالاتر بر اساس NDVI، به ویژه در سطح درخت نشان داده شد. این فرآیندها منجر به ایجاد پوشش جنگلی و مدل‌های تشکیل سنگ بصری شد که به خوبی با وضعیت واقعی که توسط نقشه توده جنگل مستند شده بود مطابقت داشت. علاوه بر این، مدلی از وضعیت احتمالی پس از فاجعه سوسک پوست، که تمام درختان صنوبر را از بین می برد، ایجاد شد. در نهایت، تجزیه و تحلیل دید برای هر دو موقعیت توده جنگل اضافه شد. روش مدل‌سازی دیگری در رابطه با این واقعیت مورد بحث قرار گرفت که رشد تک‌کشت صنوبر به‌طور طبیعی بهترین روش فعلی در نظر گرفته نمی‌شود و مدیریت فعلی PLA بر تغییر و باز کردن غرفه‌ها متکی است.
این مطالعه می‌تواند به برنامه‌ریزی مدیریتی مؤثر به‌ویژه در مناطق رخنمونی که با هدف حفاظت از شرایط زیستی ریزاقلیمی برای گونه‌های در خطر انقراض وابسته به این زیستگاه‌های خاص بازسازی می‌شوند، کمک کند. این مطالعه همچنین می تواند در هنگام شیوع بیماری های گونه های درختی که تهدیدی برای از بین بردن توده ها باشد مفید باشد.

منابع

  1. کارترایت، جی. جزایر اکولوژیکی: حفظ نقاط داغ تنوع زیستی در آب و هوای در حال تغییر. جلو. Ecol. محیط زیست 2019 ، 17 ، 331-340. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  2. پنالوزا-بوجاکا، GF; د اولیویرا، AB; Teixeira Araújo، CA; Fantecelle، BL; دوس سانتوس، DN; Maciel-Silva، A. Bryophytes بر روی رخنمون های سنگ آهن برزیل: تنوع، فیلتر محیطی، و مفاهیم حفاظتی. فلورا 2018 ، 238 ، 162-174. [ Google Scholar ] [ CrossRef ]
  3. Speziale، KL; ازکورا، سی. رخنمون های صخره ای به عنوان پناهگاه تنوع زیستی بالقوه تحت تغییرات آب و هوایی در پاتاگونیای شمالی. بوم گیاهی غواصان. 2015 ، 8 ، 353-361. [ Google Scholar ] [ CrossRef ]
  4. Do Carmo، FF; ژاکوبی، CM تنوع و روابط صفات گیاهی و خاک در میان رخنمون‌های سنگ در جنگل‌های بارانی اقیانوس اطلس برزیل. خاک گیاهی 2016 ، 403 ، 7-20. [ Google Scholar ] [ CrossRef ]
  5. بالکوا، م. باجر، الف. ترویج غیر متعارف رخنمون های سنگ در Žďárské Vrchy PLA با استفاده از سنجش از دور. در تفریحات عمومی و حفاظت از منظر – با طبیعت دست در دست! مجموعه مقالات کنفرانس ، چاپ اول; دانشگاه مندل در برنو: Brno-sever-Černá Pole، جمهوری چک، 2018; ص 23-27. شابک 978-80-7509-550-3. در دسترس آنلاین: https://www.utok.cz/sites/default/files/data/USERS/u24/RaOP%202018_WEB_1_0.pdf (در 10 اوت 2019 قابل دسترسی است).
  6. Henshillwood، CS; d’Errico، F. ون نیکرک، KL; دایت، ال. کوفلک، آ. Pollarolo، L. نقاشی انتزاعی از سطوح 73000 ساله در غار Blombos، آفریقای جنوبی. Nature 2018 ، 562 ، 115–118. [ Google Scholar ] [ CrossRef ]
  7. کلوتز، جی. «سه سی»: راه‌های تازه به سوی هنر پارینه سنگی اروپا. در The Archeoloy of Rock Art ; Chippindale, C., Tacon, PSC, Eds. انتشارات دانشگاه کمبریج: کمبریج، بریتانیا، 2018. [ Google Scholar ]
  8. شووه، جی.ام. برونل دشان، ای. هیلر، سی. طلوع هنر: غار شووه: قدیمی ترین نقاشی های شناخته شده در جهان . HN Abrams: نیویورک، نیویورک، ایالات متحده آمریکا، 1996. [ Google Scholar ]
  9. راب، جی. هنر ماقبل تاریخ در اروپا: تاریخ اجتماعی عمیق. صبح. عتیقه 2015 ، 80 ، 635-654. [ Google Scholar ] [ CrossRef ]
  10. لاکینا، جی. هالاس، ص. نقاشی منظره در ارزیابی تغییرات منظر. J. Landsc. Ecol. 2015 ، 8 ، 60-68. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. وهر، آ. Lohr، اسکن لیزری هوابرد – مقدمه و نمای کلی. ISPRS J. Photogramm. Remote Sens. 1999 ، 54 ، 68-82. [ Google Scholar ] [ CrossRef ]
  12. بالتساویاس، اسکن لیزری هوابرد EP: سیستم‌ها و شرکت‌های موجود و سایر منابع. ISPRS J. Photogramm. Remote Sens. 1999 ، 54 ، 164-198. [ Google Scholar ] [ CrossRef ]
  13. Brázdil, K. Technická Zpráva k Digitálnímu Modelu Reliéfu 5. Generace (DMR 5G) (گزارش فنی مدل دیجیتال زمین جمهوری چک از نسل پنجم (DTM5G)) . اداره دولتی نقشه برداری زمین و کاداستر: پراگ، جمهوری چک، 2012. [ Google Scholar ]
  14. میکیتا، تی. Geod. کارتوگر. Obz. 2014 ، 12 ، 317-323. [ Google Scholar ]
  15. میکیتا، تی. سیبولکا، م. Janata, P. Hodnocení přesnosti digitálních modelů reliéfu 4. A 5. generace v lesních porostech (ارزیابی دقت مدل های زمین دیجیتال نسل 4 و 5 در توده های جنگلی و امکان استفاده از داده ها در تمرین جنگلداری). Geod. کارتوگر. Obz. 2013 ، 4 ، 76-85. [ Google Scholar ]
  16. ایگلهات، جی. کابو، سی. پولیتی، س. پیرماتی، ال. اوکانر، جی. Rosette, J. ساختار از فتوگرامتری حرکتی در جنگلداری: بررسی. کر. برای. Rep. 2019 , 5 , 155–168. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  17. Goodbody، TRH; Coops، NC; فتوگرامتری هوایی دیجیتال سفید، JC برای به‌روزرسانی فهرست‌های جنگل‌های مبتنی بر منطقه: مروری بر فرصت‌ها، چالش‌ها و مسیرهای آینده. کر. برای. جمهوری 2019 ، 5 ، 55–75. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. میچز، ا. پی گی، اچ. لیزین، جی. کلاسنس، اچ. Lejeune، P. طبقه بندی گونه های جنگلی ساحلی و وضعیت سلامت با استفاده از تصاویر چند زمانی و فرا فضایی از سیستم هوایی بدون سرنشین. محیط زیست نظارت کنید. ارزیابی کنید. 2016 ، 188 ، 146. [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
  19. بروکینا، او. سینسیلا، ای. سورووی، پ. Janata, P. هواپیماهای بدون سرنشین (UAV) برای ارزیابی طبقه بندی کیفی صنوبر نروژ در توده های جنگلی معتدل. ژئو اسپات. Inf. علمی 2018 ، 21 ، 12-20. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  20. پولیتی، س. Ørka، HO; گوباکن، تی. Naesset، E. فهرستی از مناطق کوچک جنگلی با استفاده از یک سیستم هوایی بدون سرنشین. Remote Sens. 2015 ، 7 ، 9632–9654. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  21. توومینن، اس. بالاز، آ. ساری، ح. پولونن، آی. سرکیالا، ج. Viitala، R. تصاویر سیستم هوایی بدون سرنشین و داده های ارتفاع تاج پوشش فتوگرامتری در برآورد منطقه محور متغیرهای جنگل. سیلوا فن 2015 ، 49 ، 1348. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  22. میکیتا، تی. جاناتا، پ. موجودی توده جنگلی Surový، P. بر اساس فتوگرامتری ترکیبی از فاصله نزدیک هوایی و زمینی. Forests 2016 , 7 , 165. [ Google Scholar ] [ CrossRef ][ Green Version ]
  23. ناست، ای. Økland، T. برآورد ارتفاع درخت و خواص تاج درخت با استفاده از لیزر اسکن هوابرد در یک ذخیره‌گاه طبیعی شمالی. سنسور از راه دور محیط. 2002 ، 79 ، 105-115. [ Google Scholar ] [ CrossRef ]
  24. Hyyppä، J.; Inkinen, M. تشخیص و تخمین صفات برای تک درختان با استفاده از اسکنر لیزری. فتوگرام جی. فینل. 1999 ، 16 ، 27-42. [ Google Scholar ]
  25. Guerra-Hernández، J. Cosenza، DN; رودریگز، LCE; سیلوا، م. تومه، ام. دیاز-وارلا، RA; González-Ferreiro، E. مقایسه ابرهای نقطه ای با چگالی بالا به دست آمده از ALS و UAV (SfM) برای تشخیص درختان فردی در مزارع اکالیپتوس. بین المللی J. Remote Sens. 2018 , 39 , 5211–5235. [ Google Scholar ] [ CrossRef ]
  26. موهان، م. سیلوا، سی. کلابرگ، سی. جات، پ. گربه، جی. کاردیل، ا. Hudak، AT; Dia, M. شناسایی درخت از مدل ارتفاع تاج برگرفته از وسیله نقلیه هوایی بدون سرنشین (UAV) در جنگل مخروطی مخروطی مختلط با تاج باز. Forests 2017 , 8 , 340. [ Google Scholar ] [ CrossRef ][ Green Version ]
  27. نوالاینن، او. هونکوارا، ای. توومینن، اس. ویلجانن، ن. هاکالا، تی. یو، ایکس. Hyyppä، J.; ساری، ح. پولونن، آی. ایمای، NN; و همکاران تشخیص و طبقه‌بندی درختان با ابرهای نقطه فتوگرامتری مبتنی بر پهپاد و تصویربرداری فراطیفی. Remote Sens. 2017 ، 9 ، 185. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  28. لیزین، جی. پیروت-دسیلینی، ام. بونت، اس. Lejeune, P. یک گردش کار فتوگرامتری برای ایجاد یک مدل ارتفاع تاج جنگل از تصاویر کوچک سیستم هوایی بدون سرنشین. جنگل‌ها 2013 ، 4 ، 922-944. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  29. استون، سی. Mohammed, C. کاربرد فن آوری های سنجش از دور برای ارزیابی جنگل های کاشته شده آسیب دیده توسط آفات حشرات و پاتوژن های قارچی: مروری. کر. برای. 2017 ، 3 ، 75-92 . [ Google Scholar ] [ CrossRef ]
  30. ناسی، ر. هونکوارا، ای. Lyytikäinen-Saarenmaa، P. بلومکویست، م. لیتکی، پی. هاکالا، تی. ویلجانن، ن. کانتولا، تی. Tanhuanpää، T. Holopainen، M. استفاده از فتوگرامتری مبتنی بر پهپاد و تصویربرداری فراطیفی برای ترسیم آسیب سوسک پوست در سطح درخت. Remote Sens. 2015 ، 7 ، 15467–15493. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  31. میناریک، آر. Langhammer, J. استفاده از یک فتوگرامتری UAV چندطیفی برای تشخیص و ردیابی دینامیک اختلال جنگل. Int Arch Photogramm. حسگر از راه دور اسپات. Inf. علمی 2016 ، XLI-B8 ، 711–718. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  32. داش، جی پی؛ وات، ام اس؛ پیرس، جی دی. هیفی، م. Dungey, HS ارزیابی تصاویر پهپاد با وضوح بسیار بالا برای نظارت بر سلامت جنگل در طول یک شیوع بیماری شبیه‌سازی شده. ISPRS J. Photogramm. Remote Sens. 2017 ، 131 ، 1-14. [ Google Scholar ] [ CrossRef ]
