تجزیه و تحلیل سازگاری و ارزیابی دقت سه محصول جهانی ده متری پوشش زمین در منطقه بیابان زایی صخره ای - مطالعه موردی جنوب غربی چین

بیابان زایی صخره ای یکی از بحرانی ترین مشکلات اکولوژیکی و زیست محیطی در مناطقی است که در زیر سنگ های کربناته در سطح جهان قرار دارند. پوشش زمین و استفاده از زمین در منطقه بر فرآیندهای اکوسیستم در مقیاس بزرگ در مقیاس جهانی تأثیر می گذارد و بسیاری از مدل های سیستم زمین بر اطلاعات دقیق پوشش زمین متکی هستند. بنابراین، ارزیابی محصولات پوشش زمین کنونی جهانی و درک تفاوت های بین آنها مهم است و یافته های این مطالعات می تواند راهنمایی هایی را برای محققان مختلف در هنگام استفاده یا ساخت محصولات پوشش زمین ارائه دهد. در حالی که مطالعات زیادی در مورد ارزیابی محصولات پوشش زمین با وضوح درشت تر وجود دارد، مطالعات کمی در مورد ارزیابی محصولات پوشش زمین با وضوح بالاتر (۱۰ متر) وجود دارد. به منظور ارائه راهنمایی برای کاربران داده های ۱۰ متری، این مقاله از منطقه صخره ای جنوب غربی چین به عنوان منطقه آزمایشی استفاده می کند. ما سازگاری و دقت محصولات FROM-GLC، ESA WorldCover 10 و ESRI را با استفاده از سازگاری الگوی فضایی، ارزیابی دقت مطلق سه نمونه اعتبارسنجی تجزیه و تحلیل کردیم و روابط ذاتی آنها را بین سیستم‌های طبقه‌بندی، روش‌های طبقه‌بندی و نمونه‌های اعتبارسنجی تحلیل کردیم. نتایج نشان می دهد که (۱) دقت کلی محصول FROM-GLC بالاترین است و از ۴۹٫۴۷ تا ۶۲٫۴۲٪ متغیر است. به دنبال آن دقت کلی محصول ESA، از ۴۵٫۱۳ تا ۶۴٫۵۰٪ متغیر است. و دقت کلی محصول ESRI کمترین میزان را دارد، بین ۳۹٫۰۳ تا ۶۱٫۹۴%. (۲) سازگاری بین FROM-GLC و ESA بیشتر از سازگاری بین سایر محصولات است، با ضریب همبستگی سطح ۰٫۹۴٫ تجزیه و تحلیل سازگاری فضایی سه محصول نشان می دهد که نسبت مناطق کاملاً سازگار در ۴۴٫۸۹٪ کم است، عمدتاً در مناطقی با ناهمگنی سطح پایین و انواع پوشش همگن تر. (۳) در سراسر منطقه مورد مطالعه، انواع پوشش اصلی زمین مانند جنگل و بدنه های آبی سازگارترین در بین سه گونه محصول بود، در حالی که علفزار، بوته زار، و زمین بایر کمتر بود. همه محصولات دقت بالایی در مناطق همگن نشان دادند، با دقت محلی در مناطق دیگر، به ویژه در ارتفاعات بالا در مناطق مرکزی و غربی متفاوت بود. بنابراین، استفاده کنندگان از پوشش زمین نمی توانند به طور مستقیم از این محصولات در هنگام انجام مطالعات مربوطه در مناطق بیابانی صخره ای استفاده کنند، زیرا استفاده از آنها ممکن است خطاهای جدی ایجاد کند. (۳) در سراسر منطقه مورد مطالعه، انواع پوشش اصلی زمین مانند جنگل و بدنه های آبی سازگارترین در بین سه گونه محصول بود، در حالی که علفزار، بوته زار، و زمین بایر کمتر بود. همه محصولات دقت بالایی در مناطق همگن نشان دادند، با دقت محلی در مناطق دیگر، به ویژه در ارتفاعات بالا در مناطق مرکزی و غربی متفاوت بود. بنابراین، استفاده کنندگان از پوشش زمین نمی توانند به طور مستقیم از این محصولات در هنگام انجام مطالعات مربوطه در مناطق بیابانی صخره ای استفاده کنند، زیرا استفاده از آنها ممکن است خطاهای جدی ایجاد کند. (۳) در سراسر منطقه مورد مطالعه، انواع پوشش اصلی زمین مانند جنگل و بدنه های آبی سازگارترین در بین سه گونه محصول بود، در حالی که علفزار، بوته زار، و زمین بایر کمتر بود. همه محصولات دقت بالایی در مناطق همگن نشان دادند، با دقت محلی در مناطق دیگر، به ویژه در ارتفاعات بالا در مناطق مرکزی و غربی متفاوت بود. بنابراین، استفاده کنندگان از پوشش زمین نمی توانند به طور مستقیم از این محصولات در هنگام انجام مطالعات مربوطه در مناطق بیابانی صخره ای استفاده کنند، زیرا استفاده از آنها ممکن است خطاهای جدی ایجاد کند. به ویژه در ارتفاعات در مناطق مرکزی و غربی. بنابراین، استفاده کنندگان از پوشش زمین نمی توانند به طور مستقیم از این محصولات در هنگام انجام مطالعات مربوطه در مناطق بیابانی صخره ای استفاده کنند، زیرا استفاده از آنها ممکن است خطاهای جدی ایجاد کند. به ویژه در ارتفاعات در مناطق مرکزی و غربی. بنابراین، استفاده کنندگان از پوشش زمین نمی توانند به طور مستقیم از این محصولات در هنگام انجام مطالعات مربوطه در مناطق بیابانی صخره ای استفاده کنند، زیرا استفاده از آنها ممکن است خطاهای جدی ایجاد کند.

کلید واژه ها:

بیابان زایی صخره ای ; محصولات پوشش زمین ; وضوح ۱۰ متر ؛ سازگاری فضایی ؛ ارزیابی دقت ; جنوب غربی چین

۱٫ مقدمه

محصولات پوشش زمین، محصولات داده های جغرافیایی بنیادی هستند که توسط تحلیلگران و تصمیم گیرندگان در دولت ها، جامعه، صنعت و بخش مالی برای نظارت بر تغییرات محیطی جهانی و اندازه گیری خطرات معیشت و توسعه پایدار مورد نیاز هستند [ ۱ ، ۲ ، ۳ ، ۴ ، ۵ ] . در حال حاضر، محصولات بزرگ منطقه ای پوشش زمین توسط آژانس های بزرگ در سراسر جهان، از جمله محصول USGS IGBP DISCOVER [ ۶ ]، محصولات پوشش زمین ۱ کیلومتری UMD در دانشگاه مریلند، ایالات متحده [ ۷ ]، محصولات GLC2000 از تحقیقات مشترک اتحادیه اروپا در حال توسعه هستند. مرکز [ ۸ ]، محصولات پوشش زمین MODIS از دانشگاه بوستون [ ۹]، محصولات GLOBCOVER تولید شده توسط آژانس فضایی اروپا [ ۱۰ ]، مرکز ملی اطلاعات جغرافیایی پایه ملی چین محصول پوشش زمین ۳۰ متری جهانی در سال ۲۰۱۴ [ ۱۱ ]، خدمات جهانی زمین Copernicus سالانه ۱۰۰ متر محصول پوشش زمین جهانی [ ۱۲ ] و NLCD محصولات پوشش زمین تولید شده توسط USGS [ ۱۳ ]. در حالی که این محصولات پوشش زمین با وضوح درشت تر اطلاعات ارزشمندی را برای بسیاری از مطالعات ارائه کرده اند [ ۱۴ ، ۱۵ ، ۱۶ ]، برخی از مطالعات نشان داده اند که دقت طبقه بندی پایینی در مناطق انتقالی با مناظر ناهمگن دارند، جایی که محصولات پوشش زمین با وضوح ریزتر مورد نیاز است [ ۱۷ ، ۱۸ ].

در دهه‌های اخیر، با توسعه فناوری سنجش از دور ماهواره‌ای، تصاویر سنجش از دور با وضوح بالا به‌طور رایگان در دسترس، توسعه و انتشار محصولات پوشش زمین را تسهیل کرده است [ ۱۹ ، ۲۰ ]. به طور خاص، با اولین پرتاب ماهواره سنتینل در سال ۲۰۱۴، اندازه‌گیری‌های ریزدانه محصولات پوشش زمین ممکن است بر روی وضوح بالای مکانی، طیفی و زمانی آن رله شوند [ ۱ ]. اخیراً تعدادی از محصولات پوشش زمین با قدرت تفکیک تا ۱۰ متر تولید شده است. اینها شامل محصول پوشش زمین در مقیاس جهانی FROM-GLC تولید شده توسط دانشگاه Tsinghua است که بر اساس یک رویکرد جنگل تصادفی با استفاده از نمونه های آموزشی برای طبقه بندی است [ ۲۱ ]]. دو مورد دیگر محصولات پوشش خشک ESA WorldCover 2020 به رهبری آژانس فضایی اروپا و محصول جهانی ESRI 2020 Landcover هستند که توسط موسسه تحقیقات سیستم های زیست محیطی تولید شده است. هر دو محصول محصولات پوشش زمین در مقیاس جهانی هستند که با استفاده از روش های یادگیری عمیق تولید می شوند. این محصولات پوشش زمین با وضوح بالا، جزئیات فضایی فراوانی را در اختیار کاربران بالقوه قرار می دهند.

با این حال، آنها از تصاویر سنجش از راه دور چند منبعی با استفاده از سیستم ها و روش های طبقه بندی مختلف استخراج می شوند. مقادیر دقت شناخته شده [ ۲۲ ]، مانند کاپا یا دقت کلی، مفهوم دقت کلی محصولات پوشش زمین را ارائه می دهد، اما اطلاعاتی را در مورد تفاوت های مکانی در کیفیت نقشه منتقل نمی کند [ ۲۳ ، ۲۴ ، ۲۵ ]. ارزیابی‌های سازگاری دقت مکانی کاربر را از سطح عدم قطعیت در نقشه‌برداری از پوشش زمین در سراسر فضا و از دیدگاه کاربر آگاه می‌کند. این مقادیر دقت فضایی واضح به مقایسه محصولات مختلف پوشش زمین به منظور انتخاب بهترین محصول برای منطقه مورد نظر کمک می کند [ ۲۶ ]]. بنابراین، تجزیه و تحلیل ثبات کمی و مستقل و ارزیابی دقت برای کاربران ضروری است تا بهترین محصول را برای کاربرد خاص خود انتخاب کنند [ ۲۷ ، ۲۸ ].

در حال حاضر، برخی از محققان ارزیابی و تحلیل تطبیقی محصولات مختلف پوشش زمین را که در حال حاضر منتشر شده اند انجام داده اند [ ۲۹ ، ۳۰ ، ۳۱ ، ۳۲ ]. برای مثال، گائو و همکاران. [ ۲۷ ] از مجموعه داده LUCAS برای تجزیه و تحلیل سازگاری و ارزیابی دقت سه محصول جهانی پوشش زمین ۳۰ متری در اتحادیه اروپا استفاده کرد و نتایج نشان داد که تناقضات بین این سه محصول عمدتاً در مناطق ناهمگن رخ داده است. کانگ و همکاران [ ۳۳] یک مطالعه سازگاری ۳۰ متری محصولات پوشش زمین چند منبع را از طریق سازگاری منطقه، سازگاری فضایی و ارزیابی دقت با استفاده از اندونزی به عنوان مثال انجام داد و نتایج دقت پایینی را برای انواع علفزار، بوته‌ها، زمین برهنه و تالاب نشان داد. ارزیابی توسط لیانگ و همکاران. [ ۳۴ ] از دقت چهار محصول جهانی پوشش زمین در منطقه قطب شمال نشان داد که دقت طبقه‌بندی انواع درختچه‌ها پایین است. هرولد و همکاران [ ۳۵ ] چهار محصول پوشش زمین در مقیاس جهانی را با وضوح ۱ کیلومتر مقایسه کرد و نتایج تجربی درجه بالایی از دقت و سازگاری را برای جنگل‌های پهن برگ همیشه سبز، زمین برهنه و انواع پوشش برف و یخ نشان داد. تچونته و همکاران [ ۱۸] چهار محصول پوشش زمین را در مقیاس قاره آفریقا با هدف برجسته کردن سازگاری و تفاوت بین چهار سیستم طبقه بندی محصولات پوشش زمین مورد مطالعه قرار داد و نتایج نشان داد که ثبات چهار محصول پوشش زمین بین ۵۶ تا ۶۹ درصد است.

با این حال، مطالعات ارزیابی و تجزیه و تحلیل موجود محصولات مختلف عمدتاً بر روی محصولات با وضوح متوسط و پایین (۳۰ تا ۱۰۰۰ متر) متمرکز شده است. یک جستجوی ادبیات نشان داد که تحلیل‌های منسجم کمی از محصولات پوشش زمین با وضوح ۱۰ متر در مطالعات مقایسه ای جهانی محصولات پوشش زمین وجود دارد. چین در شرق آسیا و در سواحل غربی اقیانوس آرام واقع شده است و دارای حدود ۳٫۴۴ میلیون کیلومتر مربع ^از مناطق کارستی، حدود ۳۶ درصد از کل مساحت زمین و ۱۵٫۶ درصد از کل ۲۲ میلیون کیلومتر مربع ^از مناطق کارستی در جهان است. ۳۶ ]. تخریب مناطق کربناته شکننده اکولوژیکی در نتیجه فعالیت های گسترده انسانی منجر به بلایای بیابان زایی سنگ شده است [ ۳۷ ]]. در میان آنها، فاجعه اکولوژیکی بیابان زایی صخره ای به ویژه در جنوب غربی چین جدی است که به طور جدی رشد اقتصادی منطقه را مختل کرده و به طور مستقیم بر معیشت ۱٫۷ میلیون نفر در منطقه تأثیر گذاشته است [ ۳۸ ]. بیابان‌زایی صخره‌ای برای توصیف فرآیندهایی استفاده می‌شود که یک منطقه کارست پوشیده از پوشش گیاهی و خاک را به یک چشم‌انداز صخره‌ای تقریباً خالی از خاک و پوشش گیاهی تبدیل می‌کند [ ۳۹ ]. عمدتاً در حوضه مدیترانه اروپایی [ ۴۰ ]، کارست دیناریک [ ۴۱ ] و در جنوب غربی چین [ ۳۹ ] به دلیل فعالیت‌های انسانی گسترده بر روی سازندهای سنگ‌های کربناته شکننده اکولوژیکی رخ داده است. کائو و همکاران [ ۴۲] نشان داد که منطقه بیابان زایی صخره ای به میزان ۳٫۷۶ برابر از سال ۱۹۷۰ تا ۲۰۰۵ در استان گوئیژو گسترش یافت. مطالعات متعددی وجود دارد که نشان می‌دهد بیابان‌زایی صخره‌ای تأثیر چشمگیری بر شرایط هیدرولوژیکی، خاکی و اکولوژیکی در مقیاس‌های مختلف دارد که منجر به خطرات زمین‌شناسی بیشتر مانند خشکسالی، سیل، رانش زمین و فرونشست زمین می‌شود [ ۴۳ ، ۴۴ ]. به عنوان مثال، جیانگ و همکاران. [ ۴۵ ] اثرات تغییر کاربری زمین را بر کیفیت آب زیرزمینی در یک حوزه آبخیز معمولی کارست در جنوب غربی مورد مطالعه قرار داد و به این نتیجه رسید که تبدیل زمین‌های جنگلی و بلااستفاده به زمین‌های زراعی منجر به آلودگی آب‌های زیرزمینی پراکنده ناشی از کاربرد کود و توسعه ساختمان‌ها در زمین‌های تازه کشت شده است. لیو و همکاران [ ۴۶] تغییرات محیطی ناشی از تغییرات کاربری اراضی در منطقه کارست جنوب غربی را مورد مطالعه قرار داد و به این نتیجه رسید که تغییرات در جنگل ها و مراتع علت اصلی تغییرات اکولوژیکی است و احتمال دارد که وخامت بیشتر در دهه های آینده ادامه یابد. در مقیاس بزرگتر، حتی بر تعادل کربن و شرایط آب و هوایی منطقه تأثیر می گذارد [ ۴۷ ]. به عنوان مثال، Kalnay و همکاران. [ ۴۸ ] از تفاوت بین روندهای دمای سطح مشاهده شده و روندهای مربوطه در دمای سطح تعیین شده توسط تجزیه و تحلیل مجدد آب و هوای جهانی طی ۵۰ سال گذشته برای تخمین تأثیر تغییر کاربری زمین بر گرمایش سطح استفاده کرد. نتایج نشان داد که نیمی از کاهش دمای روزانه مشاهده شده ناشی از تغییرات کاربری شهری و سایر اراضی بوده است. سونگ و همکاران [ ۴۹] مجموعه داده‌هایی را برای مدل‌سازی بهبود یافته تغییر کاربری زمین، دوچرخه‌سواری بیوژئوشیمیایی و تعاملات پوشش گیاهی-اقلیمی ایجاد می‌کند تا به درک ما از تغییرات محیطی جهانی کمک کند. علاوه بر این، مسائل زیست محیطی مختلف مانند انتشار گازهای گلخانه ای [ ۵۰ ]، اثر جزیره گرمایی [ ۵۱ ]، از دست دادن زیستگاه [ ۵۲ ]، و تخریب اکوسیستم [ ۵۳ ] به دلیل پوشش زمین و تغییر کاربری زمین به یک تحقیق و نگرانی جهانی تبدیل شده است. بنابراین، ساختار فضایی و تغییر پوشش زمین در منطقه برای تحقیقات تغییرات اکولوژیکی جهانی و همچنین برای توسعه پایدار اقتصادی و اجتماعی منطقه‌ای از اهمیت بالایی برخوردار است.

به منظور ارائه راهنمایی به کاربران و تولیدکنندگان محصولات پوشش زمین با وضوح بالا، و ارائه مرجعی برای حافظان اکوسیستم که در هنگام انتخاب داده های پایه برای محصولات پوشش زمین، تأثیرات خطرات بیابان زایی سنگی جهانی را مطالعه می کنند. این مقاله با استفاده از ارزیابی تشابه ترکیب، سازگاری توزیع الگوی فضایی و روش‌های ارزیابی دقت مطلق، و سازگاری و دقت محصولات پوشش زمین با وضوح بالا FROM-GLC، ESA WorldCover، منطقه بیابان‌زایی صخره‌ای جنوب غربی چین را به عنوان منطقه آزمایشی در نظر می‌گیرد. ۲۰۲۰، و ESRI 2020 Landcover به طور عمیق تجزیه و تحلیل می شوند. علاوه بر این، عواملی که بر نتایج طبقه‌بندی آن تأثیر می‌گذارند بررسی می‌شوند. نتایج این مطالعه می‌تواند راهنمایی‌هایی برای بهبودهای آینده در کیفیت نقشه‌برداری پوشش زمین و برای محققان مختلف برای انتخاب بهترین محصولات پوشش زمین برای کاربردهایشان باشد. علاوه بر این، نتایج این مطالعه می‌تواند اطلاعات لازم را برای مدیریت اکولوژیکی منطقه و همچنین پیشبرد روش‌های تحقیقاتی و مهندسی برای مبارزه با بیابان‌زایی صخره‌ای و کمک به توسعه پایدار فراهم کند.

۲٫ مواد و روشها

۲٫۱٫ منطقه مطالعه

چین در شرق آسیا، در ساحل غربی اقیانوس آرام، با توپوگرافی نسبتاً پیچیده، با زمین در غرب مرتفع و در شرق کم ارتفاع واقع شده است. منطقه مورد مطالعه متعلق به جنوب غربی از هفت بخش عمده جغرافیایی چین است ( شکل ۱).) بین طول جغرافیایی ۹۷ درجه و ۲۱ دقیقه تا ۱۱۰ درجه و ۱۱ دقیقه شرقی و عرض جغرافیایی ۲۱ درجه و ۰۸ دقیقه تا ۳۳ درجه و ۴۱ دقیقه شمالی با مساحت ۲ میلیون و ۳۴۰ هزار و ۶۰۰ کیلومتر مربع واقع شده است. از نظر جغرافیایی، بخش جنوب شرقی فلات Qinghai-Xizang، حوضه سیچوان و بیشتر فلات یوننان-گوئیژو را شامل می شود که در مجموع شامل پنج استان است: چونگ کینگ، سیچوان، گوئیژو، یوننان و ژیزانگ. این کشور با بوتان، پاکستان، نپال، هند، لائوس و میانمار همسایه است. منطقه جنوب غربی در نیمه گرمسیری واقع شده و زمین عمدتاً کوهستانی است، بنابراین آب و هوای نیمه گرمسیری کوهستانی با بارندگی و ابر فراوان، رطوبت زیاد و نور کم خورشید قابل توجه است. میانگین دمای سالانه در جنوب غربی به ۲۴ درجه سانتیگراد در شرق می رسد، در حالی که میانگین دمای سالانه در غرب می تواند کمتر از ۰ درجه سانتیگراد باشد [ ۵۴ ].]. توزیع کلی بارندگی سالانه «در شرق بیشتر و در غرب کمتر است». جنوب غربی چین دارای حدود ۰٫۵۱ میلیون کیلومتر مربع ^از مناطق سنگ کربناته است که ۵٫۸٪ از کل مساحت زمین را تشکیل می دهد، و تا ۸۲٪ از مناطق بیابان زایی سنگ در Yunnan، Guizhou، Chongqing و Sichuan واقع شده است [ ۳۶ ].

۲٫۲٫ داده ها و پیش پردازش

در این مقاله، سه محصول پوشش زمین با وضوح ۱۰ متر از طیف گسترده ای از محصولات پوشش زمین جهانی و منطقه ای فعلی برای تجزیه و تحلیل ارزیابی سازگاری انتخاب شدند. سه داده انتخاب شده، داده‌های پوشش زمین در مقیاس جهانی FROM-GLC هستند که توسط دانشگاه Tsinghua [ ۲۱ ] ( http://data.ess.tsinghua.edu.cn/ ، قابل دسترسی در ۲ اکتبر ۲۰۲۱)، به رهبری آژانس فضایی اروپا، تولید شده است. تولید داده‌های پوشش زمین ESA WorldCover 2020 با پوشش جهانی ( https://doi.org/10.5281/zenodo.5571936 ، قابل دسترسی در ۸ ژانویه ۲۰۲۲) و داده‌های جهانی ESRI 2020 Landcover تولید شده توسط مؤسسه تحقیقاتی سیستم‌های محیطی [ ۱ ] ( https://www.arcgis.com/index.html، قابل دسترسی در ۱۲ ژانویه ۲۰۲۲). داده‌های انتخاب‌شده همگی محصولات پوششی فعلی با وضوح نسبتاً بالا هستند، و اگرچه سال تولید داده‌های FROM-GLC با دو سال دیگر ۳ سال متفاوت است. زیرا اکوسیستم های طبیعی معمولاً برای ۱۰ سال یا بیشتر تغییر قابل توجهی نمی کنند [ ۵۵ ]. شرایط اکولوژیکی منطقه مورد مطالعه در این دوره نسبتاً پایدار بود، همانطور که توسط داده‌های تصویر با وضوح بالا گوگل تأیید شده است. بنابراین، داده‌های انتخاب شده می‌تواند بهتر از پژوهش این مقاله پشتیبانی کند. اطلاعات مربوط به پارامترهای اصلی سه نوع داده در جدول ۱ نشان داده شده است .

اولین وظیفه قبل از تجزیه و تحلیل سازگاری داده ها، پیش پردازش داده ها است که عمدتاً شامل برش داده ها، تبدیل طرح ریزی و هماهنگ سازی سیستم های طبقه بندی بین محصولات مختلف است. با استفاده از ArcGIS (نسخه ۱۰٫۳)، مجموعه داده های پوشش زمین منطقه مورد مطالعه با مرزهای برداری برش داده شد. به منظور انجام تجزیه و تحلیل مقایسه منطقه، در مرحله دوم لازم بود که سیستم مختصات WGS-84 در یک طرح UTM یکسان شود. علاوه بر این، سیستم‌های طبقه‌بندی پوشش زمین مختلفی توسط محققان مختلف در ترکیب با توانایی سنجش از دور برای به دست آوردن ویژگی‌های ویژگی‌های سطحی پیشنهاد شده‌اند. این سیستم های طبقه بندی به خوبی برای نیازهای کاربردی مختلف مناسب هستند، اما هنگام انجام تجزیه و تحلیل سازگاری داده ها بین چندین محصول باید تحت یک معیار طبقه بندی گروه بندی شوند. اگر قوانین مطابقت دسته بندی مشترک وجود نداشته باشد، تجزیه و تحلیل مقایسه مستقیم یک سری مشکلات مانند خطا ایجاد می کند. سیستم طبقه بندی طبقه بندی اصلی در منعکس شده استجدول ۲ . در سال‌های اخیر، جامعه بین‌المللی کارهای زیادی را روی عادی‌سازی سیستم‌های طبقه‌بندی داده‌های چند منبعی انجام داده است، و در نهایت به این نتیجه رسیده است که سیستم طبقه‌بندی پوشش زمین (LCCS) می‌تواند به عنوان مرجع و استاندارد تبدیل برای زمین‌های آینده استفاده شود. طبقه بندی پوشش این سیستم به طور دقیق یک طبقه بندی کننده است که یک زبان تبدیل مشترک را فراهم می کند که تبدیل بین سیستم های طبقه بندی موجود را ممکن می کند [ ۵۶ ]. بنابراین، این مقاله به زبان توصیف طبقه‌بندی LCCS برای جمع‌آوری دسته‌های پوشش زمین از سه گونه داده در ۹ دسته کلی اشاره می‌کند ( جدول ۳).) و معیارهای دسته بندی LCCS و آستانه های طبقه بندی رایج به شدت در فرآیند تجمیع استفاده می شوند. علاوه بر این، تعداد تصاویر ابرها در محصولات ESRI نسبت ناچیزی از تعداد کل تصاویر در منطقه مورد مطالعه است. شکل ۲ توزیع الگوی فضایی انواع پوشش را برای سه محصول داده پس از پیش پردازش نشان می دهد. برای سهولت ارائه، نام محصولات ESA WorldCover 2020 و ESRI 2020 Landcover از این پس ESA و ESRI نامیده می شود.

۲٫۳٫ ارزیابی تشابه ترکیب

برای هر محصول پوشش زمین، مساحت هر نوع زمین تجمیع می شود و همبستگی های پیرسون برای سری مساحت نوع زمین مربوطه بین مجموعه داده های مختلف محاسبه می شود، بنابراین شباهت ترکیب زمین هر نوع بین محصولات ارزیابی می شود [ ۳۳ ]. فرمول محاسبه به شرح زیر است:

(۱)

جایی که ضریب همبستگی مساحت است. نشان دهنده i-امین ترکیب محصول پوشش زمین است. نشان دهنده نوع پوشش زمین است. مساحت نوع را نشان می دهد در مجموعه داده (کیلومتر ^۲ )؛ مساحت نوع K را در مجموعه داده Y (km ^۲ ) نشان می دهد. نوار X نشان دهنده میانگین مساحت هر نه نوع زمین در مجموعه داده X (km2 ⁾ است. نوار Y نشان دهنده میانگین مساحت هر نه نوع زمین در مجموعه داده Y (km2 ⁾ است.

۲٫۴٫ ارزیابی توزیع الگوهای فضایی

به منظور نمایش بصری ویژگی‌های توزیع مکانی سازگار سه محصول داده پوشش زمین، این مقاله سه نوع داده را به صورت مکانی بر اساس نرم‌افزار ArcGIS (نسخه ۱۰٫۳) پوشش می‌دهد. ابتدا با استفاده از اندازه تفکیک مکانی ۱۰ × ۱۰ متر پیکسل به عنوان کوچکترین واحد. سپس، سه محصول پوشش زمین پیکسل به پیکسل در یک ماشین حساب شطرنجی محاسبه می‌شوند تا مطابقت فضایی بین انواع مختلف پیکسل‌های داده پوششی به دست آید. در نهایت، تعداد انواع پوشش‌های تطبیق داده‌های پوشش زمین بر اساس پیکسل به پیکسل تعیین می‌شود و درجه سازگاری به سه سطح، از بالاترین به پایین‌ترین، به شرح زیر تقسیم می‌شود: (۱) سازگاری بالا، که در آن سه داده دقیقاً همان کلاس های پوشش زمین را در عنصر تصویر مربوطه نشان می دهد. (۲) سازگاری متوسط، که در آن سه داده تنها دو کلاس پوشش زمین را در عنصر تصویر مربوطه نشان می دهد. و (۳) سازگاری کم، که در آن سه داده کلاس‌های پوشش زمین کاملاً متفاوت را در عنصر تصویر مربوطه نشان می‌دهند [۳۳ ]. یک نمودار شماتیک از پوشش فضایی برای نوع زمین زراعی در شکل ۳ نشان داده شده است .

۲٫۵٫ ارزیابی دقت نمونه

ماتریس خطا یکی از رایج ترین روش هایی است که برای ارزیابی دقت محصولات پوشش زمین استفاده می شود [ ۵۷ ، ۵۸ ]. این روش مبتنی بر مقایسه سازگاری نوع بین داده‌های مرجع و داده‌هایی است که باید در یک مکان خاص تأیید شوند، و سپس یک ماتریس خطا بین این دو ایجاد می‌کند، که از آن دقت تولید کننده (PA)، دقت کاربر (UA)، به طور کلی دقت (OA) و ضرایب کاپا برای بیان صحت محصولی که باید تأیید شود محاسبه می شود. فرمول های محاسبه هر شاخص به شرح زیر است [ ۵۹ ]:

(۲)

(۳)

(۴)

(۵)

جایی که شماره پیکسل به درستی طبقه بندی شده از نوع i است . n تعداد پیکسل کل در منطقه مورد مطالعه است. تعداد کل پیکسل های نوع i در داده هایی است که باید تأیید شود. تعداد کل پیکسل های نوع i در داده های مرجع است. r تعداد سطرها در ماتریس سردرگمی را نشان می دهد. N تعداد کل نقاط نمونه است.

برای محصولات پوشش زمین جهانی، داده های نمونه اعتبارسنجی از طریق کار میدانی به سختی به دست می آید، که به نیروی کار قوی و زمان کافی نیاز دارد. با این حال، یک نمونه معتبر و کافی برای ارزیابی نتایج مهم است. بنابراین یک مجموعه داده اعتبار جهانی مشترک، و به ویژه یک مجموعه داده مناسب، به خوبی توصیف شده، سازگار و به روز شده در زمان واقعی، ارزیابی و مقایسه دقت بهتر را تا حد زیادی تسهیل می کند ( شکل ۴ ). به منظور مقایسه دقت سه داده پوشش زمین، از سه مجموعه نمونه اعتبارسنجی مستقل استفاده شد: (۱) مجموعه نمونه اعتبارسنجی جهانی Geo-Wiki (2011-2012) از طریق Geo-Wiki ( http://geo ) به دست آمده است. -wiki.org/، در ۱۱ سپتامبر ۲۰۲۱ قابل دسترسی است) پلت فرم جمع سپاری از چهار کمپین جداگانه، که شامل ۱۰ نوع پوشش سطحی است [ ۶۰ ]. نمونه اعتبار سنجی جهانی Geo-Wiki برای به دست آوردن ۳۱۱۳ نمونه اعتبار سنجی که منطقه مورد مطالعه را پوشش می دهد پردازش شد ( شکل ۴ a). (۲) مجموعه نمونه جهانی اعتبار سنجی پوشش زمین (GLCVSS، ۲۰۰۹-۲۰۱۱) داده های نمونه اعتبارسنجی جهانی، که از یک استراتژی نمونه گیری تصادفی پیروی می کند تا اطمینان حاصل شود که همه نمونه ها به طور مساوی در سراسر جهان توزیع شده اند [ ۶۱ ]. این مبتنی بر تفسیر تصاویر Landsat TM و ETM+ است و داده‌های سری زمانی شاخص گیاهی پیشرفته MODIS (EVI) و سایر تصاویر با وضوح بالا در Google Earth تکمیل شده است. نمونه جهانی GLCVSS برای به دست آوردن ۴۸۸ نمونه اعتبار سنجی که منطقه مورد مطالعه را پوشش می دهد، پردازش شد.شکل ۴ ب). (۳) نمونه‌های اعتبارسنجی براساس تصاویر Google Earth، تصاویر Sentinel، و نمونه‌های جمع‌آوری‌شده بصری از مجموعه‌های نمونه شخص ثالث. Google Earth به دلیل موقعیت یابی دقیق، فاز زمانی غنی، وضوح بالا، دسترسی آسان و پوشش گسترده، یکی از منابع اصلی داده برای ارزیابی دقت است [ ۵۷ ، ۶۱ ، ۶۲ ]]. به منظور کاهش تأثیر منفی خطاهای موقعیت یابی و تفسیر بر کیفیت نمونه، اصول زیر باید در هنگام انتخاب و تفسیر نمونه رعایت شود. ① برای کاهش اثر خطای موقعیت یابی، نقاط نمونه به عنوان مرکز یک ناحیه همگن به اندازه ناحیه محدوده خطا انتخاب شدند. ② به منظور کاهش خطاهای تفسیری ناشی از فاز زمانی داده‌ها، از تصاویر سنجش از راه دور بین سال‌های ۲۰۱۷ تا ۲۰۲۰، که با فاز زمانی داده‌های مورد ارزیابی مطابقت دارند، عمدتاً استفاده شد و داده‌های چندزمانی از سایر داده‌ها سالها ارجاع داده شد. ③ برای برخی از نمونه‌های دشوارتر برای تفسیر، تفسیر با ترکیب ارجاع به اطلاعات دیگر کمک می‌کند. به عنوان مثال، ترکیب سایر اطلاعات نقشه برای تمایز بین زمین برهنه و زمین مصنوعی،۶۳ ] برای کمک به تفسیر، و غیره. ④ چندین تفسیر مستقل استفاده شد، و زمانی که نتایج تفسیر پس از مذاکره قابل توافق نبود، نمونه کنار گذاشته شد. بر اساس اصول فوق، یک نمونه نهایی از ۴۶۰۶ نمونه اعتبارسنجی که منطقه مورد مطالعه را پوشش می‌دهند، با تفسیر بصری به دست آمد ( شکل ۴ ج). بر اساس این واقعیت که در محدوده مورد مطالعه، تغییر کل پوشش زمین ده ساله کمتر از ۸ درصد است، حتی در یک بخش به سرعت در حال تغییر از جهان [ ۶۴ ].]، این بدان معنی است که خطا در نمونه اعتبارسنجی فقط تقریباً بین ۰٫۳۲ تا ۳٫۲٪ است، حتی اگر داده های نمونه در زمان بیش از ۱۰ سال تغییر کند، بنابراین داده های نمونه جهانی انتخاب شده برای این مقاله کاملاً قابل قبول است. درصد هر نوع در نقاط نمونه مختلف در شکل ۵ نشان داده شده است .

۳٫ نتایج

۳٫۱٫ تحلیل تطبیقی ترکیب پوشش زمین

شکل ۶ ترکیب سطح پوشش زمین سه محصول در جنوب غربی چین را نشان می دهد و جدول ۴ ضرایب همبستگی سطح نوع بین سه محصول را نشان می دهد.

به طور کلی، محصولات پوشش زمین FROM-GLC و ESA اساساً همان ویژگی های ترکیب زمین را در منطقه جنوب غربی توصیف می کنند، به عنوان مثال، منطقه جنوب غربی تحت سلطه جنگل، زمین بایر و علفزار است. محصولات ESRI تفاوتی را نشان می دهند، یعنی منطقه جنوب غربی تحت سلطه بوته زار و جنگل است که بیش از ۶۷ درصد از کل مناطق را تشکیل می دهد و پس از آن زمین های بایر قرار دارند.

محصول FROM-GLC دارای زمین بایر (۳۴٫۴۶ درصد) و جنگل (۳۲٫۲۵ درصد) به عنوان غالب ترین نوع زمین در منطقه است، با علفزار (۱۹٫۱۳٪)، زمین زراعی (۹٫۱۹٪)، آب (۱٫۸۹٪)، برف / یخ ( ۱٫۴۰٪، ساخته شده (۱٫۰۸٪)، بوته زار (۰٫۵۴٪)، و تالاب (۰٫۰۶٪) به ترتیب اندازه کاهش می یابد. محصول ESA به وضوح توسط جنگل (۳۲٫۳۰٪) و علفزار (۲۸٫۰۸٪)، با کاهش مناطق بایر (۲۵٫۳۵٪)، زمین های زراعی (۵٫۶۸٪)، بوته زار (۴٫۶۵٪)، آب (۱٫۹۷٪)، برف / یخ غالب است. (۱٫۲۰%)، زمین های ساخته شده (۰٫۷۰%) و تالاب ها (۰٫۰۷%) به ترتیب. محصولات ESRI دارای مناطق رو به کاهشی از بوته زارها (۳۷٫۱۵%)، جنگل (۳۰٫۰۴%) یک منطقه سنگین تر، با کاهش مناطق بایر (۱۶٫۹۲%)، ساخته شده (۴٫۵۸%)، زمین های زراعی (۴٫۳۷%)، علفزار (۴٫۳۷%) هستند. ۳٫۱۲٪، آب (۲٫۱۵٪)، برف / یخ (۱٫۵۵٪) و تالاب ها (۰٫۱۲٪) به ترتیب.

برای هر نوع پوشش زمین، توافق بالایی بین سه محصول در مورد مساحت پوشش جنگلی وجود دارد که ۳۰ تا ۳۳ درصد از کل مساحت جنگل در منطقه مورد مطالعه را حاصل می کند. برای انواع برف و آب، درجه بالایی از سازگاری در تعیین منطقه تحت پوشش سه محصول وجود دارد، یعنی نسبت مساحت برف و آب در جنوب غربی به ترتیب حدود ۱ و ۲ درصد است. درجه بالایی از سازگاری در تعیین سطح پوشش تالاب با محصولات FROM-GLC و ESA وجود دارد که هر دو نسبتی از مساحت تالاب را در منطقه مورد مطالعه تقریباً ۰۶/۰ تا ۰۷/۰ درصد به دست می‌دهند. برای انواع پوشش زمین زمین های زراعی، علفزار، بوته زار، زمین های ساخته شده و زمین های بایر، برآورد درصد سطح تحت پوشش به طور قابل توجهی بین محصولات متفاوت است. با FROM-GLC که منطقه وسیع‌تری را تحت پوشش زمین‌های زراعی و بایر در جنوب غربی به‌دست می‌آورد، ESA منطقه بزرگ‌تری تحت پوشش علفزار (۲۸٫۰۸%)، و ESRI منطقه بزرگ‌تری را تحت پوشش بوته‌زارها و در جنوب غربی ایجاد می‌کند. در حالی که ESRI مساحت کمتری را تحت پوشش زمین‌های زراعی، بایر و علفزار در جنوب غربی چین تولید می‌کند، FROM-GLC منطقه کوچک‌تری تحت پوشش بوته‌ها در جنوب غربی چین (۰٫۵۴٪) و ESA منطقه کوچک‌تری تحت پوشش زمین‌های ساخته‌شده در جنوب غربی چین ایجاد می‌کند. (۰٫۷۰%).

ضریب همبستگی بین همان محصولات پوشش زمین سنجش از دور ماهواره ای برای هر نوع منطقه دارای همبستگی بالایی بین FROM-GLC و ESA (0.94) و همبستگی کم با محصولات ESRI در ۰٫۳۷ است.

۳٫۲٫ تفاوت در الگوهای فضایی

۳٫۲٫۱٫ سازگاری توزیع فضایی

توزیع ثابتی از سه محصول پوشش زمین بر اساس روش همپوشانی فضایی به دست آمد ( شکل ۷). نتایج نشان می دهد که مناطقی که سه محصول در آن ها قوام بالایی دارند و عمدتاً در قسمت شرقی منطقه مورد مطالعه قرار دارند. دلیل این امر این است که نوع پوشش سطحی در ناحیه شرقی عمدتاً جنگلی است. مناطقی که سه محصول در آن قوام متوسطی دارند، عمدتاً در بخش مرکزی و شمال غربی منطقه مورد مطالعه قرار دارند که در آن نوع پوشش تک سطحی عمدتاً علفزار و بایر است. مناطقی که سه محصول دارای قوام کم هستند، عمدتاً در قسمت جنوب غربی منطقه مورد مطالعه قرار دارند، دلیل توافق کم در این منطقه این است که تشخیص انواع علفزار و بوته زار در این منطقه دشوار است.

تجزیه و تحلیل آماری بیشتر نشان داد ( شکل ۸) که مناطقی که در آن سه نوع نشانگر محصول پوشش زمین سنجش از دور بسیار سازگار بودند و ۴۴٫۸۹ درصد از کل مساحت را به خود اختصاص دادند. مناطقی که نسبتاً سازگار بودند ۳۹٫۵۳ درصد از کل منطقه را به خود اختصاص دادند و مناطقی که در آنها سازگاری پایینی داشتند، ۱۵٫۵۷ درصد از کل مساحت منطقه مورد مطالعه را به خود اختصاص دادند. این بدان معناست که اگر سطح اطمینان ۶۵% را در نظر بگیریم (یعنی سه نوع محصول با بیش از دو محصول از یک نوع نشانگر به طور همزمان)، محصولات رایج بین المللی سنجش از راه دور ماهواره ای دارای درجه بالایی از ثبات بالای ۸۴% هستند. از مساحت زمین در جنوب غربی چین و ۱۶ درصد دیگر از مساحت زمین، جایی که هنوز فضای زیادی برای بهبود سازگاری بین محصولات مختلف پوشش زمین سنجش از دور وجود دارد.

۳٫۲٫۲٫ تجزیه و تحلیل مقایسه ای با تصاویر Google Earth

بر اساس تصاویر با وضوح بالا Google Earth، انواع منظر سطحی مختلف در هر یک از پنج استان تحت پوشش منطقه مورد مطالعه انتخاب شدند تا صحت سه محصول پوشش زمین را تأیید کنند و سازگاری الگوی فضایی چندین محصول را مقایسه کنند ( شکل ۹ ) . .

شکل ۹ الف الگوی همپوشانی محصول را در مناطق بایر، علفزار و بوته زار نشان می دهد. FROM-GLC این مناطق را به ترکیبی از زمین های بایر و علفزار تقسیم می کند، به طوری که محصول ESA مساحت علفزار را تا حد زیادی بیش از حد برآورد می کند و محصول ESRI بیشتر منطقه را به عنوان بوته زار شناسایی می کند. شکل ۹ ب، سردرگمی سه محصول را برای زمین های ساخته شده، زمین های بایر و آب نشان می دهد، که ممکن است به دلیل مشابه بودن اطلاعات طیفی و بافتی در منطقه اشتباه طبقه بندی شده باشند. شکل ۹c نشان می دهد که در مناطقی که جنگل، علفزار و بوته زار در هم قرار گرفته اند، طبقه بندی جنگل، بوته زار و علفزار برای محصولات FROM-GLC و ESA بیشتر شبیه است، در حالی که محصول ESRI طبقه بندی نامتناسب بوته زار را به عنوان ساخته شده نشان می دهد. . شکل ۹ d نشان می دهد که سه محصول در طبقه بندی پوشش گیاهی در منطقه ساخته شده با هم تفاوت دارند، با FROM-GLC پوشش گیاهی در منطقه ساخته شده را به عنوان علفزار طبقه بندی می کند، در حالی که محصول ESA پوشش گیاهی را در این منطقه به عنوان طبقه بندی می کند. زمین های بایر و بوته زار، و محصول ESRI آن را به طور خام تری طبقه بندی می کند، و برخی از پوشش های گیاهی را تقریباً به طور کامل به عنوان ساخته شده طبقه بندی می کند. طبقه بندی نوع زمین زراعی در شکل ۹ نشان داده شده استe، که در آن هر دو FROM-GLC و ESA قادر به شناسایی قطعات کشاورزی فردی هستند، در حالی که محصولات ESRI با نمایش درشت تری از جزئیات طبقه بندی می شوند.

به طور خلاصه، تحلیل تطبیقی سه محصول نشان می‌دهد که ناهماهنگی نتایج طبقه‌بندی برای مناطقی با ویژگی‌های طیفی و بافتی مشابه مانند بوته‌زار، علفزار و بایر از نظر نوع طبقه‌بندی بیشتر است. از نظر ارائه دقیق طبقه بندی، محصولات FROM-GLC و ESA بهتر می توانند جزئیات ویژگی های پوشش زمین را توصیف کنند و محصولات ESRI آنها را با جزئیات کمتر توصیف می کنند.

۳٫۳٫ ارزیابی دقت مطلق

دقت مطلق سه محصول پوشش زمین با استفاده از دو نقطه نمونه آزاد موجود منتشر شده مورد ارزیابی قرار گرفت. نتایج تجربی نشان می‌دهد که برای داده‌های نقطه نمونه Geo-Wiki ( جدول ۵ )، دقت کلی و ضریب کاپا FROM-GLC به ترتیب با ۴۹٫۴۷% و ۰٫۳۵، بالاترین میزان را دارند و پس از آن محصول ESA با دقت کلی و کاپا قرار دارند. ضریب ۴۵٫۱۳٪ و ۰٫۳۱۴، در حالی که دقت کلی و ضریب کاپا محصول ESRI کمترین، به ترتیب ۳۹٫۰۳٪ و ۰٫۲۷ است. برای داده های نقطه نمونه GLCVSS ( جدول ۶محصول FROM-GLC بالاترین دقت کلی و ضریب کاپا را به ترتیب با ۵۶٫۵۶% و ۰٫۴۲ و محصول ESA با دقت کلی و ضریب کاپا ۵۴٫۹۲% و ۰٫۴۲ و محصول ESRI کمترین دقت کلی را داشت. و ضریب کاپا ۴۱٫۱۹% و ۰٫۳۰٫ به طور کلی، حتی اگر داده‌های نقطه نمونه متفاوتی استفاده شد، نتایج محاسبات همگی سطح بالایی از دقت را برای محصول FROM-GLC نشان می‌دهند.

برای هر نوع دقت، داده های نقطه نمونه Geo-Wiki دقت نقشه برداری بالای بیش از ۷۵ درصد را برای هر سه محصول مختلف پوشش زمین برای نوع جنگل و دقت نقشه برداری کم برای نوع تالاب را نشان می دهد. داده های نقطه نمونه GLCVSS دقت نقشه برداری بالای بیش از ۸۰ درصد را برای سه محصول مختلف پوشش زمین برای بدنه آب و انواع جنگل نشان می دهد. شایان ذکر است که محصول ESRI دارای دقت نقشه برداری بالای ۱۰۰ درصد برای انواع زمین های تالاب و ساخته شده است.

دقت مطلق سه محصول پوشش زمین با استفاده از نقاط نمونه به دست آمده توسط تفسیر بصری دستی و نتایج تجربی ارزیابی شد ( جدول ۷) نشان داد که محصول ESA بالاترین دقت کلی و ضریب کاپا را به ترتیب با ۶۴٫۵۰% و ۰٫۵۸ و پس از آن محصول FROM-GLC با دقت کلی و ضریب کاپا ۶۲٫۴۲% و ۰٫۵۶ و محصول ESRI کمترین دقت کلی را داشت. و ضریب کاپا به ترتیب ۹۴/۶۱ و ۵۶/۰ درصد است. برای هر نوع دقت، محصول FROM-GLC دارای دقت نقشه برداری بالای بیش از ۷۵ درصد برای انواع آب و جنگل و دقت نقشه برداری کمتر از ۲ درصد برای انواع بوته زار و تالابی است. برای محصولات ESA، دقت نقشه برداری برای انواع آب، علفزار و جنگل با دقت ۷۵ درصد یا بیشتر و برای انواع بوته زار و تالاب با دقت کمتر از ۴ درصد کمتر است. برای محصولات ESRI، دقت نقشه برداری برای انواع جنگل، آب و زمین های ساخته شده بالاتر است.

به طور خلاصه، ارزیابی دقت سه محصول با استفاده از داده‌های نمونه مختلف نشان می‌دهد که دقت کلی FROM-GLC و ESA بالاتر از محصول ESRI است. برای هر یک از ۹ نوع پوشش، هر سه محصول دقت بالایی را برای انواع جنگلی و دقت پایینی را برای انواع بوته‌ها، علفزارها و تالابی نشان می‌دهند.

۴٫ بحث

۴٫۱٫ تجزیه و تحلیل تأثیر تفاوت طبقات زمین معمولی بر مطالعه منطقه بیابان زایی صخره ای

بیابان زایی صخره ای ناشی از سرعت کم تشکیل خاک و نفوذپذیری بالای لایه های کربناته در این منطقه است که محیط اکولوژیکی شکننده ای را ایجاد می کند و به راحتی توسط فعالیت های انسانی مختل می شود. در نهایت، مناطق کارستی پوشیده از پوشش گیاهی و خاک به مناظر صخره ای تبدیل می شوند [ ۳۶ ]. بنابراین، داده‌های اساسی مربوط به ساخته‌شده‌ها، پوشش گیاهی، اراضی بایر و سایر انواع پوشش زمین در این منطقه، داده‌های پشتیبان مهمی برای پایش تغییر بیابان‌زایی صخره‌ای در این منطقه است.

زمین های ساخته شده مسیر مهمی از فعالیت های انسانی است و استفاده از منابع طبیعی به طور مستقیم یا غیرمستقیم بر بیابان زایی صخره ای مناطق توسعه نیافته تأثیر می گذارد [ ۶۵ ]]. بنابراین، توزیع و توسعه و استفاده از زمین های ساخت و ساز در جنوب غربی چین از اهمیت زیادی برای نظارت بر اکوسیستم منطقه ای برخوردار است. در این مطالعه مشخص شد که همسانی فضایی انواع زمین های ساختمانی سه محصول پوشش زمین نسبتاً کم بوده و PA محصولات ESRI به ترتیب ۴۸/۹۳، ۱۰۰ و ۸۹/۹۸ درصد بیشتر از دو محصول دیگر است. ESRI نسبت مساحت بیشتری نسبت به محصولات FROM_GLC و ESA دارد و محصول ESA کمترین نسبت مساحت را دارد. بنابراین، محققان اکولوژیکی که مناطق بیابان‌زایی صخره‌ای را هدف قرار می‌دهند، ممکن است تأثیر اکوسیستم‌های منطقه بیابان‌زایی صخره‌ای را دست کم بگیرند، اگر در هنگام انتخاب محصولات پوشش زمین، نوع ساخته‌شده محصول FROM_GLC و ESA را برای تحقیقات خود انتخاب کنند. از نظر جزئیات،شکل ۱۰ ). بنابراین می توان داده های مناسبی را به عنوان داده های پشتیبان در مطالعه انواع ساخته شده در مناطق بیابان زایی صخره ای انتخاب کرد.

پوشش گیاهی یک نوع پوشش مهم زمین است که به تغییر اکوسیستم کمک می کند [ ۴۴ ]. انواع پوشش گیاهی انتخاب شده برای محصولات پوشش زمین در این مقاله شامل جنگل، علفزار و بوته زار است. قوام هر سه محصول در مورد انواع جنگل بالا است، با PA بالای ۷۰٪. برای نوع علفزار، نتایج ارزیابی سه محصول با استفاده از نقاط نمونه مختلف نشان داد که PA محصول ESA به ترتیب ۵۱٫۴۴، ۶۱٫۴۳ و ۸۷٫۹۸ درصد بوده که همگی بالاتر از دو محصول دیگر است ( شکل ۱۱).). نسبت مساحت نوع علفزار ESRI 3.12% بسیار کمتر از نسبت مساحت دو محصول دیگر است. این نکته قابل توجه است زیرا هنگامی که نوع مرتع محصولات ESRI به عنوان مطالعه اکولوژیکی مناطق صخره‌ای بیابان‌زایی مورد استفاده قرار می‌گیرد، نتایج به دست آمده با نتایج استفاده از سایر محصولات پوشش زمین در تضاد خواهد بود. برای نوع بوته زار، نتایج ارزیابی سه محصول با استفاده از نقاط نمونه مختلف نشان می دهد که محصولات ESRI به ترتیب دارای PA 45.78، ۴۸٫۲۸ و ۲۴٫۷۲ درصد هستند که بالاتر از دو محصول دیگر هستند. با این حال، با مقایسه با Google Earth، مشخص شد که این سه محصول همگی دارای درجات مختلف حذف و تعدد در طبقه‌بندی بوته‌ها هستند ( شکل ۱۲).). دقت نقشه برداری ۴۸٫۲۸% برای نوع بوته زار محصولات پوشش زمین ممکن است برای مطالعات بیابان زایی صخره ای منطقه ای کافی نباشد، بنابراین ترجیح داده می شود که محصولات پوشش زمین اضافی با دقت بالای طبقه بندی بوته زارها هنگام مطالعه اکوسیستم در مناطق بیابان زایی صخره ای انتخاب شوند. درصد مساحت در FROM_GLC در نوع بوته زار تنها ۰٫۵۴ درصد است، در حالی که درصد مساحت محصول ESRI در نوع بوته زار ۳۷٫۱۵ درصد است. چنین تفاوت بزرگی در هنگام انتخاب محصولات پوشش زمین بعدی مورد توجه محققان اکولوژیکی قرار می گیرد. بنابراین، به منظور ارائه پشتیبانی از داده های سنجش از دور به محققان تغییر پوشش گیاهی در بیابان زایی صخره ای منطقه ای، بیابان زایی منطقه ای و سایر حفاظت های اکوسیستم، داده های پشتیبانی سنجش از دور مناسب را می توان برای مطالعات با نیازهای مختلف انتخاب کرد. احیای اکوسیستم علاوه بر پوشش گیاهی مجدد، توسعه بیشتر ذخایر جنگلی، بهره برداری از منابع آبی و کاهش مخاطرات طبیعی نیازمند توسعه یا پذیرش فناوری های جدید است. به عنوان مثال، استفاده از فناوری سنجش از دور برای پایش دینامیکی مناطق بزرگ می تواند مناطق آسیب دیده اکولوژیکی را شناسایی کرده و تشکیل بیابان زایی سنگ را به موقع کاهش دهد.

نشان داده شده است که بیابان زایی شدید صخره ای در مناطقی از انواع پوشش زمین برهنه قرار دارد [ ۶۶ ]. حفاظت اکولوژیکی مناطق بیابان‌زایی سنگی بیشتر با کاهش استفاده از زمین‌های بایر، توسعه جنگل‌های حفاظت اکولوژیکی یا بهبود مراتع انجام می‌شود که در نهایت به هدف احیای تدریجی چشم‌انداز اکولوژیکی و بهبود مستمر بهره‌وری کاربری اراضی کمک می‌کند. مشخص شد که نتایج ارزیابی سه محصول با استفاده از نقاط نمونه مختلف نشان داد که PA محصول FROM-GLC به ترتیب ۵۲/۵۸، ۱۸/۷۰ و ۶۶/۶۹ درصد بود که همگی بالاتر از دو محصول دیگر بود ( شکل ۱۳).). بنابراین، داده‌های FROM-GLC می‌تواند به عنوان داده‌های پشتیبان هنگام انجام تحقیقات در مورد استفاده از انواع زمین برهنه در بیابان‌های سنگی استفاده شود. با توجه به اهمیت انواع زمین‌های بایر برای حفظ و احیای بیابان‌زایی صخره‌ای، انتظار داریم نقشه‌برداران پوشش زمین دقت انواع زمین‌های بایر را در نقشه‌برداری آینده بهبود بخشند تا قابلیت اطمینان داده‌ها برای مطالعات بیابان‌زایی صخره‌ای را افزایش دهند.

تغییرات آب و هوای جهانی به دلیل فراوانی خشکسالی ها و افزایش خشکسالی های شدید ناشی از تغییرات آب و هوایی جهانی، روند بهبود را کند کرده است و حتی در صورت عدم مدیریت موثر، سنگ زایی گسترش یافته در برخی مناطق می تواند منجر به بیابان زایی ثانویه شود [ ۳۶ ]. امید است که مطالعه مداوم محصولات پوشش زمین چند منبعی در این مقاله به کشورهای در حال توسعه برای دستیابی به توسعه پایدار کمک کند و نتایج این مطالعه را بتوان با سایر مناطقی که به تلاش‌های مرمتی نیاز است، تطبیق داد.

۴٫۲٫ بحث در مورد عوامل ناسازگار

تجزیه و تحلیل آماری از سازگاری سه محصول پوشش زمین ۱۰ متری نشان داد که بین سه محصول پوشش زمین به دلیل سیستم های طبقه بندی، روش های طبقه بندی و تفاوت بین داده های نمونه تفاوت وجود دارد [ ۵۸ ، ۶۷ ]. این تفاوت مقایسه دقیق بین نقشه ها و استفاده هم افزایی از نقشه های مختلف را به چالشی بزرگ تبدیل می کند [ ۶۸ ، ۶۹ ].

(۱) تفاوت در سیستم های طبقه بندی یکی از عوامل اصلی است که منجر به نتایج طبقه بندی ناسازگار می شود [ ۶۹ ]. از این میان، سازگاری توزیع فضایی و ضرایب همبستگی برای محصولات FROM-GLC و ESA بالاتر است و از نظر سیستم طبقه بندی ( https://esa-worldcover.org/en/data-accessکه در ۱۳ ژانویه ۲۰۲۲ مشاهده شد، تعاریف نوع محصولات FROM-GLC و ESA بیشتر شبیه است و دلیل آن این است که نقشه های طبقه بندی این دو محصول بر اساس سیستم طبقه بندی پوشش زمین سازمان ملل متحد است. تفاوت اصلی در نوع بوته زار در FROM-GLC است که مخلوطی از انواع بوته زار، علفزار و گلسنگ در گونه محصول ESA است. به همین ترتیب، کشاورزی گلخانه ای با توجه به تعریف نوع پوشش اراضی در نوع زمین زراعی قرار می گیرد، در حالی که مناطقی از این نوع در نوع ساخته شده در محصول ESA ( https://esa-worldcover.org/en/data -دسترسی، قابل دسترسی در ۱۸ ژانویه ۲۰۲۲). در مقایسه با مجموعه داده اعتبارسنجی، در سطح جهانی، دقت برای جنگل بالاتر و برای انواع بوته‌زار و علفزار کمی پایین‌تر است، عمدتاً به این دلیل که تفاوت در آستانه تاج پوشش گیاهی برای بوته‌ها و مراتع در تصاویر ماهواره‌ای ۱۰ متری دشوار است. در مورد سردرگمی بین علفزار و زمین ساخته شده، این عمدتاً یک موضوع تناقض بین کاربری و پوشش زمین است که در این واقعیت منعکس می شود که مناطق ساخته شده دارای عملکردهایی مانند علفزار و پارک ها هستند و اگرچه پوشش زمین منطقه ممکن است علفزار باشد، از نظر عملکرد بخشی از زمین ساخته شده است [ ۱]. بنابراین، به منظور کاهش ناهماهنگی بین محصولات مختلف پوشش زمین، تعاریف برای گونه های بوته زار، مرتع و زمین های ساخته شده باید در ترکیبی از عوامل در نظر گرفته شود.

همچنین تفاوت هایی بین محصول ESRI و محصول ESA از نظر توضیحات نوع وجود دارد. قابل توجه ترین تفاوت این است که نوع پوشش گیاهی غوطه ور ESRI شامل برنج و کشاورزی آبی/غرقابی است که در انواع زمین های زراعی در محصولات FROM-GLC و ESA گنجانده شده است. این واقعیت را تأیید می کند که سهم ESRI از زمین های زراعی در نتایج بخش ۴٫۱ نسبتاً کم است.. علیرغم تفاوت بین محصول ESRI و سیستم های طبقه بندی محصولات FROM-GLC و ESA، محصول ESRI دارای وضوح ۱۰ متر است که از نظر زمانی مشابه محصول ESA و از نظر وضوح با محصول FROM-GLC یکسان است. در نتیجه، محصولات ESRI برای سازگاری با محصولات FROM-GLC و ESA مقایسه شدند. به طور خلاصه، دقت طبقه بندی محصولات پوشش زمین را می توان به طور قابل توجهی با تعاریف نوع بهبود یافته بهبود بخشید.

(۲) روش های مختلف طبقه بندی و منحصر به فرد بودن منابع داده نیز بر سازگاری بین محصولات مختلف تأثیر می گذارد. به طور خاص، محصول FROM-GLC از یک رویکرد جنگل تصادفی استفاده می‌کند که از نظر کارایی محاسباتی و عملکرد بهینه است [ ۷۰ ]، در حالی که محصولات ESA و ESRI از رویکرد یادگیری عمیق استفاده می‌کنند، که در آن الگوریتم‌های یادگیری عمیق عملکرد تطبیقی عالی با افراد غنی دارند. اطلاعات طیفی و متنی [ ۷۱]. هر سه محصول از داده‌های نگهبان استفاده می‌کنند و افزودن داده‌های کمکی به عنوان پیش‌بینی‌کننده‌های اضافی می‌تواند دقت طبقه‌بندی را بهبود بخشد، اگرچه FROM-GLC از داده‌های کمکی ارتفاع زمین رادار شاتل فضایی در طبقه‌بندی خود استفاده می‌کند، اما داده‌ها هنوز هم نسبتاً همگن هستند. با توجه به شباهت بین طبقات پوشش گیاهی طبیعی و به منظور تمایز بهتر پوشش گیاهی با در نظر گرفتن رابطه بین اقلیم و پوشش گیاهی، Sullamenashe و همکاران. [ ۷۲ ] از داده‌های MODIS برای طبقه‌بندی منطقه شمال اوراسیا استفاده کرد و موفق شد دقت طبقه‌بندی را تا ۷۳ درصد افزایش دهد. عبدی [ ۷۳ ] و ژا [ ۷۴] و همکاران همچنین موافق هستند که فعالیت های کشاورزی مربوط به زمان کاشت و برداشت نیز در منطقه در پاسخ به تغییرات محصول و آب و هوا متفاوت است. علاوه بر این، تقریباً تمام محصولات پوشش زمین در حال حاضر به تصاویر سنجش از دور نوری متکی هستند، در حالی که تکنیک های SAR و LIDAR از بسیاری جهات سودمند هستند، به ویژه در تمایز بین انواع بوته زار و تالاب [ ۷۵ ، ۷۶ ، ۷۷ ، ۷۸ ]. نتایج همسانی آماری پایین در این مقاله ممکن است به دلیل باز بودن منطقه و بوته زار و علفزار بسیار سردرگم باشد.

زمان بندی تصاویر اصلی انتخاب شده برای طبقه بندی نیز می تواند تا حد زیادی بر دقت طبقه بندی محصول تاثیر بگذارد. به عنوان مثال، حتی در ساده ترین ویژگی ها، بدنه آب ممکن است به صورت فصلی تغییر کند، یعنی ممکن است در زمستان برف و یخ باشد و در تابستان زمین خالی. این مطالعه نشان داد [ ۷۹ ] که دقت تمام تصاویر موجود در طول سال کمتر از دقت طبقه‌بندی کامپوزیت‌های تصویر فصلی بود و علاوه بر این، دقت محصولات پوشش زمین تولید شده از تصاویر ترکیبی از داده‌های چند ساله نیز بود. کمتر از داده های یک سال است. فرانتز و همکاران [ ۸۰] همچنین اشاره می کند که مبادلات بین سال های مختلف تصویربرداری و روزهای مختلف در همان سال (از دست دادن احتمال قوام فنولوژیکی) هنگام تولید محصولات پوشش زمین باید در نظر گرفته شود. در این مورد، در صورتی که سطح بالایی از دقت به دست آید، بهترین محصول پوشش زمین با استفاده از منبع داده همان سال طبقه بندی می شود.

(۳) کمیت و کیفیت نمونه های اعتبار سنجی نیز می تواند بر نتایج ارزیابی سازگاری تأثیر بگذارد. نمونه‌های اعتبار سنجی Geo-Wiki و GLCVSS منتشر شده در این مقاله از نظر تعداد محدود است و نقاط نمونه اعتبار به‌دست‌آمده بر اساس تفسیر بصری تصاویر Google Earth، اگرچه از نظر تعداد زیاد است، در معرض مداخله بیشتر انسان هستند و انتخاب نقاط نمونه ممکن است نسبت به مقوله هایی که ما مطمئن هستیم یا مهم ترین آنها را در نظر می گیریم، سوگیری داشته باشد، که ممکن است خطای ۵-۱۰٪ ایجاد کند [ ۶۱ ]. هنگام جمع‌آوری داده‌های نمونه و انجام طبقه‌بندی تصویر، یک فرض گسترده این است که کلاس‌ها متقابلاً انحصاری هستند و دارای مرزهای قوی و کاملاً مشخص هستند [ ۲۴ ]] که در محیط های طبیعی مانند پوشش گیاهی طبیعی یا تالاب ها نادر است. بنابراین، روش میلارد و همکاران. می توان در آینده برای انتخاب داده های نقطه نمونه استفاده کرد [ ۸۱]، که در آن چند ضلعی ها در اطراف مناطقی که یک دسته وجود دارد ترسیم می شوند، سپس نقاط نمونه آموزشی بسیار انباشته شده با خود همبستگی فضایی ذاتاً بالا تولید می شوند و در نهایت مقادیر سلول شبکه برای هر مشتق ورودی از مکان های نقاط داده آموزشی استخراج می شوند. برای تولید داده های نمونه بنابراین، طراحی به دست آوردن امتیاز نمونه اعتبار معقول برای ارزیابی ذهنی تر و معقول تر از محصولات پوشش زمین یک مطالعه عمیق ارزشمند است. به طور خاص، برای طبقه بندی و به روز رسانی محصولات پوشش زمین در سراسر جهان، ایجاد یک پایگاه داده نمونه مشترک و به روز هم برای تولید محصولات سنجش از دور اولیه و هم برای تجزیه و تحلیل نتایج جغرافیایی بعدی مهم است.

۴٫۳٫ پیشنهادات در مورد نقشه برداری پوشش زمین

نمایش سازگاری فضایی و تجزیه و تحلیل ارزیابی دقت ارائه شده در این مقاله نشان می‌دهد که محصولات FROM-GLC، ESA، و ESRI از داده‌های Sentinel-1 و Sentinel-2 در وضوح ۱۰ متر برای توصیف پوشش زمین در سطح جهانی با کیفیت بالاتر و جزئیات فضایی خوب استفاده می‌کنند. با این حال، در طول مطالعه مشخص شد که هنوز برخی از عوامل محدودکننده بین محصولات مختلف وجود دارد که می‌توان در تمرین‌های نقشه‌برداری آینده به آنها پرداخت.

(۱) موضوع لبه بین انواع مختلف پوشش زمین. همانطور که در شکل ۱۴ نشان داده شده است، یک مرزبندی واضح بین جنگل و مرتع در محصول FROM-GLC وجود دارد، در حالی که یک ناهنجاری مشابه را می توان بین کلاس های بوته زار و مرتع در محصول ESA، و به طور مشابه بین بوته زار و زمین بایر در محصول ESRI یافت. برای جلوگیری از بروز چنین مشکلی، در آینده می‌توان دقت آموزش مدل را در هنگام طبقه‌بندی و استفاده از استراتژی انباشته کردن بلوک در نظر گرفت، به طوری که بلوک‌ها در تعداد معینی از مراحل با یکدیگر انباشته شوند و از این طریق اجتناب شود. مشکل اتصال لبه ها

(۲) برای دسته بندی ویژگی ها با تفاوت های کوچک در ویژگی های طیفی و بافتی، طبقه بندی دقیق تصاویر سنجش از دور نوری دشوارتر است، بنابراین برخی از داده های کمکی را می توان در طبقه بندی در نظر گرفت. به عنوان مثال، برای تمایز دقیق بین پوشش گیاهی مانند علفزار، زمین های زراعی و بوته زارها، از داده های تشخیص فاصله زمینی اصلاح شده با تشعشع Sentinel-1 (GRD) استفاده کنید. علاوه بر این، گنجاندن ویژگی‌های سری زمانی، مانند اندازه‌گیری سلامت پوشش گیاهی در طول یک سال، می‌تواند دقت طبقه‌بندی علفزار، زمین‌های زراعی و بوته‌زارها را بهبود بخشد. از آنجایی که مقادیر NDVI و EVI پوشش گیاهی بین فصول یا مراحل رشد متفاوت است، می‌توان اطلاعات فنولوژیکی ضمنی را در پوشش گیاهی برای تمایز دقیق بین انواع پوشش گیاهی یافت.۸۲ ، ۸۳]. علاوه بر این، دقت طبقه بندی تحت تأثیر ویژگی های مختلف انتخاب شده برای سه محصول پوشش زمین در طول پیش پردازش قرار گرفت. به عنوان مثال، مرکز هر مکان نمونه در پیش پردازش محصول FROM-GLC برای مطابقت با نزدیک ترین مکان های داده های نگهبان برای استخراج و ساخت ویژگی های طیفی استفاده می شود. داده های شیب و جنبه استخراج شده از داده های ارتفاع SRTM در مجموعه ویژگی گنجانده شده است. محصول ESA از مهرهای زمانی میانگین برد طولانی به عنوان ویژگی همراه با چارک ها استفاده می کند، اطلاعات دینامیک زمانی را در طبقه بندی معرفی می کند، و ویژگی های ارتفاع و شیب را از مدل ارتفاع دیجیتال ۳۰ متری کوپرنیک (DEM) استخراج می کند، و شامل طیف وسیعی از ویژگی های موقعیت مکانی است. محصول ESRI با استفاده از بیش از ۵ میلیارد پیکسل Sentinel-2 با برچسب دستی آموزش داده شد. و مدل یادگیری عمیق زیربنایی از شش باند داده بازتاب سطحی Sentinel-2 استفاده می‌کند: آبی مرئی، سبز، قرمز، نزدیک مادون قرمز، و دو باند مادون قرمز موج کوتاه. برای ایجاد نقشه نهایی، مدل بر روی تصاویر از چندین تاریخ در طول سال اجرا می‌شود و خروجی آن در یک نقشه نماینده نهایی برای سال ۲۰۲۰ سنتز می‌شود. بنابراین، نحوه انتخاب داده‌های ویژگی در طول پیش‌پردازش بر مناطق دارای تأثیر می‌گذارد. انواع پوشش سطح به شدت فصلی برای نوع تالاب، در مناطقی با پوشش گیاهی بالا، استفاده از داده های راداری باید روی آن متمرکز شود، زیرا سیستم های نوری و حرارتی محدود هستند زیرا نمی توانند به تاج پوشش گیاهی نفوذ کنند. این مدل بر روی تصاویر چندین تاریخ در طول سال اجرا می‌شود و خروجی در یک نقشه نماینده نهایی برای سال ۲۰۲۰ سنتز می‌شود. بنابراین، نحوه انتخاب داده‌های ویژگی در طول پیش پردازش بر مناطقی با انواع پوشش سطحی به شدت فصلی تأثیر می‌گذارد. برای نوع تالاب، در مناطقی با پوشش گیاهی بالا، استفاده از داده های راداری باید روی آن متمرکز شود، زیرا سیستم های نوری و حرارتی محدود هستند زیرا نمی توانند به تاج پوشش گیاهی نفوذ کنند. این مدل بر روی تصاویر چندین تاریخ در طول سال اجرا می‌شود و خروجی در یک نقشه نماینده نهایی برای سال ۲۰۲۰ سنتز می‌شود. بنابراین، نحوه انتخاب داده‌های ویژگی در طول پیش پردازش بر مناطقی با انواع پوشش سطحی به شدت فصلی تأثیر می‌گذارد. برای نوع تالاب، در مناطقی با پوشش گیاهی بالا، استفاده از داده های راداری باید روی آن متمرکز شود، زیرا سیستم های نوری و حرارتی محدود هستند زیرا نمی توانند به تاج پوشش گیاهی نفوذ کنند.۸۴ ، ۸۵ ].

(۳) زمین های ساخته شده به دلیل اندازه کوچک تکه ها و ناهمگونی داخلی بالا با چالش های بزرگی در طبقه بندی مواجه هستند. نشان داده شده است که سایت های ساخت و ساز را می توان به طور موثر با استفاده از داده های روشنایی شبانه DMSP OLS استخراج کرد [ ۸۶ ]. بنابراین، داده های نور شبانه را می توان در تولید محصولات پوشش زمین در مقیاس جهانی در آینده معرفی کرد. تضاد بین کاربری زمین و پوشش زمین هنگام تمایز بین علفزار و زمین ساخته شده را می توان با گسترش محصولات طبقه بندی پوشش زمین به دسته های ثانویه برای درک بهتر کاربری های خاص در مناطق مختلف (مثلاً مزارع در مقابل جنگل های طبیعی، مسکونی در مقابل تجاری ساخته شده) برطرف کرد. مناطق بالا).

۵٫ نتیجه گیری ها

این مقاله به مقایسه و تجزیه و تحلیل سازگاری بین سه محصول اصلی فعلی پوشش زمین جهانی با وضوح ۱۰ متر می پردازد و جنوب غربی چین را به عنوان منطقه مورد مطالعه در نظر می گیرد تا مرجعی برای انتخاب داده های پوشش زمین مناسب برای بسیاری از مطالعات در زمینه بیابان زایی صخره ای ارائه دهد. مناطق. محصولات پوشش زمین سنجش از دور ماهواره ای ارزیابی شده عبارتند از: FROM-GLC، ESA، و ESRI. روش های تحلیل همسانی شامل سه روش اصلی است: تشابه ترکیب نوع، سازگاری فضایی و ارزیابی دقت مطلق. یافته های اصلی مطالعه به شرح زیر است.

محصول FROM-GLC بالاترین دقت کلی بین ۴۹٫۴۷ و ۶۲٫۴۲ درصد را داشت و پس از آن محصول ESA با دقت کلی بین ۴۵٫۱۳ تا ۶۴٫۵۰ درصد و محصول ESRI با کمترین دقت کلی بین ۳۹٫۰۳ تا ۶۱٫۹۴ درصد قرار داشت. تجزیه و تحلیل سازگاری فضایی سه محصول نشان می دهد که نسبت مناطق کاملاً سازگار در ۴۴٫۸۹٪ کم است، عمدتاً در مناطقی با ناهمگنی سطح پایین و انواع پوشش همگن تر. تفاوت در تمایز برخی از انواع پوشش گیاهی مانند علفزار، بوته زار و بایر، دلیل اصلی قوام کم این سه محصول است. به طور کلی، دقت این سه محصول پوشش زمین جهانی با وضوح بالا در جنوب غربی چین ایده آل نیست و دقت برخی از انواع پوشش گیاهی مانند علفزار، بوته زار،

به طور کلی، تولید یک محصول جهانی پوشش زمین با وضوح بالا ۱۰ متری بر اساس داده های Sentinel 1 و Sentinel 2 پتانسیل بالایی را نشان می دهد. با این حال، از آنجایی که محصولات مختلف پوشش زمین، ظرافت انواع زمین های مختلف را به طور متفاوت بیان می کنند، کاربر باید بر اساس تحلیل دقت آماری و ارزیابی دقت مکانی، محصول پوشش زمین مناسب را به بهترین شکل انتخاب کند.

منابع

کارا، ک. کونتگیس، سی. استاتمن ویل، ز. Mazzariello, JC; ماتیس، م. Brumby، SP جهانی کاربری زمین/پوشش زمین با Sentinel 2 و یادگیری عمیق. در مجموعه مقالات سمپوزیوم بین المللی علوم زمین و سنجش از دور IEEE 2021 IGARSS، بروکسل، بلژیک، ۱۱ تا ۱۶ ژوئیه ۲۰۲۱؛ صص ۴۷۰۴-۴۷۰۷٫ [ Google Scholar ]
هولمبرگ، ام. آلتو، تی. آکوجیروی، ع. ارسلان، ع. برگستروم، آی. بوچر، ک. لاتینن، آی. ماکلا، آ. مارککانن، تی. Minunno، F. خدمات اکوسیستم مربوط به چرخه کربن-مدل‌سازی اثرات حال و آینده در جنگل‌های شمالی. جلو. علوم گیاهی ۲۰۱۹ ، ۱۰ ، ۳۴۳٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
ارب، خ. لویسرت، اس. میفرویت، پ. پونگراتز، جی. دان، ا. کلستر، اس. کومرل، تی. فتزل، تی. فوکس، آر. هرولد، ام. مدیریت زمین: در دسترس بودن داده ها و درک فرآیند برای مطالعات تغییر جهانی. گلوب. چانگ. Biol. ۲۰۱۷ ، ۲۳ ، ۵۱۲-۵۳۳٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
فرانکلین، جی. Serra-Diaz، JM; سیفارد، م. ریگان، HM داده های بزرگ برای پیش بینی اثرات تغییرات جهانی بر جوامع گیاهی. گلوب. Ecol. Biogeogr. ۲۰۱۷ ، ۲۶ ، ۶-۱۷٫ [ Google Scholar ] [ CrossRef ]
دوتا، آر. داس، ا. آریال، جی. ادغام داده های بزرگ نشان می دهد که فراوانی آتش سوزی در استرالیا به طور قابل توجهی در حال افزایش است. R. Soc. علوم را باز کنید. ۲۰۱۶ ، ۳ ، ۱۵۰۲۴۱٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
لاولند، TR; Belward، A. مجموعه داده‌های پوشش جهانی ۱ کیلومتری IGBP-DIS، DISCover: اولین نتایج. بین المللی J. Remote Sens. ۱۹۹۷ ، ۱۸ ، ۳۲۸۹-۳۲۹۵٫ [ Google Scholar ] [ CrossRef ]
هانسن، ام. دفریس، آر. تاونشند، جی. Sohlberg, R. طبقه بندی پوشش زمین برگرفته از AVHRR ; تسهیلات پوشش زمین جهانی: کالج پارک، MD، ایالات متحده آمریکا، ۱۹۹۸٫ [ Google Scholar ]
بارتولوم، ای. Belward، AS GLC2000: رویکردی جدید برای نقشه برداری جهانی پوشش زمین از داده های رصد زمین. بین المللی J. Remote Sens. ۲۰۰۵ ، ۲۶ ، ۱۹۵۹-۱۹۷۷٫ [ Google Scholar ] [ CrossRef ]
فریدل، MA; سولا مناشه، د. تان، بی. اشنایدر، آ. رامانکوتی، ن. سیبلی، ا. Huang, X. MODIS مجموعه ۵ پوشش جهانی زمین: اصلاحات الگوریتم و خصوصیات مجموعه داده های جدید. سنسور از راه دور محیط. ۲۰۱۰ ، ۱۱۴ ، ۱۶۸-۱۸۲٫ [ Google Scholar ] [ CrossRef ]
دفورنی، پی. شوتن، ال. بارتالف، اس. بونتمپس، اس. کاستا، پ. دی ویت، ا. دی بلا، سی. جرارد، بی. گیری، سی. Gond، V. ارزیابی دقت نقشه جهانی پوشش زمین ۳۰۰ متری: تجربه GlobCover. در مجموعه مقالات سی و سومین سمپوزیوم بین المللی سنجش از دور محیط زیست، حفظ اهداف توسعه هزاره، Stresa، ایتالیا، ۴-۸ مه ۲۰۰۹٫ [ Google Scholar ]
چن، جی. چن، جی. لیائو، ا. کائو، ایکس. چن، ال. چن، ایکس. او، سی. آویزان شدن.؛ پنگ، اس. Lu, M. نقشه برداری جهانی پوشش زمین با وضوح ۳۰ متر: یک رویکرد عملیاتی مبتنی بر POK. ISPRS J. Photogramm. Remote Sens. ۲۰۱۵ ، ۱۰۳ ، ۷-۲۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
بوکهورن، ام. لسیو، م. Tsendbazar, N.-E.; هرولد، ام. برتلز، ال. Smets، B. Copernicus لایه‌های پوشش جهانی زمین — مجموعه ۲٫ Remote Sens. ۲۰۲۰ ، ۱۲ ، ۱۰۴۴٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
ویکهام، جی. Stehman، S. هومر، CG الگوهای فضایی مجموعه داده پوشش زمین ملی ایالات متحده (NLCD) دقت موضوعی را تغییر می دهد (۲۰۰۱-۲۰۱۱). بین المللی J. Remote Sens. ۲۰۱۸ , ۳۹ , ۱۷۲۹–۱۷۴۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سویی، ال. کانگ، جی. یانگ، ایکس. وانگ، ز. وانگ، جی. الگوهای توزیع ناسازگاری داده‌های مختلف سنجش از دور پوشش زمین از دیدگاه منطقه‌بندی اکولوژیکی. Geosci را باز کنید. ۲۰۲۰ ، ۱۲ ، ۳۲۴-۳۴۱٫ [ Google Scholar ] [ CrossRef ]
وانگ، جی. سویی، ال. یانگ، ایکس. وانگ، ز. جنرال الکتریک، دی. کانگ، جی. یانگ، اف. لیو، ی. لیو، ب. تأثیرات جهانی شدن اقتصادی بر محیط زیست محیطی کشورهای در حال توسعه داخلی: مطالعه موردی لائوس از دیدگاه تغییر کاربری/پوشش زمین. پایداری ۲۰۱۹ ، ۱۱ ، ۳۹۴۰٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
کانگ، جی. سویی، ال. یانگ، ایکس. وانگ، ز. هوانگ، سی. وانگ، جی. سازگاری الگوی فضایی در میان مجموعه داده‌های مختلف پوشش زمین سنجش از دور: مطالعه موردی در شمال لائوس. ISPRS Int. J. Geo-Inf. ۲۰۱۹ ، ۸ ، ۲۰۱٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
هانسن، ام سی; پوتاپوف، PV؛ مور، آر. هنچر، م. توروبانوا، SA; تیوکاوینا، آ. تاو، دی. Stehman، SV; گوتز، اس جی. لاولند، TR; و همکاران نقشه های جهانی با وضوح بالا از تغییر پوشش جنگلی قرن بیست و یکم. Science ۲۰۱۳ ، ۳۴۲ ، ۸۵۰-۸۵۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Tchuenté، ATK; روژان، ج.-ال. De Jong، SM مقایسه و ارزیابی کیفیت نسبی مجموعه داده‌های پوشش زمین GLC2000، GLOBCOVER، MODIS و ECOCLIMAP در مقیاس قاره آفریقا. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۱۱ ، ۱۳ ، ۲۰۷-۲۱۹٫ [ Google Scholar ] [ CrossRef ]
وانگ، جی. سویی، ال. یانگ، ایکس. وانگ، ز. لیو، ی. کانگ، جی. لو، سی. یانگ، اف. لیو، بی. استخراج داده‌های آبزی پروری رافت ساحلی از تصاویر Landsat 8 OLI. Sensors ۲۰۱۹ , ۱۹ , ۱۲۲۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کانگ، جی. سویی، ال. یانگ، ایکس. لیو، ی. وانگ، ز. وانگ، جی. یانگ، اف. لیو، بی. Ma, Y. سنجش از دور توزیع مکانی-زمانی آبزی پروری سطحی دریا: مطالعه موردی در استان لیائونینگ، چین از سال ۲۰۰۰ تا ۲۰۱۸٫ پایداری ۲۰۱۹ ، ۱۱ ، ۷۱۸۶٫ [ Google Scholar ] [ Green Version ]
چن، بی. خو، بی. زو، ز. یوان، سی. سوئن، اچ پی؛ گوا، جی. خو، ن. لی، دبلیو. ژائو، ی. یانگ، جی. طبقه‌بندی پایدار با نمونه محدود: انتقال مجموعه نمونه با وضوح ۳۰ متری جمع‌آوری‌شده در سال ۲۰۱۵ به نقشه‌برداری پوشش زمین با وضوح ۱۰ متری در سال ۲۰۱۷٫ علمی. گاو نر ۲۰۱۹ ، ۶۴ ، ۳۷۰-۳۷۳٫ [ Google Scholar ]
Congalton، RG مروری بر ارزیابی دقت طبقه‌بندی داده‌های سنجش از دور. سنسور از راه دور محیط. ۱۹۹۱ ، ۳۷ ، ۳۵-۴۶٫ [ Google Scholar ] [ CrossRef ]
آره.؛ پونتیوس، آر جی، جونیور؛ Rakshit, R. مروری بر ارزیابی دقت برای تجزیه و تحلیل تصویر مبتنی بر شی: از رویکردهای هر پیکسل تا هر چند ضلعی. ISPRS J. Photogramm. Remote Sens. ۲۰۱۸ ، ۱۴۱ ، ۱۳۷-۱۴۷٫ [ Google Scholar ] [ CrossRef ]
Foody، GM وضعیت ارزیابی صحت طبقه بندی پوشش زمین. سنسور از راه دور محیط. ۲۰۰۲ ، ۸۰ ، ۱۸۵-۲۰۱٫ [ Google Scholar ] [ CrossRef ]
کامبر، ا. فیشر، پی. براندون، سی. Khmag، A. تجزیه و تحلیل فضایی دقت طبقه بندی تصاویر سنجش از دور. سنسور از راه دور محیط. ۲۰۱۲ ، ۱۲۷ ، ۲۳۷-۲۴۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Pflugmacher، D.; کرانکینا، ON؛ کوهن، WB; فریدل، MA; سولا مناشه، د. کندی، RE; نلسون، پی. لوبودا، تلویزیون؛ کومرل، تی. Dyukarev، E. مقایسه و ارزیابی نقشه‌های پوشش زمین با وضوح درشت برای شمال اوراسیا. سنسور از راه دور محیط. ۲۰۱۱ ، ۱۱۵ ، ۳۵۳۹-۳۵۵۳٫ [ Google Scholar ] [ CrossRef ]
گائو، ی. لیو، ال. ژانگ، ایکس. چن، ایکس. می، جی. Xie، S. تجزیه و تحلیل سازگاری و ارزیابی دقت سه محصول جهانی ۳۰ متری پوشش زمین در اتحادیه اروپا با استفاده از مجموعه داده لوکاس. Remote Sens. ۲۰۲۰ , ۱۲ , ۳۴۷۹٫ [ Google Scholar ] [ CrossRef ]
Congalton، RG; گرین، ک. ارزیابی دقت داده‌های سنجش از راه دور: اصول و روش‌ها . CRC Press: Boca Raton، FL، ایالات متحده آمریکا، ۲۰۱۹٫ [ Google Scholar ]
رندنیکس، ز. Tērauds، A. نیکودموس، او. Brūmelis، G. مقایسه داده‌های ورودی با وضوح فضایی مختلف در تحلیل الگوی منظر – مطالعه موردی از شمال لایتونی. Appl. Geogr. ۲۰۱۷ ، ۸۳ ، ۱۰۰-۱۰۶٫ [ Google Scholar ] [ CrossRef ]
کوئنزر، سی. لایننکوگل، پ. وولموث، ام. دچ، اس. مقایسه محصولات جهانی پوشش زمین – مفاهیم برای کاربردهای علوم زمین: تحقیقی برای حوضه فرامرزی مکونگ. بین المللی J. Remote Sens. ۲۰۱۴ , ۳۵ , ۲۷۵۲-۲۷۷۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ران، ی. لی، ایکس. Lu, L. ارزیابی چهار محصول پوشش زمین مبتنی بر سنجش از دور در چین. بین المللی J. Remote Sens. ۲۰۱۰ , ۳۱ , ۳۹۱-۴۰۱٫ [ Google Scholar ] [ CrossRef ]
پرز-هویوس، آ. رامبولد، اف. کردیلز، اچ. Gallego, J. مقایسه مجموعه داده‌های پوشش جهانی برای پایش زمین‌های زراعی. Remote Sens. ۲۰۱۷ , ۹ , ۱۱۱۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کانگ، جی. وانگ، ز. سویی، ال. یانگ، ایکس. ممکن است.؛ وانگ، جی. تجزیه و تحلیل سازگاری محصولات پوشش زمین سنجش از دور در منطقه آب و هوای جنگل های بارانی استوایی: مطالعه موردی اندونزی. Remote Sens. ۲۰۲۰ , ۱۲ , ۱۴۱۰٫ [ Google Scholar ] [ CrossRef ]
لیانگ، ال. لیو، کیو. لیو، جی. لی، اچ. Huang, C. ارزیابی دقت و تجزیه و تحلیل سازگاری چهار محصول جهانی پوشش زمین در منطقه قطب شمال. Remote Sens. ۲۰۱۹ , ۱۱ , ۱۳۹۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
هرولد، ام. مایو، پی. Woodcock، CE; باکسینی، آ. اشمولیوس، سی. برخی چالش‌ها در نقشه‌برداری جهانی پوشش زمین: ارزیابی توافق و دقت در مجموعه داده‌های ۱ کیلومتری موجود. سنسور از راه دور محیط. ۲۰۰۸ ، ۱۱۲ ، ۲۵۳۸-۲۵۵۶٫ [ Google Scholar ] [ CrossRef ]
جیانگ، ز. لیان، ی. کوین، ایکس. بیابان‌زایی صخره‌ای در جنوب غربی چین: تأثیرات، علل و بازسازی. علوم زمین Rev. ۲۰۱۴ , ۱۳۲ , ۱-۱۲٫ [ Google Scholar ] [ CrossRef ]
بای، XY; وانگ، اس جی. Xiong، KN ارزیابی فرآیندهای تکامل مکانی-زمانی زمین بیابان‌زایی صخره‌ای کارست: نشانه‌هایی برای استراتژی‌های بازسازی. تخریب زمین توسعه دهنده ۲۰۱۳ ، ۲۴ ، ۴۷-۵۶٫ [ Google Scholar ] [ CrossRef ]
جیانگ، ز. یوان، دی. بیابان زایی صخره ای در منطقه کارست جنوب غربی و مدیریت جامع آن. چین جیول. Surv. فرز Karst Groundw. بیابان. Res. پاپ چین ۲۰۰۸ ، ۴۴ ، ۸۴-۸۹٫ [ Google Scholar ]
داوکسیان، ی. بیابان زایی صخره در کارست نیمه گرمسیری جنوب چین. ز. ژئومورفول. ۱۹۹۷ ، ۱۰۸ ، ۸۱-۹۰٫ [ Google Scholar ]
یاسوگلو، ن. تاریخچه بیابان زایی در مدیترانه اروپا. در شاخص هایی برای ارزیابی بیابان زایی در مدیترانه، مجموعه مقالات سمینار بین المللی، پورتو تورس، ایتالیا، ۱۸-۲۰ سپتامبر ۱۹۹۸ . Nucleo Ricerca Desertificazion, University of Sassari: Sassari, Italy, 2000; صص ۹-۱۵٫ [ Google Scholar ]
گامز، آی. Gabrovec، M. استفاده از زمین و تأثیر انسان در کارست دیناری. بین المللی جی. اسپلئول. ۱۹۹۹ ، ۲۸ ، ۴٫ [ Google Scholar ] [ CrossRef ]
کائو، جی. جیانگ، ز. یانگ، دی. تانگ، ال. پی، جی. لو، دبلیو. یانگ، اچ. فرسایش خاک و بیابان زایی صخره ای کنترل شده توسط محیط کارست در استان گوئیژو. حفظ آب خاک چین ۲۰۰۹ ، ۱ ، ۲۰-۲۳٫ [ Google Scholar ]
روبیو، جی. سافریل، یو. داوسا، ر. بلوم، دبلیو. Pedrazzini، F. کمبود آب، تخریب زمین و بیابان زایی در منطقه مدیترانه: جنبه های زیست محیطی و امنیتی . Springer Science & Business Media: برلین/هایدلبرگ، آلمان، ۲۰۰۹٫ [ Google Scholar ]
وانگ، اس جی. لیو، QM; بیابان‌زایی صخره‌ای ژانگ، DF کارست در جنوب غربی چین: ژئومورفولوژی، استفاده از زمین، تأثیر و بازسازی. تخریب زمین توسعه دهنده ۲۰۰۴ ، ۱۵ ، ۱۱۵-۱۲۱٫ [ Google Scholar ] [ CrossRef ]
جیانگ، ی. ژانگ، سی. یوان، دی. ژانگ، جی. او، R. تأثیر تغییر کاربری زمین بر کیفیت آب زیرزمینی در یک حوضه معمولی کارست جنوب غربی چین: مطالعه موردی حوضه آبخیز Xiaojiang، استان یوننان. هیدروژئول. J. ۲۰۰۸ , ۱۶ , ۷۲۷-۷۳۵٫ [ Google Scholar ] [ CrossRef ]
لیو، ی. هوانگ، ایکس. یانگ، اچ. ژونگ، تی. اثرات زیست‌محیطی تغییر کاربری/پوشش ناشی از شهرنشینی و سیاست‌ها در جنوب غربی چین کارست مطالعه موردی گویانگ است. Habitat Int. ۲۰۱۴ ، ۴۴ ، ۳۳۹-۳۴۸٫ [ Google Scholar ] [ CrossRef ]
وانگ، اس جی. لی، RL; Sun، CX; ژانگ، دی اف. لی، FQ; ژو، دی کیو. Xiong، KN; ژو، ZF چگونه انواع مجموعه‌های سنگ کربناته توزیع زمین‌های بیابانی صخره‌ای کارست را در استان گوئیژو، PR چین محدود می‌کنند: پدیده‌ها و مکانیسم‌ها. تخریب زمین توسعه دهنده ۲۰۰۴ ، ۱۵ ، ۱۲۳-۱۳۱٫ [ Google Scholar ] [ CrossRef ]
کالنای، ای. Cai, M. تاثیر شهرنشینی و تغییر کاربری زمین بر اقلیم. طبیعت ۲۰۰۳ ، ۴۲۳ ، ۵۲۸-۵۳۱٫ [ Google Scholar ] [ CrossRef ]
آهنگ، X.-P. هانسن، ام سی; Stehman، SV; پوتاپوف، PV؛ تیوکاوینا، آ. Vermote، EF; Townshend, JR تغییر زمین جهانی از ۱۹۸۲ تا ۲۰۱۶٫ Nature ۲۰۱۸ , ۵۶۰ , ۶۳۹–۶۴۳٫ [ Google Scholar ] [ CrossRef ]
هونگ، سی. برنی، جی. پونگراتز، جی. نابل، جی. مولر، ND; جکسون، RB; دیویس، SJ محرک های جهانی و منطقه ای انتشارات استفاده از زمین در سال های ۱۹۶۱-۲۰۱۷٫ Nature ۲۰۲۱ ، ۵۸۹ ، ۵۵۴-۵۶۱٫ [ Google Scholar ] [ CrossRef ]
دوان، ا. کیسلف، جی. بوته، دی. محمود، GI; Bhuian، MH; حسن، شدت جزیره گرمایی شهری سطح QK در پنج شهر بزرگ بنگلادش: الگوها، محرک ها و روندها. حفظ کنید. جامعه شهرها ۲۰۲۱ ، ۷۱ ، ۱۰۲۹۲۶٫ [ Google Scholar ] [ CrossRef ]
سمنچوک، پ. پلاتزار، سی. کاستنر، تی. متج، س. بیدوگلیو، جی. ارب، ک.-ح. اسل، اف. هابرل، اچ. وسلی، جی. Krausmann, F. اثرات نسبی تبدیل زمین و شدت استفاده از زمین بر تنوع مهره داران زمینی. نات. اشتراک. ۲۰۲۲ ، ۱۳ ، ۶۱۵٫ [ Google Scholar ] [ CrossRef ]
کائو، اف. دان، ال. ما، ز. گائو، تی. ارزیابی تأثیر آب و هوای منطقه ای بر اکوسیستم زمینی در آسیای شرقی با استفاده از مدل های همراه با استفاده از زمین و پوشش زمین در طی سال های ۱۹۸۰-۲۰۱۰٫ علمی جمهوری ۲۰۲۰ ، ۱۰ ، ۲۵۷۲٫ [ Google Scholar ] [ CrossRef ]
کین، ن. چن، ایکس. فو، جی. ژای، جی. Xue, X. روند بارش و دما برای جنوب غربی چین: ۱۹۶۰-۲۰۰۷٫ هیدرول. روند. ۲۰۱۰ ، ۲۴ ، ۳۷۳۳-۳۷۴۴٫ [ Google Scholar ] [ CrossRef ]
ژانگ، جی. کیان، ز. وانگگو، ایکس. ژانگ، اچ. وانگ، Z. تغییر الگوی اکوسیستم از ۲۰۰۰ تا ۲۰۱۰ در ذخایر طبیعی ملی چین. Acta Ecol. گناه ۲۰۱۷ ، ۳۷ ، ۸۰۶۷–۸۰۷۶٫ [ Google Scholar ]
Di Gregorio, A. سیستم طبقه بندی پوشش زمین: مفاهیم طبقه بندی و راهنمای کاربر: LCCS ; سازمان غذا و کشاورزی: رم، ایتالیا، ۲۰۰۵; جلد ۲٫ [ Google Scholar ]
کلارک، ام ال. دستیار، TM; Grau، HR; راینر، جی. یک رویکرد مقیاس‌پذیر برای نقشه‌برداری پوشش سالانه زمین در ۲۵۰ متر با استفاده از داده‌های سری زمانی MODIS: مطالعه موردی در منطقه بوم‌سازی چاکو خشک آمریکای جنوبی. سنسور از راه دور محیط. ۲۰۱۰ ، ۱۱۴ ، ۲۸۱۶-۲۸۳۲٫ [ Google Scholar ] [ CrossRef ]
Canters، F. ارزیابی عدم قطعیت برآوردهای منطقه به دست آمده از طبقه بندی پوشش زمین fuuy. فتوگرام مهندس Remote Sens. ۱۹۹۷ , ۶۳ , ۴۰۳-۴۱۴٫ [ Google Scholar ]
تونگ، اف. LeDrew, E. تعیین سطوح آستانه بهینه برای تشخیص تغییر با استفاده از شاخص‌های دقت مختلف. فتوگرام مهندس Remote Sens. ۱۹۸۸ ، ۵۴ ، ۱۴۴۹-۱۴۵۴٫ [ Google Scholar ]
فریتز، اس. ببینید، L. پرگر، سی. مک کالوم، آی. شیل، سی. شپاچنکو، دی. دوراور، ام. کارنر، ام. درزل، سی. Laso-Bayas، J.-C. مجموعه داده جهانی از داده‌های مرجع پوشش زمین و کاربری زمین جمع‌سپاری شده. علمی داده ۲۰۱۷ ، ۴ ، ۱۷۰۰۷۵٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
ژائو، ی. گونگ، پی. یو، ال. هو، ال. لی، ایکس. لی، سی. ژانگ، اچ. ژنگ، ی. وانگ، جی. ژائو، ی. به سوی یک مجموعه نمونه اعتبارسنجی مشترک برای نقشه برداری جهانی پوشش زمین. بین المللی J. Remote Sens. ۲۰۱۴ ، ۳۵ ، ۴۷۹۵-۴۸۱۴٫ [ Google Scholar ] [ CrossRef ]
ون، ام. تانگ، X. ارزیابی دقت برای محصول نقشه برداری سنجش از دور پوشش زمین منطقه ای بر اساس نمونه برداری فضایی: مطالعه موردی استان شانشی. China ۲۰۱۵ , ۱۷ , ۷۴۲G749. [ Google Scholar ]
فریتز، اس. مک کالوم، آی. شیل، سی. پرگر، سی. ببینید، L. شپاچنکو، دی. ون در ولده، م. کراکسنر، اف. Obersteiner, M. Geo-Wiki: یک پلت فرم آنلاین برای بهبود پوشش جهانی زمین. محیط زیست مدل. نرم افزار ۲۰۱۲ ، ۳۱ ، ۱۱۰-۱۲۳٫ [ Google Scholar ] [ CrossRef ]
یانگ، جی. Huang, X. مجموعه داده پوشش زمین سالانه ۳۰ متر و پویایی آن در چین از سال ۱۹۹۰ تا ۲۰۱۹٫ Earth Syst. علمی داده‌های ۲۰۲۱ ، ۱۳ ، ۳۹۰۷-۳۹۲۵٫ [ Google Scholar ] [ CrossRef ]
یانگ، کیو. جیانگ، ز. ما، ز. لو، دبلیو. زی، ی. کائو، جی. رابطه بین بیابان‌زایی صخره‌ای کارست و فاصله آن تا جاده‌ها در یک منطقه کارست معمولی جنوب غربی چین. محیط زیست علوم زمین ۲۰۱۳ ، ۷۰ ، ۲۹۵-۳۰۲٫ [ Google Scholar ] [ CrossRef ]
یینگ، بی. Xiao، S.-Z. Xiong، K.-N. چنگ، Q.-W. لو، جی.اس. مطالعات تطبیقی ویژگی‌های توزیع بیابان‌زایی صخره‌ای و کلاس‌های کاربری زمین/پوشش زمین در مناطق معمولی استان گوئیژو، چین. محیط زیست علوم زمین ۲۰۱۴ ، ۷۱ ، ۶۳۱-۶۴۵٫ [ Google Scholar ] [ CrossRef ]
لو، دی. Weng, Q. بررسی روش ها و تکنیک های طبقه بندی تصویر برای بهبود عملکرد طبقه بندی. بین المللی J. Remote Sens. ۲۰۰۷ , ۲۸ , ۸۲۳-۸۷۰٫ [ Google Scholar ] [ CrossRef ]
گونگ، پی. وانگ، جی. یو، ال. ژائو، ی. ژائو، ی. لیانگ، ال. نیو، ز. هوانگ، ایکس. فو، اچ. لیو، اس. رصد تفکیک پذیری ظریف و نظارت بر پوشش جهانی زمین: اولین نتایج نقشه برداری با داده های Landsat TM و ETM+. بین المللی J. Remote Sens. ۲۰۱۳ ، ۳۴ ، ۲۶۰۷-۲۶۵۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
یانگ، ی. شیائو، پی. فنگ، ایکس. لی، اچ. ارزیابی دقت هفت مجموعه داده جهانی پوشش زمین در چین. ISPRS J. Photogramm. Remote Sens. ۲۰۱۷ ، ۱۲۵ ، ۱۵۶-۱۷۳٫ [ Google Scholar ] [ CrossRef ]
یو، ال. وانگ، جی. لی، ایکس. لی، سی. ژائو، ی. Gong، P. مجموعه داده پوشش زمین با وضوح چندگانه از طریق تجمیع داده های چندمنبعی. علمی علوم زمین چین ۲۰۱۴ ، ۵۷ ، ۲۳۱۷-۲۳۲۹٫ [ Google Scholar ] [ CrossRef ]
ژانگ، ال. ژانگ، ال. Du, B. یادگیری عمیق برای داده های سنجش از راه دور: یک آموزش فنی در مورد وضعیت هنر. IEEE Geosci. سنسور از راه دور Mag. ۲۰۱۶ ، ۴ ، ۲۲-۴۰٫ [ Google Scholar ] [ CrossRef ]
سولا مناشه، د. فریدل، MA; کرانکینا، ON؛ باکسینی، آ. Woodcock، CE; سیبلی، ا. سان، جی. خارک، وی. Elsakov, V. نقشه برداری سلسله مراتبی پوشش زمین شمال اوراسیا با استفاده از داده های MODIS. سنسور از راه دور محیط. ۲۰۱۱ ، ۱۱۵ ، ۳۹۲-۴۰۳٫ [ Google Scholar ] [ CrossRef ]
عملکرد پوشش زمین و طبقه‌بندی کاربری اراضی عبدی، AM الگوریتم‌های یادگیری ماشین در یک چشم‌انداز شمالی با استفاده از داده‌های Sentinel-2. GIScience Remote Sens. ۲۰۲۰ ، ۵۷ ، ۱-۲۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ژا، ی. گائو، جی. Ni، S. استفاده از شاخص ایجاد تفاوت نرمال شده در نقشه برداری خودکار مناطق شهری از تصاویر TM. بین المللی J. Remote Sens. ۲۰۰۳ , ۲۴ , ۵۸۳-۵۹۴٫ [ Google Scholar ] [ CrossRef ]
ریس، دبلیو. خصوصیات درختان قطب شمال توسط LiDAR و تصاویر چند طیفی. Polar Rec. ۲۰۰۷ ، ۴۳ ، ۳۴۵-۳۵۲٫ [ Google Scholar ] [ CrossRef ]
Ørka، HO; Wulder، MA; گوباکن، تی. Næsset، E. ترسیم منطقه زیر آلپ با استفاده از تصاویر LiDAR و Landsat. سنسور از راه دور محیط. ۲۰۱۲ ، ۱۱۹ ، ۱۱-۲۰٫ [ Google Scholar ] [ CrossRef ]
ریس، اچ. نیستروم، ام. نوردکویست، ک. اولسون، اچ. ترکیب داده‌های اسکن لیزری هوا و داده‌های ماهواره‌ای نوری برای طبقه‌بندی پوشش گیاهی آلپ. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۱۴ ، ۲۷ ، ۸۱-۹۰٫ [ Google Scholar ] [ CrossRef ]
بولتون، DK; Coops، NC; هرموسیلا، تی. Wulder، MA; سفید، JC شواهدی از سبز شدن پوشش گیاهی در ecotones درخت آلپ: سه دهه از روند طیفی Landsat با ساختار عمودی مشتق شده از lidar مطلع شده است. محیط زیست Res. Lett. ۲۰۱۸ , ۱۳ , ۰۸۴۰۲۲٫ [ Google Scholar ] [ CrossRef ]
Phan، TN; کوچ، وی. Lehnert، LW طبقه‌بندی پوشش زمین با استفاده از موتور Google Earth و طبقه‌بندی تصادفی جنگل – نقش ترکیب تصویر. Remote Sens. ۲۰۲۰ , ۱۲ , ۲۴۱۱٫ [ Google Scholar ] [ CrossRef ]
فرانتز، دی. رودر، آ. استلمز، ام. هیل، جی. ترکیب‌بندی مبتنی بر پیکسل سازگار با فنولوژی با استفاده از تصاویر رصد نوری زمین. سنسور از راه دور محیط. ۲۰۱۷ ، ۱۹۰ ، ۳۳۱-۳۴۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
میلارد، ک. ریچاردسون، ام. در مورد اهمیت انتخاب نمونه داده‌های آموزشی در طبقه‌بندی تصادفی تصویر جنگل: مطالعه موردی در نقشه‌برداری اکوسیستم پیتلند. Remote Sens. ۲۰۱۵ ، ۷ ، ۸۴۸۹–۸۵۱۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
دفریس، آر. هانسن، ام. Townshend، J. تبعیض جهانی انواع پوشش زمین از معیارهای به دست آمده از داده های مسیر یاب AVHRR. سنسور از راه دور محیط. ۱۹۹۵ ، ۵۴ ، ۲۰۹-۲۲۲٫ [ Google Scholar ] [ CrossRef ]
شیائو، ایکس. هاگن، اس. ژانگ، Q. کلر، ام. مور III، ب. تشخیص فنولوژی برگ جنگل‌های استوایی مرطوب فصلی در آمریکای جنوبی با تصاویر MODIS چند زمانی. سنسور از راه دور محیط. ۲۰۰۶ ، ۱۰۳ ، ۴۶۵-۴۷۳٫ [ Google Scholar ] [ CrossRef ]
Townsend، PA نقشه برداری سیل فصلی در تالاب های جنگلی با استفاده از Radarsat SAR چند زمانی. فتوگرام مهندس Remote Sens. ۲۰۰۱ , ۶۷ , ۸۵۷-۸۶۴٫ [ Google Scholar ]
هندرسون، FM؛ لوئیس، AJ رادار تشخیص اکوسیستم های تالاب: بررسی. بین المللی J. Remote Sens. ۲۰۰۸ , ۲۹ , ۵۸۰۹-۵۸۳۵٫ [ Google Scholar ] [ CrossRef ]
شیائو، پی. وانگ، ایکس. فنگ، ایکس. ژانگ، ایکس. یانگ، ی. تشخیص گسترش شهری چین در سه دهه گذشته با استفاده از داده های نور شبانه. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. ۲۰۱۴ , ۷ , ۴۰۹۵–۴۱۰۶٫ [ Google Scholar ] [ CrossRef ]