عدم قطعیت داده های تاریخی جنگل GLAD در آب و هوای معتدل و پیامدهای مدل سازی تغییر جنگل

از بین رفتن و تخریب جنگل ها مشکلات اصلی در زمینه تغییرات آب و هوا و حفاظت از تنوع زیستی است. شناسایی مناطق از دست رفته بر اساس نقشه های پایه دقیق است. مجموعه داده های مرکزی در این زمینه، محصولات پروژه تحلیل و کشف زمین جهانی (GLAD) هستند. اگرچه محصولات پوشش جنگلی GLAD در درجه اول به عنوان یک پرچم تقریباً واقعی برای مناطق از دست رفته جنگل در نظر گرفته شده است، مجموعه داده های تاریخی آن نیز به طور فزاینده ای به روش هایی استفاده می شود که فراتر از این تمرکز اولیه است. تا به امروز، اطلاعات بسیار کمی در مورد عملکرد داده های GLAD در مناطق معتدل در دسترس است. هدف این مطالعه بررسی این شکاف تحقیقاتی با مقایسه نقشه‌های پوشش جنگلی پایه GLAD برای سال‌های ۲۰۰۰ و ۲۰۱۰ با مجموعه داده‌های جنگل ملی بریتانیا است. نتایج نشان داد که خطاهای کمیسیون قابل توجهی، که مشکلات احتمالی را هنگام انحراف از استفاده مورد نظر مجموعه داده های GLAD برجسته می کند. به نظر می رسد داده های GLAD در مناطقی با نسبت بالایی از پوشش تاج پوشش با چگالی متوسط ​​تا کم، کمتر مفید است. در چنین مواردی، کاربرد آن در مدل‌های جنگلی فقط باید در ارتباط و کالیبراسیون متقابل با داده‌های مرجع با کیفیت خوب استفاده شود.

کلید واژه ها:

داده های جنگل ؛ مدل سازی جنگل زدایی ; ارزیابی دقت

۱٫ مقدمه

از دست دادن و تخریب جنگل ها مدت هاست که تأثیر منفی بر تغییرات آب و هوا و تنوع زیستی دارد [ ۱ ، ۲ ، ۳ ، ۴ ، ۵ ، ۶ ، ۷ ، ۸ ]. شناسایی این مناطق از دست دادن بر اساس نقشه های پایه دقیق [ ۹ ] است. تقاضای فزاینده برای چنین نقشه‌های پایه در مناطقی از جهان با جنگل‌های با نقشه ضعیف منجر به افزایش استفاده از مجموعه داده‌های جهانی جنگل‌های مبتنی بر ماهواره برای کمک به ایجاد نقشه‌های پوشش جنگلی منطقه‌ای و ملی شده است [ ۱۰ ، ۱۱ ].]. همچنین افزایش علاقه و تلاش برای نظارت بر پویایی جنگل در زمینه حسابداری کربن، از جمله تعیین کمیت تخریب در چارچوب UN REDD + [ ۱۲ ] وجود دارد.
مجموعه داده های مرکزی در این زمینه، محصولات پروژه تجزیه و تحلیل و کشف زمین جهانی (GLAD) در دانشگاه مریلند است که برای تولید نقشه های پوشش جنگلی از سال ۲۰۰۰ به بعد برای تعیین کمیت پویایی جنگل زدایی در مقیاس جهانی استفاده شده است [ ۱۳ ] . سیستم GLAD پوشش جنگلی را به عنوان درختانی با ارتفاع حداقل ۵ متر با بسته شدن تاج پوشش بیش از ۳۰ درصد از پیکسل مرجع تعریف می کند. هشدار از دست دادن جنگل به‌عنوان هر پیکسل Landsat تعریف می‌شود که بیش از ۵۰% پوشش را تجربه کند ( https://glad.umd.edu/dataset/glad-forest-alerts ، در تاریخ ۱۶ مه ۲۰۲۰ مشاهده شد).
مطالعات در گویان [ ۱۱ ] و گابن [ ۱۴ ] نتایج دقت را برای نقشه پایه پوشش جنگلی GLAD 2000 شامل شده است. قابل ذکر است، در هر دو پروژه تحقیقاتی، قبل از رسیدن به توافق خوب با داده‌های مرجع جنگل محلی، داده‌ها باید با استفاده از آستانه‌های پوشش تاج پوشش که به طور قابل‌توجهی بالاتر از ۳۰ درصد بودند، مجددا کالیبره می‌شد. در مورد گویان، آستانه تاج پوشش که زیر آن همه چیز به عنوان غیرجنگل طبقه بندی می شود، ۹۴ درصد پوشش تاج پوشش بود، و در مطالعه گابن، آستانه تاج پوشش ۷۰ درصد برای دستیابی به حداکثر دقت با داده های مرجع استفاده شد. بنابراین، Galiasatos و همکاران. قبل از استفاده از داده های GLAD برای تخمین آمار ضرر و سود، کالیبراسیون دقیق با مجموعه داده های مستقل را توصیه می کند [ ۱۱ ].
تمایل آشکار داده‌های پوشش جنگلی GLAD برای برآورد بیش از حد پوشش جنگل‌های استوایی به چالش‌های طبقه‌بندی مانند تمایز بین مزارع درختان و جنگل‌های قدیمی نسبت داده می‌شود، بنابراین استفاده از آن در دنیای حفاظت را محدود می‌کند [ ۱۵ ، ۱۶ ]. با این حال، تروپک همچنین مشاهده کرد که مناطقی با پوشش گیاهی کمتر از ۵ متر مانند سویا، مزارع چای و آناناس به عنوان جنگل طبقه‌بندی می‌شوند، که نشان‌دهنده ارتباط موضوعی احتمالی با مناطق خطای کمیسیون است [ ۱۶ ].
اگرچه محصولات پوشش جنگلی GLAD در درجه اول به عنوان یک پرچم تقریباً واقعی برای مناطق از دست رفته جنگل در نظر گرفته شده است، اما به طور فزاینده ای نیز به روش هایی استفاده می شود که فراتر از این تمرکز اولیه است. به عنوان مثال، ارزیابی زیست توده بالای زمین در سراسر جنگل های استوایی [ ۱۷ ] و ارتباط بین جنگل زدایی و بروز مالاریا [ ۱۸ ] است. شاه و همکاران (۲۰۱۸) از داده‌های پوشش جنگلی جهانی برای تخمین مکان‌های بالقوه برای منشأ بیماری‌های عفونی نوظهور بعدی مبتنی بر جنگل استفاده کرد [ ۱۹ ]. داده‌های پوشش جهانی جنگل نیز برای اطلاع رسانی به مدل‌های مدل‌های پیش‌بینی آلودگی سوسک پوست استفاده شده است [ ۲۰ ].
چکرینی و همکاران (۲۰۲۰) تغییرات جنگل را در اتحادیه اروپا بر اساس ترکیبی از داده‌های پوشش جهانی جنگل و آمار رسمی منطقه جنگل برآورد کرد [ ۲۱ ]. این مقاله تفاوت های قابل توجهی را در توافق برآوردهای برداشت حاصل از دیده بان جهانی جنگل و داده های حذف برداشت ملی مربوطه، با بالاترین ضرایب همبستگی ۰٫۷۵ برای پرتغال و ۰٫۷۳ برای اسلواکی و اسلوونی گزارش کرد. با این حال، تعدادی از کشورهای دیگر مانند بلژیک، دانمارک، مجارستان و هلند همبستگی نداشتند یا حتی منفی بودند. نتایج گزارش شده و رویکرد روش شناختی Ceccherini و همکاران. (۲۰۲۰) در معرض یک گفتمان دانشگاهی قرار گرفتند که بر مناسب بودن کلی داده های دیده بان جنگل جهانی برای مدل های برداشت جنگل متمرکز بود [ ۲۲ ,۲۳ ، ۲۴ ]. این نیاز به درک بهتر و دقیق‌تر داده‌های GLAD را نشان می‌دهد.
تا به امروز، اطلاعات بسیار کمی در مورد عملکرد داده های GLAD در مناطق معتدل در دسترس است. یک مثال مطالعه ای بر روی جنگل های معتدل در ژاپن [ ۲۵ ] است که در آن نویسندگان خاطرنشان کردند که داده های تغییر جنگل جهانی GLAD باید با احتیاط مورد استفاده قرار گیرد زیرا خطای کمیسیون بالا مشاهده شده در مکان هایی که اختلالات در مقیاس کوچک کمتر از ۱ هکتار را تجربه می کنند. روسی و همکاران (۲۰۱۹) توانایی کمی کردن مکان‌های برداشت شده را در یک حوضه آبریز جنگلی کوهستانی در جنوب مرکزی نروژ [ ۲۶ ] بررسی کرد و تنها کیفیت متوسطی را برای تشخیص مکان‌های برداشت یافته یافت.
هدف این مطالعه پرداختن به این شکاف تحقیقاتی است تا کاربران بالقوه داده‌ها را برای اقلیم‌های معتدل راهنمایی کند و درک بهتری را از نظر طراحی اولیه و استفاده مورد نظر از داده‌ها در نظر بگیرد. به ویژه، اگر تمایل داده های پوشش جنگلی GLAD به بیش از حد برآورد کردن پوشش جنگلی در محیط های گرمسیری [ ۱۱ ، ۱۴ ، ۲۶ ، ۲۷ ] آزمایش شود.] روی داده های پوشش جنگلی در محیط های معتدل نیز وجود دارد. با توجه به اینکه داده‌های GLAD در مقیاس جهانی در دسترس هستند، کاربران بالقوه ممکن است از داده‌های پوشش جنگل برای مقاصدی غیر از در نظر گرفته شده اولیه توسط سازندگان داده GLAD استفاده کنند. بنابراین، مهم است که درک بهتری از عدم قطعیت های مرتبط با داده های GLAD برای مناطق آب و هوایی معتدل ایجاد کنیم. این همچنین شامل اطلاعاتی در مورد چگونگی عدم قطعیت ممکن است در مناطق مختلف و انواع مختلف پوشش زمین غیر جنگلی متفاوت باشد. این می تواند کاربران بالقوه را در مورد محدودیت ها و مناسب بودن داده های GLAD برای مطالعات در مناطق آب و هوای معتدل آگاه کند.
این پروژه تحقیقاتی نقشه‌های پوشش جنگلی پایه را از این مجموعه داده برای سال‌های ۲۰۰۰ و ۲۰۱۰ با مجموعه داده‌های جنگل ملی بریتانیا مقایسه می‌کند تا سطح دقت و مناسب بودن آنها را به عنوان ابزاری برای تولید چنین نقشه‌هایی بررسی کند. داده‌های جنگل‌های بریتانیا نه تنها الزام کلیدی را برآورده می‌کنند که روش اکتساب برای داده‌های مرجع باید دقیق‌تر از داده‌های در حال آزمایش باشد [ ۲۸ ] (که دستیابی به آن زمانی که داده‌های آزمون و مرجع بر اساس تصاویر ماهواره‌ای هستند دشوارتر است) اما همچنین امکان مقایسه پیکسل به پیکسل را در کل منطقه فراهم می کند، بنابراین نیاز به داده های نمونه برداری را از بین می برد.

۲٫ مواد و روشها

منطقه تحقیقاتی این پروژه جزیره بریتانیا، یعنی کشورهای آن انگلستان، ولز و اسکاتلند را پوشش می دهد. با موقعیت جغرافیایی خود در شمال غربی اروپا، زمستان های خنک و مرطوب و تابستان های گرم مرطوب، آب و هوای بریتانیا را می توان به عنوان آب و هوای معتدل دریایی طبقه بندی کرد. انتخاب آن به‌عنوان یک منطقه مورد مطالعه نیز به دلیل این واقعیت بود که طیفی از مجموعه‌های داده مرجع در دسترس هستند که داده‌های GLAD را می‌توان بر اساس آن‌ها آزمایش کرد ( جدول ۱ را ببینید ).
اولوفسون [ ۲۹ ] چندین حوزه کلیدی را که باید هنگام انجام ارزیابی دقت در نظر گرفت، شامل واحد فضایی، پروتکل برچسب‌گذاری و تعریف شرایط توافق، که همگی بخشی از آماده‌سازی داده‌ها برای این مطالعه را تشکیل می‌دهند، شرح می‌دهد. جنبه‌های دیگری که در اینجا در نظر گرفته می‌شوند عبارتند از بررسی نواحی قبل و بعد از طرح مجدد برای هر گونه اختلاف.
داده‌های GLAD FC توسط دانشگاه مریلند تولید می‌شوند و به‌طور رایگان از طریق وب‌سایت GLAD ( https://glad.umd.edu/Potapov/TCC_2010 ، در تاریخ ۱۵ مه ۲۰۲۰) قابل دانلود هستند. اگرچه تمرکز آزمایشگاه GLAD بر شناسایی مناطق از دست رفته جنگل در زمان واقعی و همچنین سود ده ساله جنگل است [ ۱۳ ]]، این تحقیق بر دقت موقعیتی و موضوعی مجموعه داده‌های پوشش جنگلی برای سال‌های ۲۰۱۰ و ۲۰۰۰ تمرکز دارد که نقشه‌های تلفات و افزایش جنگل بر اساس آن ساخته شده‌اند. اگرچه در ابتدا در نظر گرفته شده بود که نقشه های پوشش جنگلی پایه باید هر ۱۰ سال یکبار به روز شود، نقشه پوشش جنگلی برای سال ۲۰۲۰ در دسترس نبود. بنابراین، آزمایش نقشه‌های پوشش جنگلی GLAD برای سال‌های ۲۰۰۰ و ۲۰۱۰ تنها امکان‌پذیر بود. داده‌ها بر اساس تفسیر تصاویر ماهواره‌ای چندطیفی، عمدتاً از ماهواره لندست ۷ در وضوح فضایی ۳۰ متر × ۳۰ متر (در خط استوا) است. و از مجموعه‌ای از پیکسل‌ها تشکیل شده است که هر کدام یک ویژگی نشان دهنده درصد پوشش تاج درخت است. داده ها مجدداً به EPSG 2770 (شبکه ملی بریتانیا) پیش بینی شدند. و مقایسه ای با مناطق سایه بان به دست آمده از گزارش تولید شده از وب سایت دیده بان جنگل جهانی انجام شد تا تأیید کند که فرآیند بازپخش داده ها بر مناطق سلول شبکه تأثیری نداشته است. تفاوت حاصل بین گزارش و داده های بارگذاری شده کمتر از ۱٪ است که سطح قابل قبولی از عدم قطعیت در نظر گرفته شد.
برای تعیین بهترین مجموعه داده مرجع، چهار مجموعه مرجع به عنوان کاندیدای احتمالی در نظر گرفته شدند (به ترتیب در نظر گرفتن). OS Open Zoomstack (OS) به دنبال داده های Corine LC، مرکز اکولوژی و هیدرولوژی (CEH) LC، و در نهایت داده های فهرست ملی جنگل (NFI). گنجاندن ۴ مجموعه مختلف در ابتدای مطالعه پیش‌بینی نشده بود، اما نتیجه تلاش برای بهبود تفاوت زمانی، روش اکتساب یا وضوح (MMU) مجموعه داده بهینه بود. اگرچه داده‌های سیستم‌عامل در ابتدا به دلیل وضوح بالا و روش برتر به دست آوردن و واقعی بودن، به عنوان مجموعه مرجع ایده‌آل در نظر گرفته می‌شدند، به دلیل در دسترس نبودن داده‌های قبل از سال ۲۰۱۹،
روش‌های آماده‌سازی داده‌های پیش‌تحلیل شامل دانلود فایل‌های برداری که انگلستان را برای هر مجموعه داده‌ای پوشش می‌دهد، بود. سپس، چند ضلعی‌های متعلق به دسته‌هایی که به بهترین شکل تعریف جنگل GLAD را نشان می‌دادند (۳۰٪ پوشش تاج پوشش) با استفاده از ابعاد شبکه‌ای مشابه داده‌های GLAD FC به سلول‌های شبکه جنگلی/بدون جنگل تجمیع و شطرنجی شدند تا امکان ایجاد شبکه‌های دقت فراهم شود.
شرحی از هر مجموعه داده نامزد به ترتیبی که تجزیه و تحلیل انجام شد، همراه با توضیح مختصری در مورد مزایا و معایب مربوطه، که در بخش ۲٫۱ و بخش ۲٫۲ بیشتر بسط داده می‌شود، به شرح زیر است .
داده های سیستم عامل تولید شده توسط Ordnance Survey یک پایگاه داده جغرافیایی شامل بیش از ۴۰۰ میلیون ویژگی چشم انداز طبیعی و مصنوعی در سراسر بریتانیا (از جمله جنگل ها) را تشکیل می دهد که به طور مداوم با استفاده از ترکیبی از فناوری GPS و عکاسی هوایی به روز می شود ( https://www. ordnancesurvey.co.uk/about/history ، قابل دسترسی در ۱۷ ژوئیه ۲۰۲۰). حداقل واحد نقشه برداری (MMU) کمتر از ۱۰ متر مربع استبا عرض کمتر از ۱۰ متر و داده ها در قالب جنگل / بدون جنگل هستند، بنابراین تجمیع دسته ها ضروری نبود. با توجه به متفاوت بودن روش اکتساب و وضوح بالاتر نسبت به داده های آزمایشی، داده های سیستم عامل در ابتدا به عنوان مجموعه بهینه در نظر گرفته می شد، اما از آنجایی که داده های دیجیتال فقط برای سال جاری (۲۰۱۹) در دسترس بودند و منجر به یک فاصله زمانی ۹ و ۱۹ شد. سال با داده های آزمون، به عنوان یک مجموعه مرجع مناسب تخفیف داده شد.
Corine LC یک محصول پاناروپایی است که شامل داده های ماهواره Sentinel-2 است که توسط آژانس فضایی اروپا اداره می شود و دومین مجموعه داده ای بود که در نظر گرفته شد. داده ها دارای MMU 250000 متر مربع هستند و به ۴۳ کلاس مختلف پوشش زمین طبقه بندی می شوند. به دلیل MMU بزرگ ۲۵۰۰۰۰ متر مربعی تخفیف داده شد .
داده‌های CEH یک طبقه‌بندی پوشش زمینی مبتنی بر بسته است که تصاویر ماهواره‌ای را به ۲۱ زیستگاه گسترده که توسط کمیته مشترک حفاظت از طبیعت تعریف شده است، تقسیم می‌کند که تمام زیستگاه‌های بریتانیا را در بر می‌گیرد [ ۳۰ ]. دو مجموعه داده برای سال‌های ۲۰۰۰ و ۲۰۱۵ در دسترس بود. داده‌های CEH2000، که تطابق زمانی خوبی با GLAD 2000 FC داشت، مشکلات موقعیت جغرافیایی قابل‌توجهی داشت و دارای تخفیف بود. ادغام داده های مکان یابی سیستم عامل در CEH2015 LC مشکلات مکان یابی را حل کرد و این مجموعه داده متعاقباً در تجزیه و تحلیل زیستگاه خطای کمیسیون ما استفاده شد.
داده های NFI چهارمین و آخرین مجموعه داده ای بود که گنجانده شد. این یک برنامه متحرک کمیسیون جنگلداری (FC) است که سازمان اصلی بریتانیا برای تحقیقات جنگلداری و درختان است. این مجموعه داده، دقت موقعیت جغرافیایی مجموعه داده های سیستم عامل را برای مرزهای جنگل خود با مزایای اضافی اکتساب هوابرد و بررسی های زمینی گسترده برای اعتبار سنجی ترکیب می کند. این بررسی‌های زمینی نمونه‌ای به‌طور تصادفی انتخاب شده و نماینده تقریباً ۱۰۰۰۰ قطعه یک هکتاری در سراسر بریتانیا ارائه می‌کند. در مرحله دوم، یک تیم تضمین کیفیت بررسی های بصری ۱۰۰ درصد از ارزیابی های نمونه زمینی را انجام داد و همچنین حداقل ۵ درصد از سایت های نمونه را مجددا ارزیابی کرد ( https://www.forestresearch.gov.uk/tools-and-resources/ فهرست – جنگل – ملی / درباره – nfi /، قابل دسترسی در ۱۰ ژوئیه ۲۰۲۰). بنابراین، نویسندگان این مقاله مطمئن هستند که داده‌های NFI به شدت مورد آزمایش و اعتبارسنجی قرار گرفته‌اند و می‌توانند به عنوان یک مجموعه داده مرجع برای تجزیه و تحلیل ما از دقت داده‌های GLAD استفاده کنند.
داده های NFI از سال ۲۰۱۰ تا کنون سالانه در دسترس هستند. این شامل هر دو چوب شهری و روستایی بزرگتر از ۵۰۰۰ متر مربع با پوشش تاج ۲۰٪ است و شامل ویژگی هایی مانند نوع درخت و کاربری زمین به عنوان اطلاعات اضافی است. مزیت اصلی آن نسبت به داده های سیستم عامل این است که مجموعه داده های سالانه به طور رایگان تا سال ۲۰۱۰ در دسترس هستند.
در حالی که تفاوت‌های زمانی و تفکیک‌پذیری بین مجموعه‌ها کاملاً واضح است، انتخاب و تجمیع دسته‌های جنگلی مختلف که بهترین تعریف پوشش جنگلی GLAD را نشان می‌دهند (یعنی هر گونه پوشش گیاهی بالاتر از ۵ متر با پوشش تاج حدود ۳۰٪) به عنوان یک مورد شناخته شد. متریک به همان اندازه مهم در انتخاب مجموعه مرجع. در حالی که مجموعه داده OS2019 بر اساس یک قالب ساده جنگل/بدون جنگل بود، مجموعه مرجع پوشش زمین و فهرست جنگل شامل چندین دسته بود و تصمیم برای گنجاندن یا حذف داده ها بر اساس نام دسته بود، بنابراین در مورد LC مجموعه داده‌ها، این شامل تمام دسته‌های مرتبط با LC جنگلی مانند «پهن برگ»، «مخروطیان» و «چوب‌های مخلوط» بود و برای NFI، دسته‌هایی مانند «وزش باد» و «بریده‌شده» را حذف کرد. اگرچه گنجاندن دسته‌های مبهم (مانند “بوته‌های جنگلی انتقالی” یا “نامشخص و وزش باد”) به طور اجتناب‌ناپذیری منجر به امکان درج مناطقی می‌شود که کمتر از ۳۰ درصد پوشش تاج پوشش دارند، این دسته‌ها نسبت ناچیزی از مجموعه داده‌ها هستند. . انتخاب ویژگی‌هایی که داده‌های جنگل را در مجموعه داده‌های مرجع کاندید تشکیل می‌دهند، در شرح داده شده استجدول ۱ .
منطق مورد استفاده برای تولید شبکه‌های دقت برای تعیین یک مجموعه داده مرجع مناسب و همچنین تعیین دقت GLAD FC برای سال‌های ۲۰۰۰ و ۲۰۱۰ به دلیل ساختار جنگل باینری/بدون جنگل داده‌ها، به ساده‌ترین واژه‌ها قابل تعریف است. هر مجموعه داده شامل پیکسل های “جنگل” یا “بدون جنگل” است و ترکیب مجموعه ها ۴ نتیجه ایجاد می کند ( جدول ۲ ).
نتایج بر اساس خطای اشتباه و خطا [ ۲۸ ] به شرح زیر تعریف می شوند:
خطای کمیسیون = ۱ − (True Positive/(True Positive + False Positive)) و نسبتی است از کل مساحت داده های آزمون نسبت به داده های آزمون که به اشتباه قرار داده شده اند. این معکوس ارزش پیش بینی مثبت (PPV) است که به دقت کاربران نیز معروف است.
خطای حذف = ۱ − (True Positive/(True Positive + False Negative)) و نسبت کل مساحت داده های مرجع نسبت به داده های تست اشتباه قرار داده شده است. این معکوس TPR یا نرخ مثبت واقعی است و به عنوان دقت تولید کننده شناخته می شود.
برای ایجاد یک ماتریس توافق بین نقشه‌ای، شبکه‌های داده مرجع و آزمایش با هم ترکیب شدند تا یک شبکه جمع‌آوری شده حاوی تعداد پیکسل برای هر یک از چهار نتیجه (مثبت واقعی، منفی واقعی، مثبت کاذب، و مثبت غلط) تولید شود. تعداد پیکسل‌ها در اندازه پیکسل ضرب شد تا ناحیه‌های اشتباه و خطا محاسبه شود. شبکه ها به صورت بصری برای الگوهای فضایی بازرسی شدند. این روش بین مجموعه داده های مرجع کاندید به عنوان راهی برای تعیین مجموعه داده مرجع بهینه و همچنین برای ارزیابی دقت داده های GLAD FC انجام شد.
شبکه‌های خطای کمیسیون از ارزیابی‌های دقت با داده‌های زیستگاه CEH 2015 ترکیب شدند. شبکه خطای کمیسیون طبقه‌بندی زیستگاه حاصل با پوشش تاج درصد GLAD FC ترکیب شد، همانطور که در شکل ۱ خلاصه شده است.

۲٫۱٫ نتایج تجزیه و تحلیل داده های مرجع و بحث

همانطور که قبلاً در بخش ذکر شد، برای انتخاب مجموعه داده مرجع بهینه، داده‌های Ordnance Survey (OS) با پوشش زمین Corine و پوشش زمین مرکز اکولوژی و هیدرولوژی (CEH) و همچنین داده‌های فهرست ملی جنگل ( جدول) مقایسه شدند. ۳ ).
بازرسی بصری شبکه‌های حاصل، برخی از دلایل واضح‌تر خطاها را نشان می‌دهد که می‌توان آن‌ها را با تفاوت در حداقل واحد نقشه‌برداری (MMU)، عدم دقت موقعیت و مسائل زمانی طبقه‌بندی کرد.
MMU OS 2019 کمتر از ۱۰ متر مربع است که به طور قابل توجهی کوچکتر از کورین و CEH MMU به ترتیب ۲۵۰۰۰۰ متر مربع و ۵۰۰۰ متر مربع است . این تفاوت هنگام مقایسه داده‌های OS 2019 با Corine 2018 باعث خطای حذف تقریباً ۵۰٪ می‌شود و پتانسیل عدم دقت بزرگ را هنگام استفاده از مجموعه داده‌های پوشش زمین با وضوح پایین در مناطق با اندازه قطعه زمین کوچک نشان می‌دهد. شکل ۲ دو مجموعه داده را در یک منطقه کوچک در شمال انگلستان مقایسه می کند، با تصویر Google Earth که بیشتر اندازه بسته کوچک چوب های گرفته شده در داده های OS 2019 را نشان می دهد که در Corine 2018 (A) وجود ندارد.
کمترین خطاها بین داده‌های OS و NFI محاسبه شد تا حدی به دلیل داده‌های موقعیتی مشترک و، در مورد داده‌های NFI 2018، شباهت زمانی آن. عدم وجود تفاوت معنی‌دار بین نتیجه OS 2019 در مقابل NFI 2018 و NFI 2010 (مورد دوم با فاصله ۸ ساله در مجموعه داده‌ها) نشان‌دهنده کم بودن میزان تغییر جنگل در این دوره است. این روندی است که در داده‌های NFI در یک دوره طولانی‌تر ۱۵ ساله با افزایش کلی پوشش جنگلی ۴ درصد از سال ۲۰۰۰ تا ۲۰۱۵ مشاهده می‌شود که توسط گزارش NFI در سال ۲۰۱۵ تأیید شده است [ ۳۱ ].
بخش قابل توجهی از مناطق حذف شده در شبکه‌های OS 2019 در مقابل NFI 2018 در مزارع (یا مزارع درختی) واقع شده‌اند و احتمالاً به این دلیل است که سیستم‌عامل با نظارت بر این مناطق درون جنگلی که به سرعت در حال تغییر هستند، سخت‌گیرانه‌تر است. افزایش جزئی خطاهای حذف در داده های NFI 2018 در مقایسه با نتایج NFI در سال ۲۰۱۰ را توضیح می دهد. داده‌های NFI حاوی ویژگی‌هایی است که جزئیات مناطق قطع شده در مزارع را نشان می‌دهد، زیرا بخش مرکزی وظیفه آن نظارت بر این مناطق است.

۲٫۲٫ انتخاب مجموعه داده مرجع بهینه

بر اساس تحلیل اولیه که در بالا توضیح داده شد، داده های NFI 2010 به عنوان مجموعه داده مرجع بهینه برای داده های GLAD FC 2010 و ۲۰۰۰ انتخاب شدند. برای FC 2010، یک توافق موقت مستقیم وجود دارد. اگرچه یک تفاوت زمانی ۱۰ ساله بین GLAD FC 2000 و این مجموعه داده مرجع وجود دارد، وضوح داده درشت داده های Corine 2000 بلافاصله استفاده از مجموعه داده مرجع را منع می کند، داده های CEH 2000 با خطاهای موقعیتی و موضوعی مواجه هستند، و ۲۰۰۰ داده های NFI در قالب دیجیتال در دسترس نیستند.
این اختلاف زمانی به طور بالقوه مشکل ساز است زیرا تفاوت های مشاهده شده ممکن است ناشی از تغییرات واقعی در پوشش جنگلی باشد. با این حال، تفاوت منطقه ای بین مجموعه داده های NFI افزایش ۱٪ در مساحت جنگلی را در این دوره ۱۰ ساله گزارش می کند که در تضاد کامل با GLAD FC است که ۳۰٪ افزایش را محاسبه می کند. سطح پایین تغییر محاسبه‌شده توسط داده‌های NFI توسط Bibby [ ۳۲ ] تأیید می‌شود، که گزارش او در مورد تغییر زمین در بریتانیا از سال ۱۹۸۳ تا ۲۰۰۸ بیان می‌کند که بیشترین تغییر کاربری زمین در این دوره از کشاورزی به جنگل‌داری و جنگل‌داری بوده است. با نرخ ۱٪ افزایش در سال، کاهش به ۰٫۲۴٪ پس از سال ۲۰۰۰٫
بنابراین، فرض بر این بود که گستره سطحی پوشش جنگلی در این دوره نسبتاً پایدار باقی مانده است، با مقادیر جزئی از دست دادن و سود از طریق برداشت درخت و بازسازی چوب پهن برگ با کمک کمک مالی.

۳٫ نتایج

۳٫۱٫ ارزیابی دقت GLAD FC 2010 و ۲۰۰۰

با شناسایی NFI 2010 به عنوان مناسب ترین مجموعه داده مرجع برای هر دو مجموعه داده GLAD FC، یک سری از شبکه های دقت برای انگلستان، ولز و اسکاتلند ایجاد شد. خلاصه ای از نتایج در جدول ۴ ارائه شده است .
قابل توجه ترین نتایج، خطاهای کمیسیون بالا به ویژه در مورد NFI 2010 در مقابل GLAD FC 2010 با خطاهای کمیسیون حدود ۵۰٪ است. این نشان می دهد که ۵۰٪ از داده های GLAD FC در سال ۲۰۱۰ به عنوان “جنگل” در مجموعه داده مرجع علامت گذاری نشده است. همچنین قابل توجه است که داده های GLAD 2000 در مقایسه با NFI 2010 دارای خطای کمیسیون کمتری (کاهش حدود ۱۰٪) با وجود فاصله زمانی ۱۰ ساله است.
بازرسی بصری هر دو نقشه دقت، این تفاوت ۱۰ درصدی در خطای کمیسیون را برجسته می‌کند و همچنین نشان می‌دهد که توزیع مکانی خطاهای کمیسیون عمدتاً در مناطقی قرار دارد که از جنگل مرجع جدا شده‌اند و احتمالاً خطاهای موضوعی هستند تا مشکلات مکان‌یابی. ( شکل ۳ الف، ب).

۳٫۲٫ تجزیه و تحلیل زیستگاه خطای کمیسیون برای داده های جنگل GLAD FC

برای تجزیه و تحلیل خطاهای موضوعی مرتبط با خطاهای کمیسیون بالا محاسبه شده برای هر دو نقشه GLAD FC، این خطاها با مجموعه داده پوشش زمین CEH 2015 ترکیب شدند که شامل ۲۰ زیستگاه در کل بریتانیا است، از جمله زیستگاه های هیتلند مانند هدر، چمنزار هدر. ، باتلاق و سنگ داخلی. نتایج این تحلیل در شکل ۴ خلاصه شده است.
مشاهده می‌شود که در انگلستان و ولز، طبقه‌بندی زیستگاه با بالاترین خطای کمیسیون، کلاس پوشش زمین بهبود یافته مرتع (مرتع) است، در حالی که در اسکاتلند، طبقه پوشش زمین هیدر بیشترین خطا را دارد. در داده‌های GLAD 2010، تقریباً ۷۰٪ از آن طبقه پوشش زمین به اشتباه به عنوان “جنگل” برچسب‌گذاری شده بود. این نشان می‌دهد که خطاهای طبقه‌بندی نه تنها محدود به زیستگاه‌های گرمسیری بود، بلکه به طور کلی، در رویشگاه‌های مرتعی بهبود یافته شایع‌تر بود.
این روندها برای خطاهای کمیسیون GLAD 2000 و ۲۰۱۰ مشاهده شد. با این حال، تفاوت‌های ظریفی وجود داشت: خطاهای کمیسیون GLAD 2000 بر روی زیستگاه‌های هلندی بیشتر و علفزارهای کمتر بهبود یافته در مقایسه با خطاهای GLAD 2010 توزیع شد ( شکل ۴ ). همانطور که در نتایج ارزیابی دقت ذکر شد، داده‌های FC 2000 دارای خطای کمیسیون کمتری نسبت به داده‌های سال ۲۰۱۰ هستند و این نشان می‌دهد که افزایش خطا عمدتاً در مناطق مرتع بهبود یافته است.
محاسبه بیشتر نسبت‌های ملی هر زیستگاه برای انگلستان، ولز و اسکاتلند نشان داد که “علفزار” و “معروف” بزرگترین زیستگاه‌ها را برای انگلستان و ولز تشکیل می‌دهند، در حالی که در اسکاتلند، زیستگاه‌های “کوه، گرما و باتلاق” غالب بودند. برای توضیح این موضوع، خطاهای کمیسیون مربوطه با نسبت زیستگاه ملی مقایسه شد.
این عادی‌سازی مقادیر بالای علفزار بهبودیافته را لغو کرد، که بر خطاهای کمیسیون غالب است و باعث می‌شود نسبت مناطق خطای کمیسیون برای زیستگاه هدر به طور مداوم بالاتر از نسبت ملی برای این زیستگاه‌ها باشد. این در هر سه کشور و در هر دو مجموعه داده GLAD 2000 و ۲۰۱۰ مشاهده شد و نشان داد که متناسب با زیستگاه ملی، خطای کمیسیون بیشتر برای هدر وجود دارد.
نتایج همچنین نشان داد که در حالی که ارزش‌های زیستگاه هدر به طور مداوم بالاتر از سایر زیستگاه‌ها بود، در مقادیر هدر، تفاوت‌هایی بین کشورها و در بین دو مجموعه داده GLAD وجود داشت. انگلستان بالاترین مقادیر را برای داده‌های GLAD 2000 و ۲۰۱۰ دارد، در حالی که اسکاتلند کمترین مقدار را برای داده‌های GLAD FC در سال ۲۰۰۰ و ولز کمترین مقدار را در داده‌های GLAD FC در سال ۲۰۱۰ دارند ( شکل ۵ ). این تفاوت ها احتمالاً تا حدی به تفاوت زمانی بزرگ بین GLAD 2000 FC و داده های زیستگاه نسبت داده می شود.
شکل ۵ همچنین نشان می‌دهد که طبقه‌های پوشش زمین Fen، مرداب، و باتلاق مقادیر مشابه بالایی را در هر سه کشور نشان می‌دهد، همانطور که ارزش آب شیرین و سنگ ساحلی برای انگلستان نیز وجود دارد. با این حال، این زیستگاه ها کمتر از ۰٫۷ درصد از رویشگاه ملی را تشکیل می دهند.
در سطح کشورها، مناطق هدر که به اشتباه به عنوان جنگل برای انگلستان و ولز طبقه بندی شده اند، به ترتیب ۵% و ۶% از خطای کمیسیون را تشکیل می دهند. در اسکاتلند، که درصد ملی بسیار بالاتری از هدر دارد، خطای کمیسیون به ۲۹٪ افزایش می یابد. این به معنی کاهش پوشش جنگلی GLAD در سال ۲۰۱۰ برای انگلستان و ولز به ترتیب ۳ و ۲ درصد است، در حالی که در اسکاتلند، پوشش جنگلی را تا ۱۴ درصد کاهش می دهد، با کاهش کمتری برای پوشش جنگلی GLAD در سال ۲۰۰۰٫

۳٫۳٫ رابطه بین درصد پوشش سایبان GLAD FC و خطاهای کمیسیون

تحقیقات در زمینه محیط های گرمسیری نشان داد که سطح پوشش تاج پوشش که به عنوان آستانه برای داده های جنگل GLAD استفاده می شود، می تواند تأثیر قابل توجهی بر دقت داشته باشد [ ۱۱ ، ۱۳ ]. این مطالعه آزمایش کرد که آیا این مورد برای محیط‌های معتدل نیز وجود دارد یا خیر. این با نشان دادن گرافیکی سطح پوشش تاج برای طیف کامل درصد پوشش سایبان تکمیل شد. شکل ۶نشان می دهد که برای GLAD FC 2010، تنها منطقه کوچکی از انگلستان با پوشش سایبان بالای ۹۰٪ وجود داشت. بیش از ۷۰ درصد مساحت جنگلی بین ۳۰ تا ۸۵ درصد تاج پوشش داشت. این نتایج در بین سه کشور ثابت بود. توزیع پوشش تاج پوشش در سال ۲۰۰۰ GLAD FC مساحت قابل توجهی کمتری را با پوشش های سایبان زیر تقریباً ۴۰٪ و افزایش در مناطق با پوشش سایبان بیش از ۹۰٪ نشان داد.
نتایج ترکیب شبکه‌های توافق و کمیسیون از ارزیابی دقت NFI با شبکه‌های پوشش سایه‌بان درصد GLAD FC روندهای مشابهی را با داده‌های کامل نشان داد، به عنوان مثال، نسبت کمتری از داده‌های ۲۰۰۰ دارای مناطق زیر ۴۰ درصد پوشش سایه‌بان نسبت به سال ۲۰۱۰ است. داده ها. مناطق کمیسیون ۲۰۱۰ کاهش تدریجی پوشش سایبان را با افزایش پوشش های سایبان (تا ۹۰٪) نشان می دهند، در حالی که مناطق کمیسیون ۲۰۰۰ تنها با افزایش پوشش سایبان در داده های انگلیسی این کاهش را نشان می دهند. در اسکاتلند و ولز، منطقه کمیسیون در طیف وسیعی از پوشش های سایبان از ۴۰ تا ۱۰۰٪ ثابت می ماند ( شکل ۷ ). این مربوط به افزایش متقابل در زمینه های توافق است.
نتایج ترکیب داده‌های خطای کمیسیون رویشگاه با مقادیر تاج نشان می‌دهد که رویشگاه چمن بهبود یافته (که زیستگاهی با بیشترین نسبت خطای کمیسیون است) در مقایسه با رویشگاه هدر که یک کلیت کلی را نشان می‌دهد، به طور نسبتاً مساوی در سراسر مقادیر تاج توزیع شده است. کاهش با افزایش پوشش تاج پوشش، به ویژه در مجموعه داده ۲۰۱۰ ( شکل ۸ ).

۴٫ بحث

خطاهای کمیسیون بالای هر دو مجموعه داده GLAD FC نشان می دهد که آنها به طور قابل ملاحظه ای پوشش جنگلی در بریتانیا را تا ۵۰ درصد بیش از حد برآورد می کنند. این خطاها در همه کشورها ثابت است. با بهترین دانش نویسندگان، این اولین بار است که چنین تخمینی برای محیط های معتدل مشاهده می شود. همچنین با یافته‌های گزارش شده در مورد تحقیقاتی که عدم قطعیت GLAD را در محیط‌های دیگر مانند مناطق استوایی بررسی کرده‌اند، موافق است [ ۱۱ , ۱۴ , ۲۶ , ۲۷]. این نشان می‌دهد که استفاده از داده‌های GLAD باید خارج از هدف اصلی آن یعنی تشخیص جنگل‌زدایی با دقت مورد توجه قرار گیرد. داده‌های GLAD از نظر وسعت جهانی هستند و در بسیاری از مکان‌ها ممکن است تنها اطلاعات موجود در مورد پوشش زمین را ارائه دهند. با این وجود، همانطور که نتایج ما نشان می‌دهد، کاربران بالقوه باید از محدودیت‌های آن آگاهی روشنی داشته باشند.
قابل توجه است که نتایج مقایسه مجموعه داده‌ها بدون تفاوت زمانی (NFI 2010 در مقابل GLAD FC 2010) خطاهای کمیسیون بالاتری را نسبت به مجموعه داده‌ها با فاصله زمانی ۱۰ ساله محاسبه کرد. این افزایش خطاها در GLAD 2010 FC ممکن است ناشی از استفاده از تصاویر Landsat 7 باشد که تحت تأثیر داده های از دست رفته مرتبط با خرابی اصلاح کننده خط اسکن قرار دارند.
تجزیه و تحلیل ما همچنین نشان داد که خطای کمیسیون به شدت با انواع زیستگاه های خاص مرتبط است. بیش از ۵۰ درصد از خطای کمیسیون به صورت مکانی در زیستگاه های مرتعی مختلف توزیع شده است. با این حال، هنگامی که به نسبت زیستگاه ملی نرمال می شود، رویشگاه هدر (یک درختچه هدر با حداکثر ارتفاع کمتر از ۱ متر) در هر دو داده ۲۰۰۰ و ۲۰۱۰ بیش از حد نشان داده شده است و بنابراین به نظر می رسد که به طور خاص مستعد طبقه بندی اشتباه باشد.
هر دو زیستگاه هدر و مرتع عمدتاً به عنوان جنگل های پوششی متوسط ​​تا کم نشان داده می شوند، با رویشگاه هدر دارای ارزش پوشش تاج کمی کمتر از علفزار است. این فرضیه را تایید می‌کند که زیستگاه‌های طبقه‌بندی نادرست به احتمال زیاد با مناطقی با پوشش تاج‌پوش کمتر مرتبط هستند. مشاهدات تروپک و همکاران. (۲۰۱۴) در طبقه بندی اشتباه پوشش گیاهی بوته ای کم مشابه هیچ ارتباطی با پوشش تاج پوشش ذکر نشده است، بنابراین امکان مقایسه وجود ندارد [ ۱۶ ]. مشاهده مشابهی توسط [ ۲۶]، که مناسب بودن داده های دیده بان جنگل جهانی را برای تعیین کمیت مکان های برداشت شده در یک حوضه آبریز جنگل های شمالی کوهستانی در جنوب مرکزی نروژ بررسی کرد. مشخص شد که درختان بذر باقیمانده باعث خطاهای قابل توجهی در حذف شدند. همچنین مشخص شد که حذف تکه‌های کوچک از دست رفته پوشش جنگلی که احتمال خطای کمیسیون را نشان می‌دهند، ضروری است.
تفاوت زمانی بین مجموعه داده‌های پوشش زمین CEH 2015 و اشتباهات کمیسیون، احتمال عدم دقت موضوعی، به ویژه بین نقشه GLAD FC 2000 و داده‌های پوشش زمین CEH 2015 را ایجاد می‌کند، زیرا تغییرات زیستگاه به ناچار در طی ۱۵ سال رخ داده است. فاصله زمانی. با این حال، این نادرستی ها به طور قابل توجهی در زیستگاه های گرمسیری کاهش می یابد زیرا از سال ۱۹۹۲ توسط قوانین اتحادیه اروپا محافظت شده است ( https://www.eea.europa.eu/data-and-maps/data/natura-11 ، در ۱۰ ژوئیه قابل دسترسی است. ۲۰۲۰) [ ۳۳ ].
تخمین بیش از حد بالقوه پوشش جنگلی در مناطق با پوشش تاج پوشش با تراکم متوسط، نیاز به کالیبراسیون مجدد داده ها در گابن و گویان را توضیح می دهد، همانطور که در [ ۱۴ ] و [ ۱۱ ] ذکر شد، جایی که مقادیر آستانه های ۷۰% و ۹۴% نیاز به استفاده دارند. برای کالیبره کردن داده ها با مجموعه های مرجع ملی. این نشان می دهد که مناطقی که تحت سلطه تاج پوشش زیاد هستند (مانند جنگل های بارانی استوایی) و انتقال شدید به مناطق بدون جنگل را می توان مجددا کالیبره کرد تا برآورد دقیق تری از پوشش جنگلی ایجاد شود.
تلاش برای تنظیم مجدد داده های GLAD در زمینه این مطالعه چالش برانگیزتر است زیرا مقادیر تاج پوشش متوسط ​​با ترکیبی از جنگل و بدون زیستگاه جنگلی نشان داده می شود. این منجر به کاهش خطای کمیسیون اما افزایش خطای حذف می شود و بنابراین توانایی کلی داده ها برای پیش بینی پوشش جنگل را افزایش نمی دهد.
باید اذعان داشت که این اشتباهات کمیسیون (در چندین نوع زیستگاه و طیف گسترده ای از پوشش های تاج پوشش) می تواند دلایل متعددی داشته باشد که توسط تجزیه و تحلیل زیستگاه و پوشش تاج پوشش مورد توجه قرار نمی گیرد. به عنوان مثال، زمین، جنبه، ارتفاع، نزدیکی به مناطق توافق، و خطاهای موقعیتی مرتبط با فرآیند تجزیه و تحلیل، همگی دلایل اضافی احتمالی و همچنین انتخاب پارامترهای اکتساب و پردازش هستند. کار بیشتر بر روی نسبت خطاهای مرتبط با این علل بالقوه و وقوع فضایی آنها به درک بهتر این خطاها و احتمال وقوع آنها در محیط های دیگر در سراسر جهان می افزاید.

۵٫ نتیجه گیری ها

نتایج تجزیه و تحلیل ما نشان می‌دهد که هنگام استفاده از داده‌های GLAD برای آب و هوای معتدل مانند بریتانیا باید مراقبت قابل توجهی انجام شود. این به این دلیل است که ارزیابی دقت خطاهای کمیسیون قابل توجهی را نشان داد. این مسئله مشکلات بالقوه‌ای را که ممکن است هنگام استفاده از مجموعه داده‌های GLAD برای مقاصدی غیر از استفاده اولیه مورد استفاده قرار گیرد، نشان می‌دهد، همانطور که در زمینه مدل‌های تغییر جنگل اخیر در اروپا مورد بحث قرار گرفت [ ۵ ، ۶ ، ۷ ، ۸ ].
مشاهده شد که طبقه بندی اشتباه در زیستگاه هایی با پوشش تاج پوشش کم تا متوسط ​​بیشتر اتفاق می افتد. این احتمالاً به دلیل افزایش پتانسیل برای همپوشانی امضاهای طیفی بین مناطقی از پوشش جنگلی با تاج پوشش متوسط ​​تا کم واقعی و پوشش گیاهی غیر جنگلی است. با توجه به گستره جهانی مجموعه داده GLAD، داده های آموزشی ناقص ممکن است در طبقه بندی های اشتباه در این زمینه نقش داشته باشد [ ۲۷ ].
نقطه قوت هر دو OS 2019 و مجموعه داده های NFI به عنوان داده های مرجع خوب، نه تنها در سطح بالای جزئیات و دقت آنها است که بر اساس بررسی های زمینی و عکس های هوایی به روز شده است، بلکه در تعریف جنگل بر اساس پوشش زمین است. کاربری زمین استفاده از این داده‌های مرجع زمین‌به‌دیوار بررسی‌شده به سطح بالاتری از دقت نسبت به استفاده از داده‌های نمونه‌گیری دست یافته است، و بنابراین، استفاده از NFIهای ارجاع‌شده زمینی برای ارزیابی مجموعه داده‌های مبتنی بر ماهواره در سایر کشورهای اروپایی با زیستگاه‌های مشابه و اندازه قطعه زمین به شدت توصیه می شود.
با این وجود، داده‌های GLAD می‌توانند به ایجاد مجموعه‌های داده جنگل محلی یا منطقه‌ای با استفاده از داده‌های مرجع محلی با تنظیم سوئیچ پوشش جنگل/بدون جنگل برای مطابقت با داده‌های محلی کمک کنند. با این حال، این رویکرد به نفع مناطق با نسبت قابل توجهی از پوشش با تاج بالا مانند مناطق بزرگ دست نخورده جنگل های معتدل یا گرمسیری است [ ۱۱ ، ۱۲ ]. به نظر می رسد داده های GLAD در مناطقی با نسبت بالایی از پوشش تاج پوشش با چگالی متوسط ​​تا کم، کمتر مفید است. در چنین مواردی، آن را فقط باید در ارتباط و کالیبراسیون متقابل با داده های مرجع با کیفیت خوب استفاده کرد.
داده‌های Glad FC در مطالعه موردی ما، مناطق جنگل‌زدایی شده در مناطق پرورش درختی را قبل از نقشه‌برداری توسط NFI با موفقیت علامت‌گذاری کردند. این نشان‌دهنده اثربخشی داده‌های GLAD در استفاده مورد نظر از آن به عنوان پرچمی برای از دست دادن جنگل است. بنابراین، این پتانسیل را دارد که دقت زمانی مناطقی با فهرست جنگل‌های تثبیت‌شده و همچنین کمک به مناطقی که نقشه‌برداری ضعیفی دارند را بهبود بخشد.

منابع

  1. پاپ، ا. هامپنودر، اف. ویندل، آی. Bodirsky، BL; بونش، ام. لوتزه کامپن، اچ. مولر، سی. بیوالد، ا. رولینسکی، اس. استوانوویچ، ام. و همکاران حفاظت از کاربری زمین برای کاهش تغییرات آب و هوایی نات. صعود چانگ. ۲۰۱۴ ، ۴ ، ۱۰۹۵-۱۰۹۸٫ [ Google Scholar ] [ CrossRef ]
  2. Canadell، JG; Raupach، MR مدیریت جنگل ها برای کاهش تغییرات آب و هوا. Science ۲۰۰۸ , ۳۲۰ , ۱۴۵۶-۱۴۵۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  3. کاروالیو، جی. موتینیو، پی. نپستاد، دی. ماتوس، ال. Santilli، M. AN دیدگاه آمازون در مورد ارتباط جنگل و آب و هوا: فرصتی برای کاهش آب و هوا، حفاظت و توسعه؟ محیط زیست توسعه دهنده حفظ کنید. ۲۰۰۴ ، ۶ ، ۱۶۳٫ [ Google Scholar ] [ CrossRef ]
  4. Lindenmayer، DB; فرانکلین، جی اف. فیشر، جی. اصول مدیریت عمومی و چک لیستی از استراتژی ها برای هدایت حفاظت از تنوع زیستی جنگل. Biol. حفظ کنید. ۲۰۰۶ ، ۱۳۱ ، ۴۳۳-۴۴۵٫ [ Google Scholar ] [ CrossRef ]
  5. Brunialti، G. رویکردهای یکپارچه به عنوان فرصتی برای حفاظت از تنوع زیستی جنگل. بین المللی جی. محیط زیست. گل میخ. ۲۰۱۴ ، ۷۱ ، ۲۲۶-۲۲۷٫ [ Google Scholar ] [ CrossRef ]
  6. سودی، NS; Koh، LP; کلمنتز، آر. Wanger، TC; هیل، جی کی. Hamer، KC; کلاف، ی. شارنتکه، تی. پوسا، MRC؛ لی، TM حفاظت از تنوع زیستی جنگل های جنوب شرقی آسیا در مناظر اصلاح شده توسط انسان. Biol. حفظ کنید. ۲۰۱۰ ، ۱۴۳ ، ۲۳۷۵-۲۳۸۴٫ [ Google Scholar ] [ CrossRef ]
  7. بروکرهوف، EG; باربارو، ال. کاستگنیرول، بی. فورستر، دی. گاردینر، بی. González-Olabarria، JR; لیور، PO; موریس، ن. آکسبرو، آ. تاکی، ح. و همکاران تنوع زیستی جنگل، عملکرد اکوسیستم و ارائه خدمات اکوسیستم. تنوع زیستی حفظ کنید. ۲۰۱۷ ، ۲۶ ، ۳۰۰۵–۳۰۳۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  8. موماو، WR؛ قانون، BE; Goetz، SJ تمرکز بر نقش جنگل ها و خاک ها در تحقق اهداف کاهش تغییرات آب و هوا: خلاصه. محیط زیست Res. Lett. ۲۰۲۰ , ۱۵ , ۰۴۵۰۰۹٫ [ Google Scholar ] [ CrossRef ]
  9. Noss، RF ارزیابی و نظارت بر تنوع زیستی جنگل: چارچوب و شاخص‌های پیشنهادی برای. Ecol. مدیریت ۱۹۹۹ ، ۱۱۵ ، ۱۳۵-۱۴۶٫ [ Google Scholar ] [ CrossRef ]
  10. بوریوالوا، ز. بائرت، ام آر. هاسلد، اس. Fatroandrianjafinonjasolomiovazo، NT; Koh، LP ارتباط مجموعه داده‌های تغییر جهانی جنگل با حفاظت محلی: مطالعه موردی تخریب جنگل در پارک ملی ماسوالا، ماداگاسکار. Biotropica ۲۰۱۵ ، ۴۷ ، ۲۶۷-۲۷۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. گالیاتساتوس، ن. Donoghue، DNM; وات، پی. بولانات، پ. پیکرینگ، جی. هانسن، ام سی; محمود، ARJ ارزیابی مجموعه داده های تغییر جنگل جهانی برای نظارت و گزارش جنگل ملی. Remote Sens. ۲۰۲۰ ، ۱۲ ، ۱۷۹۰٫ [ Google Scholar ] [ CrossRef ]
  12. میچل، آل. روزنکویست، ا. مورا، ب. رویکردهای سنجش از دور کنونی برای نظارت بر تخریب جنگل در حمایت از سیستم‌های اندازه‌گیری، گزارش‌دهی و تأیید کشورها (MRV) برای REDD+. کربن بالانس Manag. ۲۰۱۷ , ۱۲ . [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  13. 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 ] [ PubMed ][ نسخه سبز ]
  14. سانییر، سی. McRoberts، RE; فیشت، LV مناسب بودن داده‌های تغییر جنگل جهانی برای گزارش برآوردهای پوشش جنگلی در سطح ملی در گابن. سنسور از راه دور محیط. ۲۰۱۶ ، ۱۷۳ ، ۳۲۶-۳۳۸٫ [ Google Scholar ] [ CrossRef ]
  15. هانسن، ام. پوتاپوف، پ. مارگونو، بی. Stehman، S. توروبانوا، اس. Tyukavina، A. پاسخ به نظر در مورد “نقشه های جهانی با وضوح بالا تغییر پوشش جنگلی قرن ۲۱”. Science ۲۰۱۴ ، ۳۴۴ ، ۲۰۱۳–۲۰۱۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  16. تروپک، آر. Sedlaek، O. بک، جی. کیل، پی. موسیلوا، ز. ایمووا، آی. Storch, D. نظر در مورد “نقشه های جهانی با وضوح بالا تغییر پوشش جنگلی قرن بیست و یکم”. Science ۲۰۱۴ , ۳۴۴ , ۹۸۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  17. عباس، س. وونگ، ام اس؛ وو، جی. شهزاد، ن. ایرتزا، SM رویکردهای سنجش از راه دور ماهواره ای برای ارزیابی زیست توده بالای زمین در سراسر جنگل های استوایی: مقیاس های پان گرمسیری تا ملی. Remote Sens. ۲۰۲۰ , ۱۲ , ۳۳۵۱٫ [ Google Scholar ] [ CrossRef ]
  18. ررول، اف. دانتزر، ای. عاشق، ع. مارشال، جی.ام. هونگوانتونگ، بی. استوراک، HJW; بنت، A. ارتباط فضایی-زمانی بین جنگل زدایی و بروز مالاریا در لائوس Pdr. Elife ۲۰۲۱ , ۱۰ , e56974. [ Google Scholar ] [ CrossRef ]
  19. شاه، وی. شاه، ع. Joshi, V. پیش‌بینی منشأ بیماری‌های عفونی نوظهور مبتنی بر جنگل محیط زیست نظارت کنید. ارزیابی کنید. ۲۰۱۸ ، ۱۹۰ ، ۳۳۷٫ [ Google Scholar ] [ CrossRef ]
  20. هاواشووا، م. فرنچیک، جی. Jakuš, R. تعامل بین بادشکن، سوسک پوست و مدیریت جنگل در پارک های ملی تاترا. برای. Ecol. مدیریت ۲۰۱۷ ، ۳۹۱ ، ۳۴۹-۳۶۱٫ [ Google Scholar ] [ CrossRef ]
  21. چکرینی، جی. دوویلر، جی. گراسی، جی. لموئین، جی. آویتابیل، وی. پیلی، ر. Cescatti، A. افزایش ناگهانی در سطح جنگل های برداشت شده در اروپا پس از سال ۲۰۱۵٫ طبیعت ۲۰۲۰ ، ۵۸۳ ، ۷۲-۷۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  22. پالاهی، م. والبوئنا، آر. سنف، سی. آسیل، ن. Pugh، TAM; سادلر، جی. سیدل، ر. پوتاپوف، پ. گاردینر، بی. هتماکی، ال. و همکاران نگرانی در مورد برداشت های گزارش شده در جنگل های اروپا. Nature ۲۰۲۱ ، ۵۹۲ ، E15–E17. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  23. چکرینی، جی. دوویلر، جی. گراسی، جی. لموئین، جی. آویتابیل، وی. پیلی، ر. Cescatti، A. پاسخ به Wernick، IK و همکاران. Palahí, M. et al. Nature ۲۰۲۱ ، ۵۹۲ ، E18–E23. [ Google Scholar ] [ CrossRef ]
  24. Wernick، IK; سیایس، پی. فریدمن، جی. هوگبرگ، پی. کورهونن، KT; نوردین، ا. Kauppi، PE کمی سازی تغییر جنگل در اتحادیه اروپا. Nature ۲۰۲۱ ، ۵۹۲ ، E13–E14. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  25. شیمیزو، ک. اوتا، تی. Mizoue، N. ارزیابی دقت داده‌های تغییر جنگل محلی و جهانی برای برآورد اختلالات سالانه در جنگل‌های معتدل. Remote Sens. ۲۰۲۰ , ۱۲ , ۲۴۳۸٫ [ Google Scholar ] [ CrossRef ]
  26. یانگ، ز. دونگ، جی. لیو، جی. ژای، جی. کوانگ، دبلیو. ژائو، جی. شن، دبلیو. ژو، ی. Qin، Y. Xiao، X. ارزیابی دقت و مقایسه بین هشت محصول جنگلی با وضوح متوسط ​​در فلات لس، چین. ISPRS Int. J. Geo-Inf. ۲۰۱۷ ، ۶ ، ۱۵۲٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  27. ژانگ، دی. وانگ، اچ. وانگ، ایکس. Lü, Z. ارزیابی دقت پوشش درخت جهانی تماشای جنگل ۲۰۰۰ در چین. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۲۰ , ۸۷ , ۱۰۲۰۳۳٫ [ Google Scholar ] [ CrossRef ]
  28. ارزیابی دقت موضوعی و موقعیتی Congalton، RG از داده‌های سنجش از راه دور دیجیتال. در مجموعه مقالات هفتمین سمپوزیوم سالانه فهرست و تحلیل جنگل، واشنگتن، دی سی، ایالات متحده آمریکا، ۳ تا ۶ اکتبر ۲۰۰۵٫ صص ۱۴۹-۱۵۴٫ [ Google Scholar ]
  29. اولوفسون، پی. فودی، جنرال موتورز; هرولد، ام. Stehman، SV; Woodcock، CE; Wulder، MA شیوه های خوب برای تخمین مساحت و ارزیابی دقت تغییر زمین. سنسور از راه دور محیط. ۲۰۱۴ ، ۱۴۸ ، ۴۲-۵۷٫ [ Google Scholar ] [ CrossRef ]
  30. رولند، CS; مورتون، RD; کاراسکو، ال. مک شین، جی. اونیل، AW; Wood, C. Land Cover Map 2015 (وکتور، گیگابایت) ; اطلاعات محیطی NERC: مرکز داده، انگلستان، ۲۰۱۷٫ [ Google Scholar ] [ CrossRef ]
  31. فائو گزارش کشوری برنامه ارزیابی منابع جنگلی بریتانیا از بریتانیای کبیر و ایرلند شمالی . سازمان غذا و کشاورزی: ​​رم، ایتالیا، ۲۰۱۵٫ [ Google Scholar ]
  32. بیبی، پی. تغییر کاربری زمین در بریتانیا. سیاست کاربری زمین ۲۰۰۹ ، ۲۶ ، S2. [ Google Scholar ] [ CrossRef ]
  33. آژانس محیط زیست اروپا داده های Natura 2000 – شبکه اروپایی سایت های حفاظت شده. در دسترس آنلاین: http://natura2000.eea.europa.eu/ (دسترسی در ۱۰ ژوئیه ۲۰۲۰).
شکل ۱٫ نمودار جریان مراحل مربوط به ایجاد ارزیابی های دقت و تجزیه و تحلیل کمیسیون را نشان می دهد.
شکل ۲٫ ( الف ) جنگل OS 2019 (مرجع به رنگ سبز) در مقابل کورین ۲۰۱۸ (تست با خط قرمز)، ( ب ) تاریخ تصاویر Google Earth 17 ژوئیه ۲۰۲۱٫
شکل ۳٫ نقشه های دقت برای ( a ) ۲۰۱۰ NFI (مرجع به رنگ سبز) در مقابل ۲۰۱۰ GLAD FC، ( b ) ۲۰۱۰ NFI در مقابل ۲۰۰۰ GLAD FC. (موقعیت در داخل انگلستان همانند شکل ۲ است).
شکل ۴٫ طبقه بندی خطای کمیسیون بر اساس زیستگاه برای ۲۰۱۰ NFI در مقابل ۲۰۱۰ GLAD FC و ۲۰۱۰ NFI در مقابل ۲۰۰۰ FC.
شکل ۵٫ تفاوت بین زیستگاه ملی و زیستگاه خطای کمیسیون GLAD FC 2010 و GLAD FC 2000 (اعداد مثبت نشان دهنده نسبت زیستگاه خطای کمیسیون بزرگتر از نسبت زیستگاه ملی است).
شکل ۶٫ GLAD FC > 30% پوشش سایبان در مقابل سطح پوشش برای ( a ) ۲۰۱۰ و ( b ) ۲۰۰۰٫
شکل ۷٫ مناطق خطای کمیسیون بین NFI و GLAD FC در برابر درصد پوشش سایبان برای ( a ) ۲۰۱۰ و ( b ) ۲۰۰۰٫
شکل ۸٫ مناطق خطای کمیسیون بین NFI و GLAD FC در مقابل درصد پوشش تاج برای ( الف ) زیستگاه هدر و ( ب ) رویشگاه علفزار بهبود یافته .

بدون دیدگاه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

خانهدربارهتماسارتباط با ما