  33. میکیتا، تی. کلیمانک، ام. Cibulka، M. Hodnocení روش interpolace dat leteckého laserového skenování pro detekci stromů a měřená jejich výšek (ارزیابی روشهای درونیابی داده اسکن لیزری هوابرد برای تشخیص درخت و اندازه گیری ارتفاع). Zprávy Lesn. Výzkumu 2013 ، 58 ، 99-106. [ Google Scholar ]
  34. ژائو، بی. وو، جی. یانگ، اف. پیلز، جی. ژانگ، دی. یک رویکرد جدید برای استخراج رخنمون‌های گروه Gaoshanhe با استفاده از داده‌های Landsat Operational Land Imager (OLI) در منطقه بائوجی، چین غربی که به شدت تحت پوشش لس است. سنگ معدن. Rev. 2019 , 108 , 88-100. [ Google Scholar ] [ CrossRef ]
  35. چسلی، جی تی. لیر، آل. وایت، اس. تورس، آر. استفاده از وسایل نقلیه هوایی بدون سرنشین و فتوگرامتری ساختار از حرکت برای توصیف رخنمون های رسوبی: نمونه ای از سازند موریسون، یوتا، ایالات متحده. رسوب. جئول 2017 ، 354 ، 1-8. [ Google Scholar ] [ CrossRef ]
  36. ممزغانی، م.م. فلاته، MI; AbuBshait، AA از سنجش از دور مبتنی بر پهپاد تا مدل‌سازی رخنمون دیجیتال: گردش کار یکپارچه برای تفسیر کمی رخنمون. J. Remote Sens. GIS 2018 , 7 , 1000237. [ Google Scholar ] [ CrossRef ]
  37. بلستان، پ. کوانیچ، ج. Zelizňaková، V. Palková, J. استفاده از فتوگرامتری پهپاد برای ثبت رخنمون سنگ. آکتا صومعه. اسلوو. 2016 ، 2 ، 154-161. [ Google Scholar ]
  38. برتون جانسون، ا. سیاه، م. فرتول، پی. Kaluza-Gilbert, J. یک روش خودکار برای تمایز سنگ از برف، ابرها و دریا در قطب جنوب از تصاویر Landsat 8: یک نقشه رخنمون سنگی جدید و تخمین منطقه برای کل قاره قطب جنوب. Cryosphere 2016 ، 10 ، 1665-1677. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  39. کاراواکا، جی. لو موئلیک، اس. منگولد، ن. L’Haridon، J. لو دیت، ال. Massé, M. بازسازی مدل رخنمون دیجیتال 3 بعدی از رخنمون کیمبرلی (دهانه گیل، مریخ) و ادغام آن در واقعیت مجازی برای تجزیه و تحلیل زمین شناسی شبیه سازی شده. سیاره. علوم فضایی 2020 , 182 , 104808. [ Google Scholar ] [ CrossRef ]
  40. میکیتا، تی. بالکوا، م. باجر، ع. سیبولکا، م. Patočka, Z. مقایسه روش‌های مختلف سنجش از دور برای مدل‌سازی سه بعدی رخنمون‌های سنگ کوچک. Sensors 2020 , 20 , 1663. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  41. Kirchner, K. Žďárské Vrchy Highland—چشم انداز ژئومورفولوژیکی در قسمت بالای ارتفاعات بوهمی-موراوی با فرم های سنگ های کریستالی منحصر به فرد. در مناظر و لندفرم های جمهوری چک ; Pánek, T., Hradecký, J., Eds. Springer: Cham, Switzerland, 2016; ص 221-231. شابک 978-3-319-27536-9. [ Google Scholar ] [ CrossRef ]
  42. Rozbory Chráněné krajinné oblasti Žďárské vrchy (تجزیه و تحلیل منطقه چشم انداز حفاظت شده Žďárské vrchy)، آژانس حفاظت از طبیعت جمهوری چک. در دسترس آنلاین: https://drusop.nature.cz/ost/archiv/plany_pece/index.php?frame&ID=23662 (در 5 اوت 2019 قابل دسترسی است).
  43. Čech, L. Chráněná území ČR, svazek VII.—Jihlavsko (مناطق حفاظت شده جمهوری چک، جلد VII.—Jihlavsko) ; آژانس حفاظت از طبیعت جمهوری چک: پراگ، جمهوری چک، 2002; پ. 528. [ Google Scholar ]
  44. Plán Péče o Chráněnou Krajinnou Oblast Žďárské Vrchy na Období 2011–2020 (طرح مدیریت منطقه منظر حفاظت شده Žďárské Vrchy برای دوره 2011-2020 آژانس حفاظت از طبیعت جمهوری چک). در دسترس آنلاین: https://drusop.nature.cz/ost/archiv/plany_pece/index.php?frame&ID=23662 (در 5 اوت 2019 قابل دسترسی است).
  45. دمک، جی. Mackovčin, P. Zeměpisný lexikon ČR—Hory a nížiny (لغت نامه جغرافیایی جمهوری چک-کوه ها و زمین های پست) ; آژانس جمهوری چک: پراگ، جمهوری چک، 2006; پ. 588. [ Google Scholar ]
  46. Hanžl, P. Geology of the Žďárské Vrchy Area: A Review, Travaux Géophysiques ; موسسه ژئوفیزیک، آکادمی علوم چک: پراگ، جمهوری چک، 2011; جلد 40، ص. 24. [ Google Scholar ]
  47. ملیچار، آر. بوریانک، دی. Břízová، E. بوریانکووا، ک. چوردا، جی. فوریچ، وی. هانزل، پ. کرشنر، ک. لیسنکو، وی. Mrnková، J.; و همکاران Vysvětlivky k Základní Geologické Mapě České Republiky 1:25000 (یادداشتهای توضیحی نقشه پایه زمین شناسی جمهوری چک 1:25000)، برگه 24-111 Sněžné ; سازمان زمین شناسی چک: پراگ، جمهوری چک، 2004; پ. 58. [ Google Scholar ]
  48. باجر، ع. کرشنر، ک. Kubalíková، L. مقادیر ژئودیورسیته به عنوان مبنایی برای ارزیابی ژئوسایت و ژئومورفوسیت: مطالعه موردی از Žďárské vrchy Highland. در منطقه اروپای مرکزی از نظر جغرافیای کنونی. مجموعه مقالات بیست و سومین کنفرانس اروپای مرکزی ، چاپ اول. دانشگاه ماساریک در برنو: برنو، جمهوری چک، 2016; صص 56-69. شابک 978-80-210-8313-4. [ Google Scholar ]
  49. Gray, M. Geodiversity: Valuing and Conserving Nature ; جان وایلی: چیچستر، انگلستان، 2004; پ. 434. [ Google Scholar ]
  50. کوبشووا، اس. نووتنی، آی. Sutorý, K. Inventarizační Průzkum Cévnatých Rostlin A Mechorostů (Inventory Survey of Vascular Plants And Bryophytes) Bílá Skála, Černá Skála, Devět Skal, Drátenická Skála, Lisovská Skála, Malinská Skála, Milovské Perničky, Pasecká Skála, Rybenské Perničky, Vlčí Kámen ; موزه موراویا: برنو، جمهوری چک، 2006; پ. 55. [ Google Scholar ]
  51. چیتری، م. کوچرا، تی. Kočí, M. Katalog Biotopů České Republiky (کاتالوگ زیستگاه های جمهوری چک) ; آژانس جمهوری چک: پراگ، جمهوری چک، 2001; پ. 220. [ Google Scholar ]
  52. Drvotová، M. Měkkýši (Mollusca) Žďárských Vrchů. ( نرم تنان ( نرم تنان ) کوهستان Žďárské vrchy , Parnassia ; آژانس جمهوری چک، اداره PLA Žďárské vrchy: Žďár and Sázavou، جمهوری چک، 2008; جلد 3، ص. 79. [ Google Scholar ]
  53. Svatoň، J. Pavouci (Araneae) Žďárských vrchů. مطالعه Faunisticko-ekologická. (عنکبوت ها (Araneae) کوه های Žďárské vrchy. مطالعه فونستیکی و بوم شناسی)، Parnassia ; آژانس جمهوری چک، اداره PLA Žďárské vrchy: Žďár and Sázavou، جمهوری چک، 2006; جلد 1، ص. 100. [ Google Scholar ]
  54. کرشنر، ک. Roštínský, P. Geomorfologická inventarizace vybraných skalních útvarů v centrální části CHKO Žďárské vrchy (فهرست ژئومورفولوژیکی سازندهای سنگی منتخب در بخش مرکزی PLA Žďárské vrchy). در مجموعه مقالات دانشکده علوم، دانشگاه استراوا، جغرافیا، زمین شناسی; دانشگاه Ostrava: Ostrava، جمهوری چک، 2007; جلد 237، ص 48–64. [ Google Scholar ]
  55. باجر، ع. هلاوچ، وی. کرشنر، ک. Kubalíková, L. Za Skalními Útvary CHKO Žďárské Vrchy (به سازندهای سنگی PLA Žďárské Vrchy) ; دانشگاه مندل در برنو، موسسه ژئونیک، آکادمی علوم چک: برنو، جمهوری چک، 2014; پ. 88. شابک 978-80-7375-959-9. [ Google Scholar ]
  56. ارتفتو از جمهوری چک. سرویس WMS اداره دولتی نقشه برداری زمین و کاداستر: پراگ، جمهوری چک، 2018. موجود به صورت آنلاین: https://geoportal.cuzk.cz/WMS_ORTOFOTO_PUB/WMService.aspx (در 15 ژوئن 2019 قابل دسترسی است).
  57. مدل دیجیتالی زمین جمهوری چک از نسل پنجم ; اداره دولتی نقشه برداری زمین و کاداستر: پراگ، جمهوری چک، 2013.
  58. دولژال، اف. ترفولکا، F. Žďárské vrchy. Průvodce po Horolezeckých Terénech Vysočiny (راهنمای کوهنوردی در ارتفاعات Vysočina) ; وحدت تربیت بدنی Vysočina: Žďár nad Sázavou، جمهوری چک، 2006; پ. 106. [ Google Scholar ]
  59. لاکینا، جی. Halas, P. Vodní nádrže a jejich krajina ve výtvarném umění (مخازن آب و چشم انداز آنها در هنرهای زیبا). Vodohospod. فنی Ekon. Inf. 2017 ، 59 ، 31-39. [ Google Scholar ]
  60. دوبک، جی. Lesnická Práce 2013 ، 92 ، 16-18. [ Google Scholar ]
  61. هالاوچ، وی. لسن. Pr. 2014 ، 93 ، 34-35. [ Google Scholar ]
  62. پایک، دی. وب، جی کی؛ Shine, R. برداشتن پوشش تاج جنگلی مجموعه خزندگان را بازسازی می کند. Ecol. Appl. 2011 ، 21 ، 274-280. [ Google Scholar ] [ CrossRef ]
  63. مایکل، DR; Lindenmayer، DB; کانینگهام، RB مدیریت رخنمون های سنگ برای بهبود حفاظت از تنوع زیستی در مناظر کشاورزی استرالیا. Ecol. مدیریت بازگرداندن. 2010 ، 11 ، 43-50. [ Google Scholar ] [ CrossRef ]
  64. Plán Péče o Přírodní Památku Malínská Skála na Období 2016-2025 (طرح مدیریت بنای طبیعی Malínská skála برای دوره 2016-2025). آژانس حفاظت از طبیعت جمهوری چک در دسترس آنلاین: https://drusop.nature.cz/ost/archiv/plany_pece/index.php?frame&ID=26881 (در 6 اوت 2019 قابل دسترسی است).
  65. Plán Péče o Přírodní Památku Bílá Skála na Období 2016-2025 (طرح مدیریت بنای طبیعی Bílá skála برای دوره 2016-2025). آژانس حفاظت از طبیعت جمهوری چک در دسترس آنلاین: https://drusop.nature.cz/ost/archiv/plany_pece/index.php?frame&ID=26880 (در 6 اوت 2019 قابل دسترسی است).
  66. Plán Péče o Přírodní Památku Černá Skála na Období 2016-2025 (طرح مدیریت بنای طبیعی Černá skála برای دوره 2016-2025). آژانس حفاظت از طبیعت جمهوری چک در دسترس آنلاین: https://drusop.nature.cz/ost/archiv/plany_pece/index.php?frame&ID=26809 (در 6 اوت 2019 قابل دسترسی است).
  67. Plán Péče o Přírodní Památku Devět Skal na Období 2016-2025 (طرح مدیریت بنای طبیعی Devět skal برای دوره 2016-2025). آژانس حفاظت از طبیعت جمهوری چک در دسترس آنلاین: https://drusop.nature.cz/ost/archiv/plany_pece/index.php?frame&ID=26805 (در 6 اوت 2019 قابل دسترسی است).
  68. Plán Péče o Přírodní Památku Drátenická Skála na Období 2016-2025 (طرح مدیریت بنای طبیعی Drátenická skála برای دوره 2016-2025). آژانس حفاظت از طبیعت جمهوری چک در دسترس آنلاین: https://drusop.nature.cz/ost/archiv/plany_pece/index.php?frame&ID=26806 (در 29 ژوئن 2019 قابل دسترسی است).
  69. Fotohistorie (Photohistory). در دسترس آنلاین: https://www.fotohistorie.cz/Default.aspx (در 2 ژوئن 2019 قابل دسترسی است).
  70. سروی 1 نظامی، بخش شماره 15 ; آرشیو دولتی اتریش / آرشیو نظامی: وین، اتریش، 2003.
  71. سروی دوم نظامی، بخش شماره W_6_II ; آرشیو دولتی اتریش/آرشیو نظامی: آرشیو/آرشیو نظامی، 2006.
  72. سروی سوم نظامی، بخش شماره 4156 ; آژانس حفاظت از طبیعت جمهوری چک: پراگ، جمهوری چک، 2009.
  73. نقشه های قدیمی آزمایشگاه ژئوانفورماتیک، دانشگاه Jan Evangelista Purkyně در Ústí nad Labem. در دسترس آنلاین: https://oldmaps.geolab.cz (در 7 ژوئن 2019 قابل دسترسی است).
  74. گروه طوطی SenseFly. در دسترس آنلاین: https://www.sensefly.com/expand/ (در 16 اوت 2019 قابل دسترسی است).
  75. Edson, CB Light Detection And Ranging (Lidar): آنچه ما می توانیم و نمی توانیم در جنگل برای درختان ببینیم . انتشارات پایان نامه UMI، دانشگاه ایالتی اورگان: Corvallis، OR، ایالات متحده آمریکا، 2011; پ. 277. [ Google Scholar ]
  76. ویر، جی. شاه ماهی، D. اندازه گیری پوشش گیاهی (NDVI و EVI) ; رصدخانه زمین ناسا: واشنگتن، دی سی، ایالات متحده آمریکا، 2000; در دسترس آنلاین: https://earthobservatory.nasa.gov/features/MeasuringVegetation/measuring_vegetation_2.php (در 10 اوت 2019 قابل دسترسی است).
  77. ژئوپورتال. جنگل های جمهوری چک، شرکت دولتی. در دسترس آنلاین: https://geoportal.lesycr.cz/itc/?serverconf=default&wmcid=882 (در 22 اوت 2019 قابل دسترسی است).
Ijgi 09 00325 g001 550
شکل 1. محلی سازی Drátenická skála در جمهوری چک.
Ijgi 09 00325 g002 550
شکل 2. ( الف ) رخنمون های خاص Drátenická skála روی تصویر ارتوفوتو [ 56 ]). ( ب ) مدل زمین رقومی تشکیل سنگ Drátenická skála از جنوب [ 57 ، 58 ]. نام‌های رخنمون‌های خاص و دیگر سازندها: 1-Orlí věž (برج عقاب)، 2-عثمانی، 3-Sokol (شاهین)، 4-Zbojnická věž (برج بریگاند)، 5-Indiánská věž (برج سرخپوستان آمریکایی) 6-Opičí věžka (اوج میمون)، 7-Kosá věžka (قله مایل)، 8-Krakonošova zahrádka (باغ کراکونوش) و 9-تونل.
Ijgi 09 00325 g003 550
شکل 3. طرح کلی گردش کار در طول تحقیق در مورد Drátenická skála. GIS: سیستم اطلاعات جغرافیایی، DTM: مدل زمین دیجیتال، DSM: مدل سطح دیجیتال، NDVI: شاخص گیاهی تفاوت نرمال شده، و پهپاد: هواپیمای بدون سرنشین.
Ijgi 09 00325 g004 550
شکل 4. Drátenická skála در نقاشی های منظره هنرمندان محلی و در عکس های تاریخی ( a ) Zima pod Drátníkovou skálou (زمستان تحت Drátenická skála)، Josef Jambor، 1954; ( ب ) هورنی بلاتینی، یوزف جامبور، 1946; ( ج ) Milovy با Drátenická و Malínská skála در پس زمینه، 1941 [ 69 ]; و ( د ) رخنمون‌های Devět skal را پس از بادشکن در سال 1930 کشف کردند [ 69 ].
Ijgi 09 00325 g005 550
شکل 5. Drátenická skála و اطراف آن در نقشه های ( a ) نقشه های نظامی 1 (1764-1768)، ( b ) از 2 (1836-1852)، ( c ) و 3 (1876-1878) [ 70 ، 71 ، 72 ، 73 ].
Ijgi 09 00325 g006 550
شکل 6. ( الف، ب ) عکس‌برداری هوایی Drátenická skála که توسط یک میکروکوپتر RC (کنترل از راه دور) گرفته شده است (نویسنده: Lubomír Dajč، 2012)، ( ج ) اورتوفوتوی تاریخی از سال 1953، ( د ) عکس ارتوفتوی تاریخی از سال 1998، و ( ه ) ارتفتو تاریخی از سال 2018 [ 57 ].
Ijgi 09 00325 g007 550
شکل 7. پیش نمایش ابرهای نقطه شل شده Drátenická skála با پوشش گیاهی اطراف در نرم افزار FugroViewer (این تراکم نقطه کامل نیست) و پهپاد (وسیله هوایی بدون سرنشین) SenseFly eBee Plus.
Ijgi 09 00325 g008 550
شکل 8. ( الف ) مدل ارتفاع تاج – درختان مخروطی (قرمز) و برگریز (سبز) و ارتفاع آنها، ( ب ) تراکم درختان پایه-تعداد درختان در 10 متر مربع ، ( ج ) نتیجه طبقه‌بندی پیکسل‌های ارتوفتو به برگ‌ریز یا درختان مخروطی، و ( د ) NDVI (شاخص گیاهی تفاوت عادی) – مقادیر زیر صفر به طور کلی با درختان مخروطی مطابقت دارد، در حالی که مقادیر بالای صفر نشان دهنده درختان برگریز است.
Ijgi 09 00325 g009 550
شکل 9. ( الف ) نتیجه طبقه‌بندی درخت ارتوفوتو، ( ب ) نتایج طبقه‌بندی تصویر NDVI و تفاوت‌های بین آنها (چند ضلعی‌های قرمز)، ( ج ) مقایسه طبقه‌بندی ارتوفوتو با یک نقشه توده جنگلی ساده شده، و ( d) ) و مقایسه طبقه بندی NDVI با نقشه توده جنگلی ساده شده.
Ijgi 09 00325 g010 550
شکل 10. مدل‌های سه بعدی (سه بعدی) جنگل‌های اطراف Drátenická skála بر اساس نتایج طبقه‌بندی orthophoto و NDVI – نوع درخت و موقعیت: ( الف ) ارتوفوتو – وضعیت فعلی، ( ب ) ارتوفوتو – موقعیت بالقوه پس از آلودگی به سوسک پوست، ( ج ) NDVI-وضعیت فعلی، ( د ) NDVI- وضعیت بالقوه پس از هجوم سوسک پوست، ( ه ) نمای مشابه در نقاشی منظره Dráteníky u Samotína، Milan Zimmermann، 2005، و ( f ) نمای مشابه در عکاسی فعلی (نویسنده: Marie) بالکووا، 2019).
Ijgi 09 00325 g011 550
شکل 11. نتایج تحلیل‌های دید: ( الف ) وضعیت معاصر توده جنگلی و ( ب ) شرایط دید با استفاده از مدل بدون مخروطی‌ها (به‌دست‌آمده با طبقه‌بندی NDVI).

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید