خلاصه

در طول دهه‌های اخیر، آمازون از دست دادن پوشش گیاهی زیادی را تجربه کرده است که در بسیاری از موارد به‌عنوان پیامد مستقیم آتش‌سوزی‌های جنگلی، که به یک مشکل در مقیاس محلی، ملی و جهانی تبدیل شده است، منجر به اثرات اقتصادی، اجتماعی و زیست‌محیطی شده است. از این رو، این مطالعه متعهد به توسعه یک روال برای نظارت بر آتش سوزی در پوشش گیاهی با تکیه بر داده های چند زمانی اخیر (2017-2019) تصاویر Landsat-8 و Sentinel-2 با استفاده از پلت فرم مبتنی بر ابر Google Earth Engine (GEE) است. به منظور ارزیابی نواحی سوخته (BA)، شاخص های طیفی مانند نسبت سوختگی نرمال شده (NBR)، نسبت سوختگی نرمال شده 2 (NBR2) و شاخص سوختگی فروسرخ میانی (MIRBI) مورد استفاده قرار گرفت. همه این شاخص ها برای ارزیابی BA با توجه به آستانه های مناسب اعمال شدند. علاوه بر این، برای کاهش سردرگمی بین مناطق سوخته و سایر کلاس‌های پوشش زمین، از شاخص‌های بیشتری استفاده شد، مانند شاخص‌هایی که تفاوت‌های زمانی بین شرایط قبل و بعد از آتش‌سوزی را در نظر می‌گیرند: شاخص سوختگی مادون قرمز دیفرانسیل (dMIRBI)، نسبت سوختگی عادی شده دیفرانسیل (dNBR)، دیفرانسیل. نسبت سوختگی عادی 2 (dNBR2) و مادون قرمز نزدیک (dNIR). BA محاسبه شده توسط Sentinel-2 در طول بازه تحقیق سه ساله (16.55، 78.50 و 67.19 کیلومتر) بزرگتر بود.2 ) و با جزئیات بیشتر (مناطق کوچک شناسایی شده) نسبت به BA استخراج شده توسط Landsat-8 (16.39، 6.24، و 32.93 کیلومتر مربع ) . روال نظارت بر آتش‌سوزی‌های جنگلی که در این کار ارائه شده است بر اساس توالی قوانین تصمیم‌گیری است. این امکان شناسایی و نظارت بر پوشش گیاهی سوخته را فراهم می کند و در ابتدا برای آزمایشی در آمازون شمال شرقی پرو به کار رفته است. نتایج به‌دست‌آمده توسط تصاویر دو ماهواره از نظر معیارهای دقت و سطح جزئیات (اندازه تکه‌های BA) مقایسه می‌شوند. دقت برای Landsat-8 و Sentinel-2 در سال های 2017، 2018 و 2019 به ترتیب از 82.7-91.4٪ تا 94.5-98.5٪ متغیر بود.

کلید واژه ها:

سنجش از دور ؛ GIS ; تجزیه و تحلیل طیفی ; شدت سوختگی ؛ جنگل ها ؛ پوشش گیاهی ; تنوع زیستی

1. معرفی

آتش‌سوزی‌ها در طول زمان پدیده‌ای رایج بوده‌اند و ناشی از منابع اشتعال، انسانی یا طبیعی، و تعامل آن‌ها با عوامل آب و هوایی است که احتراق و انتشار را تقویت می‌کنند [ 1 ، 2 ]. آتش‌سوزی در پوشش گیاهی تأثیرات منفی در بسیاری از زیست‌های جهانی مانند علفزارها/ساواناها (گرمسیری و نیمه گرمسیری)، جنگل‌ها (دریای مدیترانه، معتدل، شمالی و آمازونی) و مزارع کشاورزی ایجاد می‌کند [3 ، 4 ] . چنین آتش سوزی هایی نیز ممکن است بر تنوع زیستی، ساختار جنگل و انعطاف پذیری در برابر تغییرات آب و هوایی تأثیر منفی بگذارد [ 5 ، 6]]. حساسیت به آتش سوزی و توزیع مکانی و زمانی آنها در جنگل آمازون با خشکسالی های شدید ناشی از افزایش غیرعادی دمای سطح دریا، مانند نوسانات جنوبی ال نینو (ENSO)، و همچنین تشدید استفاده از زمین مرتبط است [7 ، 8 ] . بر اساس [ 9 ]، تشدید کاربری زمین به طور گسترده به عنوان فعالیت هایی تعریف می شود که با هدف افزایش بهره وری یا سودآوری در واحد سطح کاربری اراضی روستایی، از جمله تقویت کاربری های خاص و همچنین تغییرات بین کاربری ها انجام می شود. سنجش از دور به عنوان یک جایگزین عملی برای نظارت بر آتش سوزی در جنگل آمازون ظاهر می شود، با گسترش بزرگ آن به 5.5 میلیون کیلومتر مربع .. تصاویر ماهواره ای یک نمای همدیدی، پوشش سیستماتیک، علاوه بر افزایش سرعت و کسب مقرون به صرفه ارائه می دهند [ 4 ].
در اوایل دهه 2000، اولین داده های مناطق سوخته جهانی (BA) بر اساس تصاویر رادیومتر با وضوح بسیار بالا (NOAA-AVHRR) با وضوح فضایی 1000 متر [10، 11] اداره ملی اقیانوسی و جوی منتشر شد . با این حال، در سال‌های اخیر، چندین محصول BA در دسترس و به راحتی قابل مدیریت در مقیاس جهانی در دسترس قرار گرفتند [ 12 ]. در میان آنها، داده های حسگرهای با وضوح پایین طیف سنج تصویربرداری با وضوح متوسط ​​(MERIS، 300 متر) و طیف سنج تصویربرداری با وضوح متوسط ​​(MODIS، 250-500 متر) قابل توجه هستند [12 ] . وضوح متوسط ​​و داده های دسترسی باز [ 3 ، 12] از Landsat-8 Operational Land Imager (OLI، 30 متر) و Sentinel-2 Multi Spectral Instrument (MSI، 10 m) نیز برای تشخیص BA [13] در دسترس بوده است . همه این داده ها را می توان در پلتفرم Google Earth Engine (GEE) مبتنی بر ابر پردازش کرد، که امکان تجزیه و تحلیل و تجسم داده های عظیم جغرافیایی را در مقیاس بزرگ فراهم می کند [14 ] .
به منظور حمایت از مطالعات برای تشخیص آتش‌سوزی‌های تاریخی [ 4 ، 15 ، 16 ]، الگوی فضایی آن‌ها و ارزیابی اثرات اجتماعی و زیست‌محیطی آن‌ها، به دست آوردن داده‌های جمع‌آوری‌شده آتش‌سوزی‌های جنگلی در یک دوره زمانی طولانی الزامی است [ 17 ، 18 ]. این داده‌ها همچنین برای شناسایی اینکه آیا وقوع و اثرات آتش‌سوزی‌های جنگلی با عواملی مانند تغییرات آب و هوایی، امداد، پوشش زمین و تغییر کاربری زمین، سیاست‌های زیست‌محیطی و مدیریت مرتبط هستند مفید هستند [19 ، 20 ] . در میان مطالعات مربوط به مناطق سوخته در ادبیات، کار Chuvieco و Congalton [ 21] باید ذکر شود، که در آن نویسندگان تفسیر بصری تصاویر نقشه‌بردار موضوعی Landsat (TM) را برای ترسیم مرزهای آتش‌سوزی‌های جنگلی انجام دادند، که سپس با کمک طبقه‌بندی حداکثر احتمال نظارت شده تأیید شد. مطالعات بیشتر همچنین از تجزیه و تحلیل بصری تصاویر ماهواره ای برای ترسیم مناطق متاثر از آتش سوزی استفاده کردند [ 22 ، 23 ]. اخیراً، تجزیه و تحلیل بصری و روش های پارامتری جای خود را به شاخص های طیفی تصفیه شده و رویکردهای یادگیری ماشین داده اند [ 24 ، 25 ، 26 ، 27 ، 28 ، 29 ، 30 ].
پردازش داده های سنجش از دور یک نیاز ضروری برای تولید اطلاعات مکانی صدا، با کیفیت علمی و مناسب برای پایش آتش سوزی های جنگلی در میان مدت و بلندمدت در مقیاس های محلی، منطقه ای و جهانی است. در دسترس بودن بیشتر حسگرهای وضوح فضایی متوسط، توسعه چندین الگوریتم را برای استخراج BA در سطوح محلی و منطقه ای امکان پذیر کرد [ 31 , 32 , 33]. به موازات این، تحلیل طیفی تصاویر ماهواره ای امروزه تمایل به استفاده از شاخص های طیفی چندگانه دارد که از محدوده مرئی طیف الکترومغناطیسی (VIS) و همچنین مادون قرمز نزدیک (NIR)، مادون قرمز موج کوتاه 1 استفاده می کند. SWIR1) و محدوده موج کوتاه مادون قرمز 2 (SWIR2) برای ارزیابی مناطق سوخته و/یا شدت سوختگی آتش‌سوزی‌ها [ 12 ، 34 ، 35 ]. در میان آن شاخص‌ها، ما باید به نسبت سوختگی نرمال شده (NBR) [ 36 ] و تفاوت آن در رابطه با مقدار به‌دست‌آمده قبل از رویداد آتش‌سوزی (dNBR) اشاره کنیم، که امکان ارزیابی وسعت و شدت BA را فراهم می‌کند [ 37 ]. سایر شاخص‌ها مانند شاخص سوختگی فروسرخ میانی (MIRBI) [ 38]، نسبت سوختگی نرمال شده 2 (NBR2) [ 39 ]، و شاخص گیاهی تفاوت نرمال شده (NDVI) [ 40 ] قادر به ارائه مقیاس خوب و برآوردهای سالانه BA قابل اعتماد هستند [ 12 ، 34 ].
در این مطالعه، ما بر بخش آمازوناس تمرکز می کنیم، یک بخش اداری که شامل بخشی از آمازون پرو در شمال شرقی پرو است، جایی که آتش سوزی های جنگلی اغلب در طول فصل خشک (از ژوئیه تا نوامبر) رخ می دهد [41 ] . بخش عمده ای از این آتش سوزی ها توسط انسان ها [ 42 ]، و به میزان کمتر، توسط منابع اشتعال طبیعی و تعامل آنها با عوامل آب و هوایی که به احتراق و انتشار کمک می کنند، ایجاد می شود. گسترش و فراوانی آنها به طور مستقیم با دما، رطوبت، باد، نوع و ویژگی های پوشش گیاهی، تسکین و سایر عوامل مرتبط است [ 2 ]. مردم محلی از آتش برای تمیز کردن زمین و آماده کردن خاک برای کاشت استفاده می کنند [ 43]. با توجه به آنچه قبلا ذکر شد، هدف این تحقیق توسعه یک روال مبتنی بر قوانین تصمیم گیری برای نظارت بر آتش سوزی های جنگلی با استفاده از تصاویر Landsat-8 و Sentinel-2 و با استفاده از پلت فرم GEE مبتنی بر ابر است. مقایسه بین محصولات BA مشتق شده از این دو مجموعه تصاویر ماهواره ای نیز پیش بینی شده است.

2. مواد و روشها

2.1. منطقه مطالعه

بخش آمازوناس بخشی از آمازون پرو است و در سطحی به وسعت 39306.47 کیلومتر مربع ( شکل 1 ، 3°0′-7°2′ جنوبی و 77°0′-78°42′ غربی)، با ارتفاعات از در شمال 120 تا در جنوب 4900 متر بالاتر از سطح متوسط ​​دریا. این استان شامل هفت استان (باگوا، بونگارا، چاچاپویاس، کوندورکانکی، لویا، رودریگز د مندوزا و اوتکوبامبا) با جمعیت کل 379384 نفر و تراکم 9.6 اینچ در کیلومتر مربع است [ 44 ] .]. این بخش اداری از بخش بین‌آیند که 27.0 درصد از سطح آن را اشغال می‌کند و بخش جنگل آمازون که مربوط به 73.0 درصد باقی‌مانده مساحت است، تشکیل شده است. بخش آمازوناس دارای تنوع زیادی از منابع طبیعی است، با اکوسیستم های پیچیده و شکننده (آند، جنگل های پست، جنگل های مرتفع، و جنگل های خشک استوایی) [45] که عمدتاً توسط جنگل های استوایی کشف نشده پوشیده شده است [ 46 ]]. آب و هوا با توجه به شرایط جغرافیایی تغییر می کند، اگرچه آب و هوای “گرم و مرطوب” در کوندورکانکی و در بخشی از رودریگز د مندوزا حاکم است. آب و هوای غیرمشابه دیگری در سرتاسر منطقه پراکنده است، مانند آب و هوای “گرم و خشک” در استان های باگوا و اوتکوبامبا، و آب و هوای “معتدل مرطوب و معتدل گرم” در چاچاپویاس و لویا. درجه حرارت تا 40 درجه سانتیگراد در جنگلهای پست (در شمال) و حداقل دما در کوههای آند (در جنوب) به 2 درجه سانتیگراد می رسد [ 45 ، 47 ]. پوشش زمین و کاربری اراضی در این منطقه عمدتاً توسط جنگل ها (سازند جنگل و جنگل دشت سیلابی) و پس از آن کشاورزی، سازند طبیعی (سازند طبیعی غیرجنگلی و مراتع دشت سیلابی) و مناطق بدون پوشش گیاهی نشان داده شده است.48 ].
برجسته ترین فعالیت های اقتصادی در این منطقه کشاورزی (زراعت و دامداری) و فعالیت صنعتی است که به ترتیب 2/51 و 5/14 درصد از تولید ناخالص داخلی منطقه را تشکیل می دهند [45 ] . این فعالیت‌ها منجر به جنگل‌زدایی، چرای بی‌رویه، کشاورزی مهاجر، آلودگی و فرسایش خاک، آتش‌سوزی در جنگل‌ها و قطع درختان غیرقانونی و استخراج معادن می‌شود. مشخص شده است که 27.4٪ (11533.93 کیلومتر مربع ) از سطح این بخش تخریب شده است [ 41 ، 49 ]. در طول دوره 2002 تا 2017، 130 آتش سوزی جنگل رخ داد [ 50]. این نتیجه کشاورزی مهاجر و باز شدن دسترسی‌ها و مسیرهای زمینی جدید است، مانند محورهای ارتباطی برای اقدامات توسعه اقتصادی بخش‌ها و ملی که بر تنوع زیادی از گونه‌های گیاهی و جانوری تأثیر می‌گذارد [41 ، 42 ] . علاوه بر این، نقشه پوشش گیاهی این منطقه گزارش داد که تنها در سال 2018، 7453 هکتار از جنگل های بارانی از بین رفته است [ 51 ]. از آنجایی که بخش آمازوناس دارای بیشترین سهم از رویدادهای آتش سوزی در آمازون پرو است ( شکل 2 )، به عنوان منطقه مطالعه ما انتخاب شده است.
محصول Terra MODIS C6، متعلق به سیستم اطلاعات آتش‌سوزی برای مدیریت منابع (FIRMS)، از سال 2001 تا 2019، 3539 آتش‌سوزی جنگلی را در آمازون ثبت کرده است. ماه‌های آگوست (42)، سپتامبر (35)، اکتبر (29) و نوامبر (30) بیشترین میانگین های ماهانه را ارائه کردند. به نوبه خود، سال‌هایی که بیشترین تعداد آتش‌سوزی‌های جنگلی را داشتند به ترتیب 2005 (482)، 2010 (270) و 2016 (343) بودند [52 ] . سطح اسکار سوختگی در بخش آمازوناس در مجموع 189.87 کیلومتر مربع است [ 53 ]. معمولاً این آتش‌سوزی‌ها در اثر فعالیت‌های انسانی از طریق فعالیت‌های کشاورزی ایجاد می‌شوند، در حالی که در برخی موارد دیگر، توسط منابع اشتعال ایجاد می‌شوند که هر دوی آنها اثرات چشمگیری بر اکوسیستم‌های آمازون دارند [41، 42 ] .]. در این زمینه، تشخیص نواحی سوخته به منظور ارزیابی الگوی مکانی و زمانی آنها و همچنین تصور و اجرای اقدامات پیشگیرانه بسیار مهم است.

2.2. پردازش داده ها

روش اتخاذ شده در شکل 3 ارائه شده است که شامل اکتساب داده های چندطیفی Landsat-8 و Sentinel-2 می باشد. پوشاندن ابرها، سایه ابرها و بدنه های آبی؛ محاسبه شاخص های طیفی؛ طبقه بندی؛ فیلتر فضایی و زمانی؛ نقشه برداری BA; و اعتبار سنجی آماری

2.3. موتور Google Earth (GEE)

این پلتفرم در منطق «داده بزرگ» عمل می‌کند و نه تنها داده‌های Landsat-8 و Sentinel-2 را در بر می‌گیرد، بلکه داده‌های شطرنجی از راه دور بیشتری را شامل می‌شود که مرتبه‌ای از پتابایت دارند و توسط آژانس‌هایی مانند سازمان ملی هوانوردی و فضایی در دسترس عموم قرار می‌گیرند. (ناسا)، آژانس فضایی اروپا (ESA) و دیگران [ 14 ]. GEE همچنین دسترسی به پردازش تصاویر دیجیتال و الگوریتم‌های یادگیری ماشین و همچنین کتابخانه‌های رابط برنامه‌نویسی کاربردی (API) (مانند جاوا اسکریپت، پایتون و R) و رابط‌های اسکریپت را امکان‌پذیر می‌کند، که در آن کاربران می‌توانند کدهای خود را توسعه دهند و داده‌ها را به صورت آنلاین پردازش کنند. . بنابراین، GEE امکان دستکاری، تجزیه و تحلیل و تجسم داده های مکانی را بدون نیاز به دسترسی به ابر رایانه ها فراهم می کند [ 54 ].

2.4. داده های چندطیفی ماهواره ای و محصولات آتش

چندین محصول وجود دارد که امکان تشخیص BA را فراهم می کند. در این مطالعه، ما از داده‌های ماهواره‌ای با وضوح فضایی متوسط ​​موجود در پلت فرم GEE، مانند مجموعه تصاویر چند طیفی بازتاب سطحی (SR) از Landsat-8 OLI/TIRS Tier 1 (ID: LANDSAT/LC08/C01/T1_SR) و تصاویر Top-Of-Atmosphere (TOA) در مورد Sentinel-2/MIS level-1C (ID: COPERNICUS/S2) [ 55 ]. جمع‌آوری و پردازش داده‌ها شامل بازه زمانی 2017 تا 2019، با توجه به در دسترس بودن داده‌ها ( جدول 1 و جدول 2) است.). هر مجموعه تصویری به صورت جداگانه طبقه بندی شد. برای Landsat-8، ما با وضوح فضایی اصلی 30 متر کار کردیم، در حالی که برای Sentinel-2، وضوح فضایی استاندارد 15 متر را اتخاذ کردیم که با استفاده از نمونه‌گیری مجدد با استفاده از تکنیک درونیابی نزدیکترین همسایه به دست آمد.

2.5. پوشش ابرها، سایه ابرها و اجسام آبی

با توجه به اینکه منطقه مورد مطالعه در بیشتر ایام سال ابرها را نشان می دهد، پوشش یک مرحله پردازش مهم بود. این فرآیند امکان پوشاندن ابرها، سایه ابرها و بدنه‌های آبی را فراهم کرد. الگوریتم C Function of Mask (CFMASK) برای تشخیص ابرها و سایه ابرها برای تصاویر Landsat-8 اعمال شد [ 56 ]. در مورد تصاویر Sentinel-2، الگوریتم Google CloudScore برای پوشاندن ابرها، و الگوریتم Temporal Dark Outlier Mask (TDOM) برای پوشاندن سایه ابر، با کمک باند ارزیابی کیفیت (QA60) [57] اعمال شد . به منظور پوشاندن پیکسل‌هایی که نویز ناشی از سایه ابر را نشان می‌دهند، آستانه‌ای برای باند B12 اعمال شد، جایی که B12 <0.07 سایه ابر در نظر گرفته شد [ 12]]. با توجه به حضور اغلب ابرهای سیروس، یک آستانه نیز برای باند B2 اعمال شد (B2 > 0.15) [ 58 ]. در نهایت، شاخص تفاوت نرمال شده آب (NDWI) برای شناسایی و پوشاندن بدنه‌های آبی استفاده شد [ 59 ].

2.6. موزاییک تصاویر قبل و بعد از آتش سوزی

این فرآیند در ابتدا داده‌های سری زمانی را هر دو ماه یکبار گروه‌بندی (موزائیک‌سازی) کرد، که نه تنها ساخت موزاییکی با حداقل مقدار ابر، بلکه برای کاهش ابعاد داده‌های ورودی بود. در این دنباله، فیلترهای از پیش انتخاب شده برای حذف پیکسل‌های دارای ابر، سایه ابر و بدنه‌های آبی از داده‌های چندزمانی Landsat-8 و Sentinel-2 استفاده شد. برای ایجاد موزاییک های قبل و بعد از آتش سوزی، از NBR و NDVI استفاده شد. توضیح موزاییک قبل از آتش سوزی شامل انتخاب پیکسل هایی با حداکثر مقادیر NDVI در امتداد سری زمانی بود، در حالی که برای موزاییک پس از آتش سوزی، پیکسل هایی با حداکثر مقادیر NBR انتخاب شدند.

2.7. شاخص های طیفی برای نقشه برداری مناطق سوخته (BA).

چهار شاخص معمولاً برای استخراج BA انتخاب شدند ( جدول 3 ) [ 12 ، 34 ، 60 ]. باندهای طیفی زیر مورد استفاده قرار گرفتند: قرمز مرئی (قرمز)، مادون قرمز نزدیک (NIR)، موج کوتاه مادون قرمز 1 (SWIR1) و موج کوتاه مادون قرمز 2 (SWIR2).
NDVI یکی از شناخته شده ترین و پرکاربردترین شاخص های گیاهی است که میزان نور قرمز قابل مشاهده جذب شده توسط پوشش گیاهی سبز را در نظر می گیرد. به طور کلی، NDVI نسبت به محتوای کلروفیل و سایر رنگدانه های مسئول جذب تابش خورشید در محدوده قرمز طیف الکترومغناطیسی حساس است، در حالی که شاخص گیاهی تقویت شده (EVI) به تغییرات در ساختار تاج پوشش حساس تر است. از جمله شاخص سطح برگ (LAI)، فیزیولوژی گیاه، و حجم تاج پوشش [ 62 ، 63]. EVI و شاخص گیاهی تنظیم شده خاک (SAVI) از اصلاح جو و پارامترهای خاک استفاده می کنند که منجر به عدم اطمینان بیشتر در محاسبه آستانه برای شناسایی مناطق سوخته می شود. آسیب ناشی از آتش سوزی به پوشش گیاهی منجر به کاهش قابل توجهی در NDVI می شود [ 34 ، 64 ]، و از این رو، ما NDVI را برای تشخیص BA انتخاب کرده ایم.
تجزیه و تحلیل سری های زمانی نشان داد که NBR2 در تشخیص سوختگی از مناطق نسوخته کارآمد است [ 12 ، 38 ]. به این ترتیب، پیکسل‌هایی با حداکثر مقادیر NDVI و NBR2 به ترتیب برای افتراق مناطق قبل از آتش از پس آتش (BA) انتخاب شدند.
بر اساس اطلاعات تولید شده، لازم بود آستانه های مناسبی برای شاخص های طیفی دیفرانسیل قبل و بعد از آتش، یعنی dMIRBI [ 65 ]، dNBR [ 66 ]، dNBR2 و dNIR [ 65 ] تنظیم شود. این روش با در نظر گرفتن 444 نقطه نمونه برداری شده با استفاده از تحلیل بصری با هدف تعیین آستانه های BA [ 12 ] ( شکل 4 ) اجرا شد. کاربرد این شاخص‌های طیفی دیفرانسیل برای تصاویر منجر به طبقه‌بندی مناطق «سوخته» و «نسوخته» ( شکل 5 ) با توجه به آستانه‌های تعریف‌شده [ 67 ] شد، که سپس روال مبتنی بر قوانین تصمیم‌گیری را در پلتفرم GEE قاب کرد. 68 ].

2.8. فیلتر کردن تصاویر

یک فیلتر موقت بر اساس NBR به منظور از بین بردن ناسازگاری ها (یا تغییرات در BA) و همچنین برای تصحیح خطاهای ناشی از ابر، عدم وجود اطلاعات، یا دوگانگی تاریخ های آتش سوزی استفاده شد. برای این منظور، قدیمی ترین تاریخ در نتایج برای طبقه بندی در نظر گرفته شد. چنین فیلتر زمانی برای سری های زمانی هر سال اعمال شد و شامل تعریف قوانین ماندگاری برای مقادیر NBR بود. با توجه به داده‌های Landsat-8، در صورتی که حداقل یک مقدار مثبت dNBR را در کل سری زمانی (به دلیل در دسترس بودن تصاویر محدود) ارائه دهد، یک ناحیه به عنوان BA اختصاص داده شد. برای هر یک از داده های سالانه Sentinel-2، حداقل دو مقدار مثبت dNBR در کل سری زمانی لازم بود تا یک منطقه را به عنوان BA نسبت دهیم ( شکل 6) .). یک فیلتر فضایی با حداقل واحد نقشه برداری 0.5 هکتار [ 69 ] نیز اعمال شد. پیکسل های جدا شده و مرزی با استفاده از فیلترهای همسایگی با هدف بهبود سازگاری فضایی داده ها حذف شدند. مناطق با کشت برنج نیز حذف شدند (در سایت هایی با شیب کمتر از 5 درجه)، به ویژه در دره رودخانه Utcubamba.

2.9. اعتبار سنجی آماری BA

ماتریس‌های خطا بر اساس طبقه‌بندی BA و داده‌های مرجع ( تعداد مشاهده نمونه‌ای)، که ارزیابی دقت نتایج را برای هر سال تجزیه‌وتحلیل شده امکان‌پذیر می‌سازد [ 70 ] توضیح داده شد. مقایسه بین محصول BA و داده های مرجع بر اساس نسبت هر پیکسل طبقه بندی شده به عنوان سوخته یا نسوخته در تصاویر Landsat-8 و Sentinel-2 بود. بنابراین، ما دقت کاربر (UA) را محاسبه کردیم که مربوط به خطاهای سفارش (از دیدگاه کاربر) و دقت تولیدکننده (PA)، مرتبط با خطاهای حذف (از دیدگاه سازنده نقشه) است [71 ، 72 ]]. علاوه بر این، ما دقت کلی را محاسبه کردیم که نشان‌دهنده کیفیت نتیجه طبقه‌بندی از نظر کمیت است. F-Score (F1)، که روابط بین برچسب‌های مثبت داده‌ها و برچسب‌های داده‌شده توسط یک طبقه‌بندی را فراهم می‌کند [ 73 ]. جزء کمیت (Qt)، که تفاوت مطلق مقدار را برای هر دسته (مناطق سوخته و نسوخته) در هر دو داده مشاهده شده و طبقه بندی شده نشان می دهد. جزء Exchange (Et)، که سهم تغییرات از مناطق سوخته به نسوخته و بالعکس را با همان نسبت‌ها در داده‌های مرجع و طبقه‌بندی‌شده، بدون تغییر مقادیر نهایی ارزیابی می‌کند [ 74 ].

2.10. شناسایی الگوهای BA

با هدف ایجاد یک سطح پیوسته قادر به نمایش شدت آتش سوزی در سطح بخش آمازوناس، تخمین تراکم هسته (KDE) استفاده شد [ 75 ]. KDE [ 76 ، 77 ]. در مرحله بعد، نقشه چگالی بر اساس روش طبقه بندی شکست های طبیعی جنکس [ 78 ] در پنج کلاس مربوط به سطوح مختلف تراکم BA طبقه بندی شد: بسیار کم، کم، متوسط، زیاد و بسیار زیاد [ 28 ، 41 ، 50 ]. در نهایت، کیفیت توافق فضایی با استفاده از ضریب Q Yule [ 79 ] مورد ارزیابی قرار گرفت.

3. نتایج

3.1. اعتبار سنجی نتایج به دست آمده برای ارزیابی BA

اعتبار سنجی آماری BA بر اساس تفسیر بصری 456 سایت آزمایشی به دست آمد تا امکان ارزیابی مقایسه ای UA، PA، دقت، F1، Qt و Et بین محصولات Landsat-8 و Sentinel-2 فراهم شود. دقت به‌دست‌آمده توسط Landsat-8 در سال‌های 2017، 2018 و 2019 ( جدول 4 ) بین 82.7٪ و 91.4٪ بود و UA بین 66.7٪ تا 98.7٪ بود. PA از 74.8٪ تا 98.5٪ متغیر بود و شاخص های F1 به ترتیب از 79.4٪ تا 90.8٪ به مقادیر رسیدند. Sentinel-2 مقادیر بهتری را با دقت بین 94.5٪ و 98.5٪، UA متفاوت از 92.1٪ تا 99.1٪، PA از 92.5٪ تا 99.1٪، و F1 به مقادیر نوسانی بین 94.4٪ و 98.5٪ (به ترتیب) ارائه کرد. جدول 4). مقادیر Qt برای Landsat-8 از 84 به 92 و برای Sentinel-2، از 43 تا 57 در طول دوره مورد تجزیه و تحلیل نوسان داشتند. به نوبه خود، مقادیر Et برای Landsat-8 از 8 تا 16 متغیر است، در حالی که برای Sentinel-2، این مقادیر بین 43 و 57 قرار دارد.

3.2. کارشناسی در بخش آمازوناس

آتش‌سوزی‌های جنگلی در بخش آمازوناس در سال‌های 2017 و 2018 نسبت به سال 2019 کاهش یافته است. مقایسه سالانه BA برای هر محصول در جدول 5 ارائه شده است . در سال 2017، Landsat-8 مساحت 16.39 کیلومتر مربع را به ثبت رساند که 0.96٪ کوچکتر از محصول Sentinel-2 بود که 16.5 کیلومتر مربع از سطح را ارزیابی کرد. در سال 2018، Landsat-8 گسترش BA را 6.24 کیلومتر مربع ثبت کرد ، در حالی که محصول Sentinel-2 مساحت 78.50 کیلومتر مربع (1158.48٪ بیشتر از Landsat-8) را گزارش کرد. در نهایت، در سال 2019 گسترش BA به ترتیب توسط Landsat-8 و Sentinel-2 به 32.93 و 67.19 کیلومتر مربع ( که دومی 104.05٪ بیشتر است) بود.
شکل 7 وقوع آتش سوزی های جنگلی را در سال های مورد تجزیه و تحلیل نشان می دهد. می توان استنباط کرد که فرکانس آتش سوزی ها بین ژوئن و دسامبر افزایش می یابد و این رفتار در طول سال ها تکرار می شود.

3.3. توافقنامه فضایی BA

مقایسه فضایی وصله های BA مشتق شده از محصولات Landsat-8 و Sentinel-2 در هر سال تجزیه و تحلیل شده در شکل 8 نشان داده شده است . مرکز چند ضلعی های BA الگوی توزیع فضایی مشابهی را در هر دو محصول ماهواره ای نشان می دهد، اگرچه Sentinel-2 نسبتاً تعداد بیشتری و تکه های بزرگتر از آتش سوزی های جنگلی را با توجه به موارد ایجاد شده توسط Landsat-8 در طول سال های ارزیابی شده تولید کرده است. چهره از وضوح مکانی بالاتر (15 متر) و زمانی (5 روز) آن است.

3.4. الگوهای تراکم BA

نقشه‌هایی که بر اساس روش KDE با در نظر گرفتن تشخیص زمانی سه ساله BA با استفاده از محصولات Landsat-8 و Sentinel-2 ( شکل 9 ) توضیح داده شده‌اند، تراکم آتش‌سوزی‌های جنگلی «بسیار زیاد»، «بالا» و «متوسط» را در جنوب غربی نشان می‌دهند. از بخش آمازوناس، در میان استان های اوتکوبامبا، لویا، چاچاپویاس و بونگارا. این نشان می دهد که سیاست ها و اقدامات زیست محیطی باید توجه بیشتری به چنین مناطق آسیب پذیری داشته باشد. از سوی دیگر، استان های رودریگز د مندوزا، باگوا و کوندورکانکی تراکم “کم” و “بسیار کم” را در قلمرو خود ثبت می کنند ( شکل 9 ).
مشاهده شد که آتش سوزی های جنگلی در نزدیکی سکونتگاه های انسانی (مناطق پرجمعیت) و شبکه جاده ها رخ می دهد. تقریباً 20٪ از آتش سوزی ها در فاصله 0 تا 600 متری از سکونتگاه ها و جاده ها، 20٪ بین 600 تا 1200 متر و 60٪ باقیمانده این حوادث بیش از فاصله 1200 متری رخ می دهند (مواد تکمیلی شکل S1 ) . آتش‌سوزی‌های جنگلی در منطقه مورد مطالعه عمدتاً در مکان‌هایی با شیب بیشتر از 8 درجه (تقریباً 90 درصد همه رویدادها) شروع شد و تنها 10 درصد از آنها در مکان‌هایی با شیب بین 0 تا 8 درجه رخ می‌دهد (شکل S2 و جدول S8 ) . با توجه به نزدیکی شهرک ها، اکثر آتش سوزی ها (90%) در فواصل بالاتر از 1600 متر شروع می شوند ( شکل S3 و جدول S8 ).
توافق فضایی بین BA حاصل از Landsat-8 و Sentinel-2 در جدول 6 نشان داده شده است . در سال 2017، مناطق BA و نسوخته (UA) توافق بین این دو محصول به ترتیب دارای سطح 3.51 و 39277.04 کیلومتر مربع با خطای حذف 0.21 و ضریب گسترش 1.00 بودند. در سال 2018، BA موافق دارای اندازه 2.35 کیلومتر مربع و UA موافق 39224.09 کیلومتر مربع بود که خطای حذف 0.38 و ضریب گسترش 1.00 را ارائه می کرد. در سال 2019، توافق فضایی BA نسبت به سال های گذشته افزایش یافته است (مجموع مساحت 18.88 کیلومتر مربع ) و UA توافق شده به 39225.23 کیلومتر مربع محدود شده است .، با خطای حذف 0.57 و ضریب گسترش 1.00. ضریب Q به نوبه خود مقادیر 1.00، 0.99 و 1.00 را برای سال های 2017، 2018 و 2019 ارائه کرد.

4. بحث

در مطالعه حاضر، ارزیابی عملکرد مقایسه ای محصولات BA مشتق شده از تصاویر با وضوح فضایی متوسط ​​Landsat-8 و Sentinel-2 انجام شد. این محصولات برای آمازون شمال شرقی پرو با استفاده از روال مبتنی بر قوانین تصمیم گیری دسترسی باز که در پلت فرم محاسبات ابری GEE اجرا شده است ( جدول S1 ) تولید شدند. دقت چنین محصولاتی با استفاده از ماتریس های خطا و شاخص های دقت با تکیه بر یک مجموعه داده مرجع مشترک، ایجاد شده بر اساس یک طرح نمونه گیری تصادفی طبقه بندی شده ارزیابی شد [ 71 ، 81]]. دقت کلی بین 82.7٪ تا 98.5٪ بود که نشان دهنده عملکرد رضایت بخش روتین پیشنهادی برای شناسایی مناطق سوخته و نسوخته است. محصولات Sentinel-2 OA بیشتری (94.5-98.5٪) نسبت به Landsat-8 (82.7-91.4٪) نشان می دهند. این را می توان با این واقعیت توضیح داد که آمازون پرو دارای آب و هوای مرطوب است و تصاویر Landsat-8 بدون ابر نادر هستند (16 روز وضوح زمانی) [82]، در حالی که Sentinel-2 زمانی (5 روزه) و مکانی بهتر ارائه می دهد . وضوح (10-20 متر)، با در دسترس بودن بیشتر تصاویر، که تمایل به بهبود تشخیص BA دارد [ 67 ].
مقایسه بین محصولات Landsat-8 و Sentinel-2 برای تشخیص صوت BA در آمازون پرو مفید بود. ادبیات به طور کلی گزارش می دهد که Sentinel-2 دقت های بالاتری ارائه می دهد [ 12 ، 83 ]، در حالی که برخی از نویسندگان معتقدند که Landsat-8 در مقایسه با محصولات MCD64A1 برتر از Sentinel-2 است [ 60 ، 84 ]. به گفته چنین نویسندگانی، Landsat-8 دارای باندهای طیفی بهتری از Sentinel-2 است. کارهای دیگر هر دو محصول Landsat-8 و Sentinel-2 را برای بهبود تخمین های BA ادغام می کنند [ 85 , 86 , 87]. با این حال، در این مطالعه، مقایسه با محصولات دیگر، مانند سری «داده‌های ترکیبی MODIS» (MCD45، MCD64) و «ابتکار تغییر اقلیم آتش‌سوزی» (FIRE CCI)، در مواجهه با غیرقابل اجرا بودن آنها انجام نشده است. کاربرد در منطقه آمازون [ 4 ]، به دلیل تفاوت های زیاد در وضوح فضایی [ 60 ]. برخی از مطالعات از محصول MCD64A1 (رزولوشن درشت) برای تشخیص آتش‌سوزی‌های جنگلی در مقیاس جهانی استفاده کرده‌اند [ 88 ، 89 ، 90 ، 91 ، 92 ، 93 ]، اما قادر به تشخیص BA کوچک و تکه‌تکه‌شده فضایی نیست، که با آن Landsat-8 و محصولات Sentinel-2 به راحتی می توانند با آن مقابله کنند [ 60 ، 94]. از سوی دیگر، چندین تکنیک و روش برای نگاشت BA پیشنهاد شده است. یکی از متداول‌ترین روش‌های مورد استفاده مربوط به تصاویر دو زمانی است که عملیات جبری [ 4 ] را ترکیب می‌کند، مانند محاسبه شاخص‌های طیفی (NDVI، NBR، NBR2، و MIRBI)، و تفاوت‌های زمانی قبل و بعد از آتش‌سوزی بین آنها (dMIRBI). ، dNBR، dNBR2 و dNIR)، که تشخیص تغییرات در پوشش گیاهی و از این رو، شناسایی BA را بهبود می بخشد.
آتش سوزی های جنگلی در منطقه مورد مطالعه عموماً از ژوئن تا دسامبر رخ می دهد ( شکل 7 ). Manríquez-Zapata [ 42 ] گزارش می دهد که آتش سوزی در پوشش گیاهی در سه ماهه سوم و چهارم سال (ژوئیه تا دسامبر) رخ می دهد. این رفتار زمانی با تغییر از فصل مرطوب به خشک [ 95 ]، و با عوامل هواشناسی (دمای بالا، میزان بارندگی کم و رطوبت نسبی هوا کم) و تغییرات آب و هوایی همراه است که در کنار هم شرایط مساعدی را برای وقوع آتش‌سوزی‌های جنگلی ایجاد می‌کنند. به شدت بر فرآیندهای اکوسیستم محلی تأثیر می گذارد [ 41 ، 50 ، 96]. همه این ملاحظات اهمیت ارزیابی و در نظر گرفتن عوامل محرک انسانی و محیطی آتش‌سوزی‌ها را برای برنامه‌ریزی و مدیریت مناسب منظر نشان می‌دهد [ 76 ].
نقشه‌های تراکم آتش‌سوزی‌ها به تجسم مناطق اولویت‌دار برای حمایت از فرآیندهای تصمیم‌گیری و تخصیص منابع، با هدف کاهش خطر آتش‌سوزی‌ها و کاهش اثرات زیست‌محیطی، اجتماعی و اقتصادی آن‌ها اجازه می‌دهد. علاوه بر این، آنها ورودی های مفیدی برای برنامه ریزی و مدیریت چشم انداز در مقیاس های محلی، منطقه ای و جهانی هستند [ 76 ]. به طور متناوب، کشف منابع اشتعال آتش سوزی های جنگلی نیز یک کار مهم است، با توجه به اینکه آنها تا حد زیادی به امداد، اجزای احتراق طبیعی (پوشش گیاهی، رطوبت خاک)، و ویژگی های هواشناسی وابسته هستند [97] .]. تراکم و فاصله تا جاده ها به نفع ظهور مناطق مستعد در برابر آتش سوزی های تصادفی است، به عنوان مثال، آتش سوزی هایی که ناخواسته توسط مردم ایجاد می شوند، زیرا آنها فعالیت های انسانی و جابجایی را ممکن می کنند [ 97 ، 98 ]. حضور انسان عامل اصلی است که بر وقوع آتش سوزی های جنگلی، به ویژه در نزدیکی مناطق پرجمعیت تأثیر می گذارد [ 99 ]. مالیات بیکاری و شرایط سخت زندگی، متغیرهای مهم اجتماعی-اقتصادی هستند که منجر به بهره برداری بیش از حد از منابع طبیعی می شود که می تواند فوراً باعث آتش سوزی های تصادفی شود [ 97 ، 98]]. چنین آتش سوزی هایی نیز می تواند پیامد مستقیم اقدامات فرهنگی نامناسب مردم محلی باشد. شیب زمین، به نوبه خود، تداوم عمودی پوشش گیاهی و از این رو، ظهور بادهای دامنه تپه را که انتشار آتش‌سوزی‌های جنگلی را تسهیل می‌کند، مورد حمایت قرار می‌دهد [ 100 ، 101 ].
در آمازون پرو، این نوع تحقیقات در مقیاس ملی از اهمیت استراتژیک برخوردار است، زیرا آتش‌سوزی‌ها به‌عنوان پیامد مستقیم فعالیت‌های کشاورزی (زراعت و پرورش گاو) در املاک کوچک روستایی (<0.05 کیلومتر مربع) رخ می‌دهد . ) [ 102]. از این نظر، این مطالعه با یک روال مبتنی بر قوانین تصمیم‌گیری برای شناسایی و پایش مناطق پوشش گیاهی (شامل جنگل‌ها، بوته‌ها، بوته‌های چمنزار و مراتع) تحت تأثیر آتش‌سوزی‌های جنگلی با استفاده از تکنیک‌های سنجش از دور که امکان تعیین کمیت BA در بخش آمازوناس اطلاعات تولید شده می تواند توسط مقامات و تصمیم گیرندگان در طراحی سیاست ها و استراتژی های هدفمند برای پیشگیری، کنترل و/یا کاهش خطر آتش سوزی استفاده شود. روال پیشنهادی را می توان بیشتر برای کل آمازون پرو اعمال کرد، مشروط بر اینکه تنظیمات جزئی در روش به درستی انجام شود. در نهایت باید یادآوری کنیم که اگر بخواهیم سری های تاریخی BA در چهار دهه گذشته (1984-2020) را با تصاویر ماهواره ای رایگان ارزیابی کنیم، می توان از داده های Landsat-5، 7 و 8 استفاده کرد.
از جمله محدودیت‌های این مطالعه، اولین موردی که به آن اشاره می‌شود، دسترسی محدود به تصاویر Landsat-8 و Sentinel-2 بدون ابر است، به دلیل وجود ابرها در طول سال در منطقه مورد مطالعه. به همین دلیل است که ما الگوریتم CFMASK را برای تصاویر Landsat-8 و CloudScore و TDOM را برای تصاویر Sentinel-2 اعمال کردیم. یک جایگزین ممکن برای غلبه بر کاهش در دسترس بودن تصاویر، ترکیب این دو مجموعه خواهد بود. راه حل دیگر استفاده از رادار ماموریت Sentinel-1 است که مجهز به رادار دیافراگم مصنوعی (SAR) است که داده ها را بدون توجه به شرایط آب و هوایی جمع آوری می کند [ 103 ، 104 ، 105 .] و تشخیص تغییر پوشش گیاهی را در حضور پوشش ابری بالا بهبود می بخشد. علاوه بر این، یک جایگزین دیگر برای تشخیص و پوشاندن سایه ابر و ابر در تصاویر Sentinel-2 استفاده از یادگیری ماشینی [ 106 ] و رویکردهای یادگیری عمیق [ 107 ] خواهد بود. محدودیت دوم مربوط به چالش‌های روش‌شناختی برای تمایز آتش‌سوزی‌های جنگلی از آتش‌سوزی در محصولات برنج است که به عنوان یک روش مدیریت کاه برنج اتخاذ شده است. این تمایز مستلزم تخصص زیاد مترجمی است که یادگیری تحت نظارت را انجام می دهد. در مورد نقشه برداری مشارکتی در مناطق شناخته شده، چنین تبعیضی هنوز ممکن است، اما در طبقه بندی مناطق ناشناخته به طور جدی محدود است.

5. نتیجه گیری ها

این مطالعه پتانسیل یک روال مبتنی بر قوانین تصمیم گیری را با تکیه بر تصاویر وضوح فضایی متوسط ​​Landsat-8 و Sentinel-2 برای تخمین BA در آمازون شمال شرقی پرو ارزیابی کرد. این تخمین ها از طریق آموزش و طبقه بندی نظارت شده در پلت فرم GEE مبتنی بر ابر انجام شد. نتایج به‌دست‌آمده توسط تصاویر دو ماهواره از نظر معیارهای دقت و سطح جزئیات (اندازه تکه‌های BA) مقایسه شد. با توجه به اینکه محصولات مشابهی برای آمازون پرو، به ویژه بخش آمازوناس گزارش شده است، اما هیچ یک از آنها از داده های Sentinel-2 استفاده نکرده اند، این یک ابتکار بی سابقه است. این مطالعه بر روی روش ها و محصولات مختلف برای نقشه برداری BA، با استفاده از شاخص های طیفی استخراج شده از تصاویر قبل و بعد از آتش سوزی (dMIRBI، dNBR، dNBR2 و dNIR) تکیه کرد.
BA حاصل از Sentinel-2 از نظر گسترش نسبتاً بزرگتر بود (km2 ) و دقت بالاتری را نسبت به موارد مشتق شده از Landsat-8 نشان داد. شاخص های طیفی MIRBI، NBR و NBR2 و باند NIR بهترین نتایج را برای شناسایی مناطق سوخته در آمازون پرو تولید کردند. روش استفاده شده نتایج امیدوارکننده‌ای را برای نقشه‌برداری BA نشان داد، که امکان‌سنجی آن را برای حمایت بیشتر از ارزیابی اثرات زیست‌محیطی BA در سطوح منطقه‌ای، ملی و جهانی و همچنین یارانه دادن به اقدامات برای مدیریت خطر آتش‌سوزی‌های جنگلی نشان داد.

مواد تکمیلی

موارد زیر به صورت آنلاین در https://www.mdpi.com/2220-9964/9/10/564/s1 موجود است، شکل S1: نقشه های آتش سوزی در نزدیکی شبکه جاده ها زخم ها را می سوزاند. (الف) BA ناشی از Landsat-8. (ب) BA حاصل از Sentinel-2. شکل S2: نقشه‌های آتش‌سوزی‌های جنگلی بر روی دامنه‌های شیب قرار گرفته‌اند. (الف) BA ناشی از Landsat-8. (ب) BA حاصل از Sentinel-2. شکل S3. نقشه‌های آتش‌سوزی‌های جنگلی در مجاورت مناطق پرجمعیت جای زخم را می‌سوزاند. (الف) BA ناشی از Landsat-8. (ب) BA حاصل از Sentinel-2. جدول S1. اسکریپت هایی برای طبقه بندی مناطق سوخته (BA) در بخش آمازوناس ایجاد شده است. جدول S2. اعتبار سنجی آماری مناطق سوخته برای محصول Landsat-8 در سال 2017. جدول S3. اعتبار سنجی آماری مناطق سوخته برای محصول Landsat-8 در سال 2018. جدول S4. اعتبار سنجی آماری مناطق سوخته برای محصول Landsat-8 در سال 2019. جدول S5. اعتبار سنجی آماری مناطق سوخته برای محصول Sentinel-2 در سال 2017. جدول S6. اعتبار سنجی آماری مناطق سوخته برای محصول Sentinel-2 در سال 2018. جدول S7. اعتبار سنجی آماری مناطق سوخته برای محصول Sentinel-2 در سال 2019. جدول S8. تجزیه و تحلیل توزیع فضایی مناطق سوخته با توجه به شیب و نزدیکی به جاده ها و مناطق پرجمعیت برای محصولات Landsat-8 و Sentinel-2.

منابع

  1. استرلا ناوارو، ام جی; کشیش گوزمان، اف. Valiente Pardo، JA; Alloza، JA Integración de una cartografía de vientos en situaciones meteorológicas de riesgo de incendios forestales en la Comunidad Valenciana mediante un SIG. GeoFocus 2005 ، 5 ، 94-114. [ Google Scholar ]
  2. گاریدو، جی. ویلار، ال. اچواریا، پ. مارتینز-وگا، جی. مارتین، MP ¿Pueden las interfaces de usos del suelo explicar la ocurrencia de incendios forestales a escala provincial? لوس کاسوس د زامورا و مادرید. GeoFocus 2018 ، 71–95. [ Google Scholar ] [ CrossRef ]
  3. باستاریکا، ا. آلوارادو، م. آرتانو، ک. مارتینز، نماینده مجلس؛ مسانزا، ا. توره، ال. رامو، آر. Chuvieco، E. BAMS: ابزاری برای نقشه برداری مناطق سوخته تحت نظارت با استفاده از داده های Landsat. Remote Sens. 2014 , 6 , 12360–12380. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  4. سانتانا، NC; جونیور، OADC؛ Gomes، RAT; Guimarães، تشخیص ناحیه سوخته RF در محیط های آمازون با استفاده از سری های زمانی استاندارد شده در هر پیکسل در داده های MODIS. Remote Sens. 2018 ، 10 ، 1904. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  5. گیلروی، جی جی. Woodcock، P. ادواردز، FA; ویلر، سی. باپتیست، BLG; مدینه اوریبه، کالیفرنیا؛ هاوگاسن، تی. ادواردز، DP کربن ارزان و تنوع زیستی از بازآفرینی جنگل ها در یک نقطه بومی بومی بهره می برند. نات صعود چانگ. 2014 ، 4 ، 503-507. [ Google Scholar ] [ CrossRef ]
  6. لوئیس، اس ال. ادواردز، DP; Galbraith، D. افزایش تسلط انسان بر جنگل های استوایی. Science 2015 ، 349 ، 827-832. [ Google Scholar ] [ CrossRef ]
  7. آلنکار، AAC؛ سولورزانو، لس آنجلس؛ آتش‌سوزی‌های زیرزمینی جنگل‌های Nepstad، DC Modeling در منظره‌ای در شرق آمازون. Ecol. Appl. 2004 ، 14 ، 139-149. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  8. گوتیرز-ولز، وی. اوریارته، م. دفریز، آر. پیندو-واسکز، م. فرناندز، ک. سکاتو، پ. باثگن، دبلیو. Padoch، C. تغییر پوشش زمین با شدت خشکسالی برای تغییر رژیم آتش سوزی در غرب آمازون در تعامل است. Ecol. Appl. 2014 ، 24 ، 1323-1340. [ Google Scholar ] [ CrossRef ]
  9. مارتین، ای. کولست، بی. کوربرا، ای. داوسون، ن. فیشر، جی. فرانک، پی. مرتز، او. پاسکوال، یو. راسموسن، LV; رایان، سی. تشدید استفاده از زمین: وعده پایداری و واقعیت مبادلات. اکوسیست. خدمت دولت تجارت کاهش فقر 2018 ، 94–110 ، ffhalshs-01788070. [ Google Scholar ]
  10. پریرا، JMC; Sá، ACL; سوزا، آمو؛ سیلوا، JMN; سانتوس، TN; Carreiras، JMB خصوصیات طیفی و تمایز مناطق سوخته. Remote Sens. Large Wildfires 1999 , 123-138. [ Google Scholar ] [ CrossRef ]
  11. باربوسا، PM; استروپیانا، دی. گرگوار، جی.ام. Pereira، JMC ارزیابی آتش سوزی پوشش گیاهی در آفریقا (1981-1991): مناطق سوخته، زیست توده سوخته، و انتشارات جوی. گلوب. بیوژئوشیمی. چرخه 1999 ، 13 ، 933-950. [ Google Scholar ] [ CrossRef ]
  12. 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 ]
  13. Wulder، MA; ماسک، جی جی. کوهن، WB; لاولند، TR; Woodcock، CE باز کردن بایگانی: چگونه داده های رایگان، وعده علم و نظارت لندست را فعال کرده است. سنسور از راه دور محیط. 2012 ، 122 ، 2-10. [ Google Scholar ] [ CrossRef ]
  14. گولیک، ن. هنچر، م. دیکسون، ام. ایلیوشچنکو، اس. تاو، دی. Moore, R. Google Earth Engine: تجزیه و تحلیل جغرافیایی در مقیاس سیاره ای برای همه. سنسور از راه دور محیط. 2017 ، 202 ، 18-27. [ Google Scholar ] [ CrossRef ]
  15. چویکو، ای. مولو، اف. ون در ورف، GR; سان میگل، جی. تاناس، م. کوسیاس، ن. گارسیا، ام. یبرا، م. پادیلا، م. گیتاس، آی. و همکاران پیشینه تاریخی و تحولات فعلی برای نقشه برداری منطقه سوخته از رصد ماهواره ای زمین. سنسور از راه دور محیط. 2019 ، 225 ، 45-64. [ Google Scholar ] [ CrossRef ]
  16. دنیسون، PE; برویر، SC; آرنولد، جی دی. موریتز، MA روندهای آتش سوزی بزرگ در غرب ایالات متحده، ایالات متحده، 1984-2011. ژئوفیز. چشم انداز. 2014 ، 6413-6419. [ Google Scholar ] [ CrossRef ]
  17. آباتزغلو، جی تی; ویلیامز، AP تأثیر تغییرات آب و هوایی انسانی بر آتش سوزی جنگل های غرب ایالات متحده. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2016 ، 113 ، 11770–11775. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. Sakr, GE; الهج، الح. میتری، جی. پیش بینی کارآمد وقوع آتش سوزی جنگل برای کشورهای در حال توسعه با استفاده از دو پارامتر آب و هوا. مهندس Appl. آرتیف. هوشمند 2011 ، 24 ، 888-894. [ Google Scholar ] [ CrossRef ]
  19. هاوبکر، تی جی؛ Vanderhoof، MK; بیل، YJ; Takacs، JD; اشمیت، جی ال. Falgout، JT; ویلیامز، بی. Fairaux، NM; کالدول، MK; پیکوت، جی جی. و همکاران نقشه برداری مناطق سوخته با استفاده از سری های زمانی متراکم داده های Landsat. سنسور از راه دور محیط. 2017 ، 198 ، 504-522. [ Google Scholar ] [ CrossRef ]
  20. چن، جی سی. گفتار چن، سی تی در مورد آتش سوزی جنگل های تایوان. در خطرات، خطرات و بلایای آتش سوزی وحشی ؛ Elsevier Inc.: آمستردام، هلند، 2015; صص 145-166. ISBN 9780124096011. [ Google Scholar ]
  21. چویکو، ای. Congalton، RG نقشه برداری و موجودی آتش سوزی های جنگلی از پردازش دیجیتالی داده های tm نقشه برداری و فهرستی از آتش سوزی های جنگل از پردازش دیجیتالی داده های TM. Geocarto Int. 2008 ، 3 ، 41-53. [ Google Scholar ] [ CrossRef ]
  22. Bourgeau-Chavez, LL; Kasischke، ES; برونزل، اس. Mudd، JP; توکمن، ام. نقشه برداری اسکارهای آتش سوزی در جنگل های شمالی جهانی با استفاده از داده های رادار تصویربرداری. بین المللی J. Remote Sens. 2002 , 23 , 4211-4234. [ Google Scholar ] [ CrossRef ]
  23. وردو، اف. سالاس، J. Cartografía de áreas quemadas mediante análisis visual de images de satélite en la spaña peninsular para el periodo 1991-2005. GeoFocus 2010 ، 10 ، 54-81. [ Google Scholar ]
  24. الجنابی، س. الشورباجی، من. سلمان، کارشناسی ارشد ارزیابی مناسب بودن روش های محاسباتی نرم برای پیش بینی آتش سوزی جنگل. Appl. محاسبه کنید. آگاه کردن. 2018 ، 14 ، 214-224. [ Google Scholar ] [ CrossRef ]
  25. آرتس، تی. کورتس، آ. مارگالف، تی. پیش‌بینی گسترش آتش‌سوزی جنگلی بزرگ: داده‌ها و علوم محاسباتی. Procedia Comput. علمی 2016 ، 80 ، 909-918. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  26. فنگ، ایکس. فو، TM؛ کائو، اچ. تیان، اچ. فن، Q. چن، X. پیش‌بینی‌های شبکه عصبی انتشار آلاینده‌ها از سوزاندن باز باقی‌مانده‌های محصول: کاربرد برای پیش‌بینی‌های کیفیت هوا در جنوب چین. اتمس. محیط زیست 2019 ، 204 ، 22-31. [ Google Scholar ] [ CrossRef ]
  27. مونوز، سی. آسودو، پی. سالوو، اس. فاگالده، جی. Vargas، F. Detección de incendios forestales از تصاویر NOAA/16-LAC در منطقه Araucanía، شیلی استفاده می کند. بوسکه 2007 ، 28 ، 119-128. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  28. Ngoc-Thach، N.; بائو توآن نگو، دی. Xuan-Canh، P. هونگ-تی، ن. هنگ تی، بی. نهات دوک، اچ. Dieu، TB ارزیابی الگوی فضایی خطر آتش سوزی جنگل های استوایی در منطقه Thuan Chau (ویتنام) با استفاده از الگوریتم های یادگیری ماشین پیشرفته مبتنی بر GIS: یک مطالعه مقایسه ای. Ecol. آگاه کردن. 2018 ، 46 ، 74-85. [ Google Scholar ] [ CrossRef ]
  29. کالینز، ال. گریفیون، پی. نیول، جی. Mellor، A. کاربرد جنگل های تصادفی برای نقشه برداری شدت آتش سوزی. سنسور از راه دور محیط. 2018 ، 216 ، 374-384. [ Google Scholar ] [ CrossRef ]
  30. هیسلوپ، اس. هیوود، ا. جونز، اس. سوتو برلوف، م. اسکیدمور، ا. نگوین، TH یک رویکرد مبتنی بر داده های ماهواره ای برای نظارت و گزارش اختلال آتش سوزی و بازیابی در سراسر جنگل های شمالی و معتدل. بین المللی J. Appl. زمین Obs. Geoinf. 2020 , 87 , 102034. [ Google Scholar ] [ CrossRef ]
  31. باستاریکا، ا. چویکو، ای. Martín، MP نقشه برداری مناطق سوزانده شده از داده های Landsat TM/ETM+ با الگوریتم دو فازی: تعادل خطاهای حذف و کمیسیون. سنسور از راه دور محیط. 2011 ، 115 ، 1003-1012. [ Google Scholar ] [ CrossRef ]
  32. گودوین، NR; Collett، LJ توسعه یک روش خودکار برای نقشه برداری تاریخ آتش گرفته شده در سری های زمانی Landsat TM و ETM+ در سراسر کوئینزلند، استرالیا. سنسور از راه دور محیط. 2014 ، 148 ، 206-221. [ Google Scholar ] [ CrossRef ]
  33. استروپیانا، دی. آذر، ر. کالو، اف. پپه، آ. Imperatore، P. بوشتی، ام. سیلوا، JMN; Brivio، PA; لاناری، ر. ادغام داده های نوری و SAR برای نقشه برداری مناطق سوخته در مناطق مدیترانه. Remote Sens. 2015 ، 7 ، 1320-1345. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  34. فورنکا، دی. رن، جی. Xiao، W. ارزیابی بهترین شاخص های طیفی برای تشخیص اسکار سوختگی در چندین تاریخ پس از آتش سوزی در منطقه کوهستانی شمال غربی یوننان، چین. Remote Sens. 2018 , 10 , 1196. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  35. گیلم-کوگولوس، آر. Vinué-Visús، D.; Caselles-Miralles، V. Espinós-Morató, H. Estudio crítico de los índices de severidad y la superficie afectada por el incendio de Sierra de Luna (زاراگوسا). Revista de Teledeteccion 2017 ، 49 ، 63-77. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  36. کلید، CH; بنسون، N. نسبت سوختگی نرمال شده (NBR): اندازه گیری رادیومتری لندست TM شدت سوختگی . بررسی زمین شناسی ایالات متحده، مرکز علوم کوه های راکی ​​شمالی: بوزمن، MT، ایالات متحده آمریکا، 2003. در دسترس آنلاین: https://www.frames.gov/catalog/5860 (در 27 مه 2020 قابل دسترسی است).
  37. تئوبالدو، دی. de Mello Baptista، GM Quantificação da severidade das queimadas و da perda de sequestro florestal de carbono em unidades de conservação do distrito Federal. سوتین کشیش. Geogr. Física 2016 ، 9 ، 250-264. [ Google Scholar ] [ CrossRef ]
  38. تریگ، اس. فلاس، اس. ارزیابی فضاهای دو طیفی متفاوت برای تشخیص سوختگی. بین المللی J. Remote Sens. 2001 , 22 , 2641-2647. [ Google Scholar ] [ CrossRef ]
  39. لوپز گارسیا، ام جی; Caselles، V. نقشه برداری سوختگی و احیای جنگل های طبیعی با استفاده از داده های نقشه برداری موضوعی. Geocarto Int. 1991 ، 6 ، 31-37. [ Google Scholar ] [ CrossRef ]
  40. Rouse, JW; هاس، RH; شل، JA نظارت بر پیشرفت بهاری و پسرفت (اثر موج سبز) پوشش گیاهی طبیعی . گزارش نهایی؛ NASA/GSFC: Greenbelt, MD, USA, 1974. در دسترس آنلاین: https://ntrs.nasa.gov/citations/19740022555 (دسترسی در 10 مه 2020).
  41. SERFOR. Plan de Prevención y Reducción de Riesgos de Incendios Forestales ; SERFOR: لیما، پرو، 2018; در دسترس آنلاین: https://siar.minam.gob.pe/puno/sites/default/files/archivos/public/docs/plan-de-prevencion-y-reduccion-de-riesgos-de-incendios-forestales.pdf (دسترسی در 10 آوریل 2020).
  42. Manríquez Zapata، HM Especies forestales afectadas en incendios ocurridos en Amazonas: Unálisis de la información fiscal de los casos de Chachapoyas y Luya. آرنالدوآ 2019 ، 26 ، 965–976. [ Google Scholar ] [ CrossRef ]
  43. ویلار، ال. گومز، آی. مارتینز-وگا، جی. Echavarría، P. ریا، دی. مدل‌سازی چند زمانی محرک‌های آتش‌سوزی اجتماعی-اقتصادی در اسپانیای مرکزی بین دهه‌های 1980 و 2000: مقایسه مدل‌های خطی تعمیم‌یافته با الگوریتم‌های یادگیری ماشین. PLoS ONE 2016 ، 11 ، 1-17. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  44. INEI. Censos Nacionales de Población y Vivienda. 2017. در دسترس آنلاین: https://censos2017.inei.gob.pe/redatam/ (دسترسی در 11 ژوئن 2020).
  45. GRA; IIAP. Zonificación Ecológica y Económica (ZEE) del Departamento de Amazonas ; GRA و IIAP: Iquitos، پرو، 2010. [ Google Scholar ]
  46. روجاس، NB; باربوزا، ای. تورس، OAG؛ اولیوا، م. لیوا، دی. بارنا، M.Á. کروتو، اف. سالاس، آر. Rascón، J. اولویت‌بندی مورفومتریک، طبقه‌بندی رودخانه‌ای و کیفیت هیدروژئومورفولوژیکی در ریزحوضه‌های دام آند در شمال پرو. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 305. [ Google Scholar ] [ CrossRef ]
  47. Vargas, J. Clima, informe temático. Proyecto Zonificación Ecológica y Económica del Departmento de Amazonas, Instituto de Investigaciones de la Amazonía Prouana (IIAP) & Programa de Investigaciones en Cambio Climático, Desarrollo Territorial y Ambiente (PROTERRA) ; Gobierno Regional de Amazonas e Instituto de Investigaciones de la Amazonía Peruana: Chachapoyas، پرو، 2010; جلد 1، ص 1-27. در دسترس آنلاین: https://docplayer.es/57855699-Zonificacion-ecologica-y-economica-del.html (در 25 مه 2020 قابل دسترسی است).
  48. MapBiomas. Documento Base Teórico de Algoritmos (ATBD): RAISG—MapBiomas Amazonía—Colección 1. 2019. در دسترس آنلاین: https://mapbiomas.org (در 5 ژوئن 2020 قابل دسترسی است).
  49. MINAM. Estudio para la Identificación de Áreas Degradadas y Propuesta de Monitoreo ; MINAM: لیما، پرو، 2017. [ Google Scholar ]
  50. CENEPRED. ویژگی های peligro por incendios forestales ; CENEPRED: لیما، پرو، 2018. [ Google Scholar ]
  51. MINAM. GEOBOSQUES: Bosque y Pérdida de Bosque. در دسترس به صورت آنلاین: https://geobosques.minam.gob.pe/geobosque/view/perdida.php (در 15 آوریل 2019 قابل دسترسی است).
  52. شرکت ها اطلاعات آتش برای سیستم های مدیریت منابع. 2020. در دسترس آنلاین: https://firms.modaps.eosdis.nasa.gov/map/#d:2020-09-17..2020-09-18;@0.6,-0.3,3z (دسترسی در 19 سپتامبر 2020 ).
  53. SERFOR. Incendios Forestales. 2020. در دسترس آنلاین: https://geo.serfor.gob.pe/monitoreosatelitalforestal/incendios.html (در 19 سپتامبر 2020 قابل دسترسی است).
  54. تمیمینیا، اچ. صالحی، ب. مهدیان پری، م. کواکنبوش، ال. عادلی، س. Brisco، B. Google Earth Engine برای برنامه های کاربردی داده های جغرافیایی بزرگ: یک متاآنالیز و بررسی سیستماتیک. ISPRS J. Photogramm. Remote Sens. 2020 , 164 , 152–170. [ Google Scholar ] [ CrossRef ]
  55. ارخی، م. گوکسل، سی. سانلی، FB; Senel, G. ارزیابی مقایسه ای سازگاری طیفی و فضایی داده های Sentinel-2 و Landsat-8 OLI برای جنگل Igneada longos. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 56. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  56. فوگا، اس. Scaramuzza، PL; گوا، اس. زو، ز. دیلی، RD; بکمن، تی. اشمیت، جی ال. دوایر، جی ال. جوزف هیوز، م. Laue، B. مقایسه الگوریتم تشخیص ابر و اعتبارسنجی برای محصولات داده عملیاتی لندست. سنسور از راه دور محیط. 2017 ، 194 ، 379-390. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  57. Samsammurphy Cloud Masking with Sentinel 2. 2017. موجود به صورت آنلاین: https://github.com/samsammurphy/cloud-masking-sentinel2/blob/master/cloud-masking-sentinel2.ipynb (در 23 آوریل 2020 قابل دسترسی است).
  58. هالشتاین، ا. سگل، ک. گوانتر، ال. برل، ام. Enesco، M. روش‌های آماده برای تشخیص ابر، سیروس، برف، سایه، آب و پیکسل‌های آسمان صاف در تصاویر Sentinel-2 MSI. Remote Sens. 2016 ، 8 ، 666. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  59. McFeeters، SK استفاده از شاخص تفاوت عادی آب (NDWI) در ترسیم ویژگی‌های آب آزاد. بین المللی J. Remote Sens. 1996 ، 17 ، 1425-1432. [ Google Scholar ] [ CrossRef ]
  60. بار، اس. پریدا، BR; نقشه برداری منطقه آتش سوزی جنگلی مبتنی بر چاندرا پاندی، A. Landsat-8 و Sentinel-2 با استفاده از الگوریتم های یادگیری ماشین در پلت فرم ابری GEE بر فراز اوتاراکند، هیمالای غربی. Remote Sens. Appl. Soc. محیط زیست 2020 ، 100324. [ Google Scholar ] [ CrossRef ]
  61. Rouse, JW; هاس، RH; شل، JA; Deering، DW نظارت بر سیستم های پوشش گیاهی در دشت های بزرگ با ERTS. در مجموعه مقالات سومین سمپوزیوم فناوری منابع زمینی ماهواره-1، واشنگتن، دی سی، ایالات متحده آمریکا، 10-14 دسامبر 1973; جلد 1، ص 309-317. [ Google Scholar ]
  62. گائو، ایکس. Huete، AR؛ نی، دبلیو. Miura, T. روابط نوری-بیوفیزیکی طیف های گیاهی بدون آلودگی پس زمینه. سنسور از راه دور محیط. 2000 ، 74 ، 609-620. [ Google Scholar ] [ CrossRef ]
  63. Huete، AR A Soil Adjusted Vegetation Index (SAVI). سنسور از راه دور محیط. 1988 ، 25 ، 295-309. [ Google Scholar ] [ CrossRef ]
  64. Schepers، L. هاست، بی. وراربکه، س. اسپانهوو، تی. واندن بوره، جی. Goossens, R. تشخیص منطقه سوخته و ارزیابی شدت سوختگی آتش سوزی در بلژیک با استفاده از طیف‌سنجی تصویربرداری هوابرد (APEX). Remote Sens. 2014 ، 6 ، 1803-1826. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  65. مک کارلی، TR; کولدن، کالیفرنیا؛ Vaillant، NM; Hudak، AT; اسمیت، AMS; بال، BM; Kellogg، BS; کریتلر، جی. لیدار چند زمانی و کمیت لندست تغییرات ناشی از آتش سوزی در ساختار جنگل. سنسور از راه دور محیط. 2017 ، 191 ، 419-432. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  66. کلید، سی. Benson, N. Landscape Assessment: Sampling and Analysis Methods ; USDA برای. خدمت ژنرال تکنول. RMRS-GTR-164-CD; خدمات جنگلی USDA: واشنگتن، دی سی، ایالات متحده آمریکا، 2006; صص 1-55. در دسترس آنلاین: https://www.fs.usda.gov/treesearch/pubs/24066 (در 23 ژوئن 2020 قابل دسترسی است).
  67. آنایا، ج.ا. Sione، WF; Rodríguez-Montellano، AM Identificación de áreas quemadas mediante el análisis de series de tiempo en el ámbito de computación en la nube. کشیش Teledetección. 2018 ، 51 ، 61-73. [ Google Scholar ] [ CrossRef ]
  68. Turpo Cayo، EY; رائول آرنالدو، EV; ریوس کاسرس، اس. Moreno Flores، CN Mapeo multitime de cuerpos de agua y área urbanas en los andes del pro usando images Landsat en la plataforma Google Earth Engine، دوره 1984–2018. یک XIX Simpósio Bras. Sensoriamento Remoto. 2018 ، 3569–3572. در دسترس آنلاین: https://marte2.sid.inpe.br/rep/sid.inpe.br/marte2/2019/09.02.18.08?metadatarepository=sid.inpe.br/marte2/2019/09.02.18.08.26&ibilanguurl . =pt&ibiurl.requiredsite=marte2.sid.inpe.br+802&requiredmirror=dpi.inpe.br/marte2/2013/05.17.15.03.08&searchsite=urlib.net:80&searchmirror=dpi.inpe.br/400.2.1 0.00&choice=briefTitleAuthorMisc (دسترسی در 16 آوریل 2020).
  69. MINAM. پروتکل: Evaluacion de la Exactitud Tematica del Mapa de Deforestación ; MINAM: لیما، پرو، 2014. [ Google Scholar ]
  70. Chuvieco, E. Fundamentals of Satellite Remote Sensing an Environmental Approach , 2nd ed.; CRC Press: Boca Raton، FL، USA، 2016; ISBN 9781498728072. [ Google Scholar ]
  71. پادیلا، م. Stehman، SV; Chuvieco، E. اعتبار سنجی محصول منطقه سوخته جهانی MODIS-MCD45 2008 با استفاده از نمونه‌گیری تصادفی طبقه‌ای. سنسور از راه دور محیط. 2014 ، 144 ، 187-196. [ Google Scholar ] [ CrossRef ]
  72. پونتیوس، آر.جی. میلونز، ام. مرگ بر کاپا: تولد اختلاف کمیت و اختلاف تخصیص برای ارزیابی دقت. بین المللی J. Remote Sens. 2011 ، 32 ، 4407-4429. [ Google Scholar ] [ CrossRef ]
  73. سوکولووا، م. لاپالم، جی. تجزیه و تحلیل سیستماتیک معیارهای عملکرد برای وظایف طبقه بندی. Inf. روند. مدیریت 2009 ، 45 ، 427-437. [ Google Scholar ] [ CrossRef ]
  74. پونتیوس، آر.جی. سانتاکروز، الف. مولفه‌های کمیت، مبادله و جابجایی تفاوت در جدول احتمالی مربعی. بین المللی J. Remote Sens. 2014 , 35 , 7543-7554. [ Google Scholar ] [ CrossRef ]
  75. بریگاند، آر. تخمین چگالی هسته و نقشه های انتقالی نوسنگی مولداوی و استقرار انئولیتی ولر، او. داده BR 2018 ، 17 ، 452-458. [ Google Scholar ] [ CrossRef ]
  76. مونجاراس-وگا، NA; Briones-Herrera، CI; وگا-نیوا، دی جی؛ Calleros-Flores، E.; کورال-ریواس، جی جی. لوپز-سرانو، PM; پومپا-گارسیا، م. رودریگز-ترخو، DA; Carrillo-Parra، A. گونزالس-کابان، آ. و همکاران پیش‌بینی تراکم هسته آتش‌سوزی جنگل در مقیاس‌های چندگانه با رگرسیون وزن‌دار جغرافیایی در مکزیک. علمی کل محیط. 2020 , 718 , 137313. [ Google Scholar ] [ CrossRef ]
  77. روجاس، NB; باربوزا، ای. Maicelo، JL; اولیوا، اس ام. Salas, R. Deforestación en la Amazonía peruana: Índices de cambios de cobertura y uso del suelo basado en SIG. Boletín la Asoc. Geógrafos Españoles 2019 ، 1–34. [ Google Scholar ] [ CrossRef ]
  78. جنکس، GF مفهوم مدل داده در نقشه برداری آماری. بین المللی سالب. کارتوگر. 1967 ، 7 ، 186-190. [ Google Scholar ]
  79. Yule، GU در مورد روش های اندازه گیری ارتباط بین دو ویژگی. JR Stat. Soc. 1912 ، 75 ، 579. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  80. د باروس، A. Análise Quantitativa Espacial. Conceitos e Fundamentos ; Appris: سالوادور، برزیل، 2018; ISBN 9788547314026. [ Google Scholar ]
  81. Congalton، RG; گرین، ک. ارزیابی دقت داده‌های سنجش از راه دور: اصول و روش‌ها ، ویرایش دوم. CRC/Taylor & Francis: Boca Raton، FL، USA، 2009; شابک 978-1-4200-5512-2. [ Google Scholar ]
  82. چاوز، PP; زوکیم، جی. روکولاینن، ک. ون دونینک، جی. کالیولا، آر. ریورو، EG; Tuomisto، H. نقشه برداری از الگوهای فلورستیکی درختان در آمازون پرو با استفاده از سنجش از دور و یادگیری ماشین. Remote Sens. 2020 , 12 , 1523. [ Google Scholar ] [ CrossRef ]
  83. مالینس، جی. میتسوپولوس، آی. Chrysafi, I. ارزیابی و مقایسه شاخص های طیفی Sentinel 2A و Landsat-8 (OLI) برای برآورد شدت آتش سوزی در اکوسیستم کاج مدیترانه ای یونان. GIScience Remote Sens. 2018 ، 55 ، 1-18. [ Google Scholar ] [ CrossRef ]
  84. لانگ، تی. ژانگ، ز. او، جی. جیائو، دبلیو. تانگ، سی. وو، بی. ژانگ، ایکس. وانگ، جی. یین، R. نقشه برداری سالانه منطقه سوخته جهانی با وضوح 30 متر بر اساس تصاویر Landsat و موتور Google Earth. Remote Sens. 2019 , 11 , 489. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  85. روی، DP; هوانگ، اچ. بوشتی، ال. گیگلیو، ال. یان، ال. ژانگ، اچ. Li، Z. Landsat-8 و Sentinel-2 نقشه برداری منطقه سوخته-رویکرد تشخیص تغییرات چندزمانی سنسور ترکیبی. سنسور از راه دور محیط. 2019 ، 231 ، 111254. [ Google Scholar ] [ CrossRef ]
  86. گارسیا-لاماس، پی. سوارز-سئوآن، اس. Fernández-Guisuraga، JM; فرناندز-گارسیا، وی. فرناندز-مانسو، آ. کوئینتانو، سی. تابودا، ا. مارکوس، ای. Calvo، L. ارزیابی و مقایسه شاخص های سنجش از دور Landsat 8، Sentinel-2 و Deimos-1 برای ارزیابی شدت سوختگی در اکوسیستم های مستعد آتش سوزی مدیترانه. بین المللی J. Appl. زمین Obs. Geoinf. 2019 ، 80 ، 137-144. [ Google Scholar ] [ CrossRef ]
  87. سیفا، م. پناهی، م. لی، CW نقشه برداری منطقه سوخته پس از آتش سوزی با استفاده از یک الگوریتم ترکیبی و داده های ماهواره ای: مورد آتش سوزی جنگلی کمپ در کالیفرنیا، ایالات متحده. Remote Sens. 2020 , 12 , 623. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  88. پورتیلو-کوینترو، سی. سانچز آزوفیفا، ا. Marcos do Espirito-Santo، M. نظارت بر جنگل‌زدایی با آتش‌سوزی‌های فعال MODIS در جنگل‌های خشک نئوتروپیکال: تحلیلی از ارزیابی‌های مقیاس محلی در مکزیک، برزیل و بولیوی. J. محیط خشک. 2013 ، 97 ، 150-159. [ Google Scholar ] [ CrossRef ]
  89. گیگلیو، ال. شرودر، دبلیو. عدالت، CO مجموعه 6 MODIS فعال الگوریتم تشخیص آتش و محصولات آتش. سنسور از راه دور محیط. 2016 ، 178 ، 31-41. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  90. گیگلیو، ال. Schroeder, W. ارزیابی امکان سنجی جهانی دمای آتش دو طیفی و بازیابی منطقه با استفاده از داده های MODIS. سنسور از راه دور محیط. 2014 ، 152 ، 166-173. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  91. لیزوندیا-لویولا، جی. پتیناری، ام ال. Chuvieco، E. ناهنجاری های زمانی در روندهای منطقه سوخته: برآوردهای ماهواره ای بحران آتش سوزی آمازون 2019. Remote Sens. 2020 , 12 , 151. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  92. بوشتی، ال. روی، DP; گیگلیو، ال. هوانگ، اچ. زوبکوا، م. هامبر، ML اعتبار سنجی جهانی مجموعه 6 محصول منطقه سوخته MODIS. سنسور از راه دور محیط. 2019 ، 235 ، 111490. [ Google Scholar ] [ CrossRef ]
  93. Belenguer-Plomer، MA; Tanase، MA; فرناندز-کاریلو، آ. Chuvieco، E. تشخیص و نقشه‌برداری منطقه سوخته با استفاده از ضریب پراکندگی برگشتی Sentinel-1 و ناهنجاری‌های حرارتی. سنسور از راه دور محیط. 2019 ، 233 ، 111345. [ Google Scholar ] [ CrossRef ]
  94. هاوبکر، تی جی؛ Vanderhoof، MK; اشمیت، جی ال. بیل، YJ; پیکوت، جی جی. Takacs، JD; Falgout، JT; Dwyer, JL الگوریتم و محصولات Landsat Burned Area برای ایالات متحده محدود. سنسور از راه دور محیط. 2020 , 244 , 111801. [ Google Scholar ] [ CrossRef ]
  95. راسکون، جی. آنجلس، WG; Oliva، M. Determinación de las épocas lluviosas y secas en la ciudad de chachapoyas para el periodo de 2014–2018. REVISTA DE CLIMATOLOGÍA 2020 ، 20 ، 15-28. [ Google Scholar ]
  96. انگلیس، NC; Vukomanovic، J. تجسم زمان، مکان و چگونگی وقوع آتش سوزی در پارک ها و مناطق حفاظت شده ایالات متحده. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 333. [ Google Scholar ] [ CrossRef ]
  97. Bui، DT; Le، KTT; نگوین، وی سی. Le، HD; Revhaug، I. نقشه‌برداری حساسیت به آتش‌سوزی جنگل‌های استوایی در منطقه پارک ملی Cat Ba، شهر Hai Phong، ویتنام، با استفاده از رگرسیون لجستیک هسته مبتنی بر GIS. Remote Sens. 2016 , 8 , 347. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  98. اولیویرا، اس. اوهلر، اف. سان میگل آیانز، ج. کامیا، ا. Pereira، JMC مدل سازی الگوهای فضایی وقوع آتش سوزی در اروپای مدیترانه ای با استفاده از رگرسیون چندگانه و جنگل تصادفی. برای. Ecol. مدیریت 2012 ، 275 ، 117-129. [ Google Scholar ] [ CrossRef ]
  99. جیسوال، RK; موکرجی، اس. راجو، KD; Saxena، R. نقشه برداری منطقه خطر آتش سوزی جنگل از تصاویر ماهواره ای و GIS. بین المللی J. Appl. زمین Obs. Geoinf. 2002 ، 4 ، 1-10. [ Google Scholar ] [ CrossRef ]
  100. سو، ز. متعجب.؛ تیگابو، م. وانگ، جی. زنگ، ا. Guo, F. مدل رگرسیون دوجمله‌ای منفی وزن‌دار جغرافیایی، وقوع آتش‌سوزی در کوه‌های بزرگ Xing’an را بهتر از مدل دوجمله‌ای منفی پیش‌بینی می‌کند. Forests 2019 , 10 , 377. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  101. کروز، ام جی؛ الکساندر، ME مدل سازی نرخ گسترش آتش و عدم قطعیت مرتبط با شروع و انتشار آتش سوزی تاج در توده های جنگلی مخروطیان. بین المللی جی. وایلدل. آتش 2017 ، 26 ، 413-426. [ Google Scholar ] [ CrossRef ]
  102. Maletta, HE La pequeña agricultura آشنا در ال پرو: Una tipología microregionalizada ; فائو: لیما، پرو، 2017؛ در دسترس آنلاین: https://www.fao.org/3/a-i6759s.pdf (در 24 آوریل 2020 قابل دسترسی است).
  103. Truckenbrodt، J. فریمانتل، تی. ویلیامز، سی. جونز، تی. کوچک، دی. دوبوا، سی. تیل، سی. روسی، سی. سیریو، ا. Giuliani، G. Towards Sentinel-1 SAR داده های آماده تجزیه و تحلیل: ارزیابی بهترین شیوه ها در تهیه داده های backscatter برای مکعب. داده‌ها 2019 ، 4 ، 93. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  104. ESA نگهبان-1. در دسترس آنلاین: https://sentinel.esa.int/web/sentinel/missions/sentinel-1 (در 13 سپتامبر 2020 قابل دسترسی است).
  105. ورهگن، ا. اوا، اچ. چکرینی، جی. آچارد، اف. گوند، وی. Gourlet-Fleury، S.; Cerutti، PO پتانسیل ماهواره های سنتینل برای نقشه برداری و نظارت بر مناطق سوخته در جنگل های حوضه کنگو. Remote Sens. 2016 , 8 , 986. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  106. سیلی، آر. موناکو، آ. آموروسو، ن. تاتئو، ا. تانگارو، اس. Bellotti, R. یادگیری ماشینی برای تشخیص ابری تصاویر Sentinel-2 توزیع شده در سطح جهانی. Remote Sens. 2020 , 12 , 2355. [ Google Scholar ] [ CrossRef ]
  107. نازاروا، تی. مارتین، پی. Giuliani، G. نظارت بر تغییر پوشش گیاهی در حضور پوشش ابری بالا با Sentinel-2 در یک منطقه جنگلی استوایی دشتی در برزیل. Remote Sens. 2020 , 12 , 1829. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00564 g001 550
شکل 1. پوشش زمین و کاربری اراضی در بخش آمازوناس، پرو. منبع : Mapbiomas [ 48 ].
Ijgi 09 00564 g002 550
شکل 2. آتش سوزی در استان لویا، در بخش آمازوناس رخ داده است: ( الف ) سمت چپ جاده به سمت روستاهای La Unión-San Jerónimo (ژوئیه 2019). ( ب ) قلعه Kuélap (اوت 2019).
Ijgi 09 00564 g003 550
شکل 3. فلوچارت روش شناختی برای توسعه یک روال مبتنی بر قوانین تصمیم گیری طراحی شده برای نظارت بر آتش سوزی های جنگلی در آمازون شمال شرقی پرو، با استفاده از تصاویر Landsat-8 و Sentinel-2 و با استفاده از پلتفرم موتور Google Earth مبتنی بر ابر.
Ijgi 09 00564 g004 550
شکل 4. نمودارهای جعبه ای از کلاس های “سوخته” و “نسوخته” برای تفاوت های چند زمانی مربوط به MIRBI، NBR، NBR2، NIR، و مقادیر NBR، NBR2، و NIR پس از آتش سوزی.
Ijgi 09 00564 g005 550
شکل 5. نقشه برداری مناطق سوخته با Sentinel-2، اوت 2019. ( الف ) موزاییک قبل از آتش سوزی. ( ب ) موزاییک پس از آتش سوزی. ( ج ) مناطق سوخته شده (به رنگ صورتی).
Ijgi 09 00564 g006 550
شکل 6. نمونه ای از یک سری زمانی برای شناسایی BA در منطقه مورد مطالعه. ( + ) قانون برای سری زمانی Landsat-8، که درخواست وقوع آتش سوزی حداقل در یک ماه را برای اختصاص یک منطقه به عنوان BA دارد. ( ++ ) قانون برای سری زمانی Sentinel-2، که از وقوع آتش سوزی حداقل در دو ماه برای در نظر گرفتن یک منطقه به عنوان BA درخواست می کند.
Ijgi 09 00564 g007 550
شکل 7. توزیع ماهانه BA حاصل از محصولات Landsat-8 و Sentinel-2. ( الف ) لیسانس در سال 2017. ( ب ) لیسانس در سال 2018. ( ج ) لیسانس در سال 2019.
Ijgi 09 00564 g008 550
شکل 8. BA پوشش گیاهی در منطقه مورد مطالعه حاصل از محصولات زیر است: ( الف ) Landsat-8 در سال 2017; ( ب ) Landsat-8 در سال 2018; ( ج ) Landsat-8 در سال 2019؛ ( د ) Sentinel-2 در سال 2017; ( ه ) Sentinel-2 در سال 2018؛ ( f ) Sentinel-2 در سال 2019.
Ijgi 09 00564 g009 550
شکل 9. نقشه های تراکم آتش سوزی های جنگلی در بخش آمازوناس به عنوان تابعی از خوشه بندی مناطق سوخته (BA). ( الف ) چگالی BA حاصل از Landsat-8. ( ب ) چگالی BA حاصل از Sentinel-2.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید