یک مدل تحلیل الگوی مکانی-زمانی یکپارچه برای ارزیابی و پیش‌بینی تخریب مناطق جنگلی حفاظت‌شده

خلاصه

تخریب جنگل ها به عنوان یکی از تهدیدات اصلی جنگل ها در سراسر جهان در نظر گرفته می شود که در دهه های اخیر به طور قابل توجهی افزایش یافته است. جنگل ها به تدریج در حال تکه تکه شدن هستند و به دلیل تغییرات آب و هوایی و فعالیت های انسانی با تلفات تنوع زیستی مواجه می شوند. پیش‌بینی آتی پویایی مکانی و زمانی تخریب جنگل و تکه تکه شدن برای ایجاد چارچوبی ضروری است که می‌تواند به اولویت‌بندی حفاظت از جنگل و شیوه‌های مدیریت پایدار کمک کند. در این مطالعه، یک الگوریتم جنگل تصادفی توسعه داده شد و روی مجموعه‌ای از تصاویر Landsat در سال‌های ۱۹۹۸، ۲۰۰۸ و ۲۰۱۸ برای ترسیم وضعیت پوشش جنگلی مکانی-زمانی در پناهگاه، همراه با مدل پیش‌بینی‌کننده به کار رفت. زنجیره مارکوف خودکار سلولی برای شبیه سازی سناریوی پوشش جنگلی ۲۰۲۸ در پناهگاه حیات وحش شولپنشوار (SWS)، گجرات، هند. توانایی پیش‌بینی مدل با استفاده از یک سری از شاخص‌های دقت ارزیابی شد. علاوه بر این، تجزیه و تحلیل الگوی فضایی – با استفاده از نرم‌افزار FRAGSTATS 4.2 – به کلاس‌های پوشش جنگلی تولید شده و پیش‌بینی‌شده برای تعیین تکه تکه شدن جنگل در SWS اعمال شد. تجزیه و تحلیل تشخیص تغییر کاهش کلی در جنگل های انبوه و افزایش متعاقب آن در جنگل های باز و تخریب شده را نشان داد. چندین معیار تکه تکه شدن در سطح تکه تکه، طبقه و چشم‌انداز اندازه‌گیری شد که نشان‌دهنده روند کاهش تکه تکه شدن در مناطق جنگلی SWS برای دوره ۱۹۹۸ تا ۲۰۲۸ است. بهبود SWS را می‌توان به افزایش فعالیت‌های مدیریت جنگل‌ها نسبت داد. دولت برای حفاظت و حراست از حرم. تا آن جایی که می دانیم،

کلید واژه ها:

تخریب جنگل ; آمار پراکندگی ; پیش بینی پوشش زمین ; سنجش از دور ؛ CA-Markov ; FRAGSTATS

۱٫ معرفی

رشد قابل‌توجه در اختلالات انسانی فشار بر جنگل‌های سراسر جهان، به‌ویژه بر جنگل‌های استوایی را افزایش داده است، که باعث تشریح و تخریب پیشرونده منطقه جنگلی می‌شود [ ۱ ، ۲ ]. چنین کالبد شکافی پیشرونده گسترش‌های جنگلی دست‌نخورده عظیم به مجموعه‌ای از تکه‌های کوچک، هندسی تغییر یافته و جدا شده به عنوان تکه تکه شدن جنگل [ ۳ ، ۴ ، ۵ ] نامیده می‌شود. تکه تکه شدن انسان زایی جنگل های طبیعی عامل اصلی تاثیرگذار بر توزیع فضایی تنوع زیستی [ ۶ ، ۷ ، ۸ ، ۹ ]، تغییرات آب و هوایی و آسیب رساندن به خدمات اکوسیستم جنگلی است [ ۱۰ ]، ۱۱ ]. همچنین بر ترکیب گونه، فراوانی و بازسازی طبیعی تأثیر می گذارد [ ۱۲ ، ۱۳ ]. پیش‌بینی سناریوی آتی جنگل‌های مکانی-زمانی تخریب و تکه تکه شدن جنگل، نیاز ضروری برای توسعه چارچوبی است که می‌تواند به اولویت‌بندی حفاظت از جنگل با هدف پایش از دست دادن تنوع زیستی جنگل [ ۱۴ ]، کاهش تغییرات آب و هوا [ ۱۵ ] و بهبود تدریجی خدمات اکوسیستم کمک کند [ ۱۴ ] . ۱۵ ، ۱۶ ، ۱۷ ، ۱۸ ، ۱۹ ]. همانطور که توسط [ ۱۸]، تکه تکه شدن جنگل نتیجه تبدیل تکه‌ای است که جغرافیای جنگل را در توده‌هایی با اندازه و درجه انزوا متفاوت می‌گذارد، در حالی که [ ۱۹ ] تأثیر قطعات جدا شده جنگل را بر گونه‌های مختلف درخت مورد بحث قرار می‌دهد.

سنجش از دور قابل اعتمادترین و قدرتمندترین رویکرد برای ترسیم دینامیک جنگل های گذشته و حال است، هم در مقیاس مکانی و هم در مقیاس زمانی [ ۲۰ ]. این می تواند اطلاعات مربوط به پوشش جنگلی یک منطقه را با هزینه و زمان مقرون به صرفه ارائه دهد و خروجی را می توان در قالب نقشه های پوشش جنگلی تهیه کرد [ ۲۱ ]. چندین تکنیک طبقه بندی جغرافیایی و ریاضی را می توان برای ترسیم تغییرات مکانی-زمانی در دینامیک جنگل استفاده کرد، مانند حداکثر احتمال [ ۲۲ ]، شبکه عصبی [ ۲۳ ]، رگرسیون لجستیک [ ۲۴ ]، و ماشین های بردار پشتیبانی [ ۲۵ ].]. چندین محقق همچنین از مدل‌های ترکیبی خاصی استفاده کردند که چندین مدل را با هم ترکیب می‌کردند تا کاربری زمین یا پوشش جنگل را ترسیم و پیش‌بینی کنند [ ۲۶ ، ۲۷ ]. طبقه‌بندی‌کننده جنگل تصادفی [ ۲۸ ] یکی از این الگوریتم‌ها است که به دلیل سادگی، سرعت و دقت بسیار محبوب است [ ۲۹ ، ۳۰ ، ۳۱ ]. این یک تکنیک طبقه بندی یادگیری ماشینی نظارت شده است که از درخت های تصمیم گیری متعدد برای طبقه بندی و همچنین رگرسیون داده استفاده می کند. از یک روش یادگیری گروهی استفاده می‌کند که از الگوریتم‌های یادگیری متعدد مانند طبقه‌بندی‌کننده درخت تصمیم، بسته‌بندی، و راه‌اندازی برای دستیابی به نتایج دقیق‌تر استفاده می‌کند [ ۳۲ ]]. این توانایی طبقه بندی مجموعه داده های بزرگ را دارد زیرا روش های کاهش ابعاد را در نظر می گیرد و همچنین مقادیر گمشده و پرت را کنترل می کند [ ۳۳ ]. عملکرد این طبقه‌بندی‌کننده با سایر طبقه‌بندی‌کننده‌ها مانند ماشین بردار پشتیبان قابل مقایسه است و از بسیاری از طبقه‌بندی‌کننده‌های دیگر مانند طبقه‌بندی‌کننده حداکثر احتمال [ ۳۴ ] و شبکه عصبی مصنوعی [ ۳۵ ، ۳۶ ] بهتر است.

خروجی طبقه‌بندی‌شده تصاویر سنجش از دور را می‌توان با مدل‌های پیش‌بینی‌کننده مانند اتوماتای سلولی (CA) [ ۳۷ ] و زنجیره مارکوف [ ۳۸ ] استفاده کرد، که در آن با استفاده از تحلیل رگرسیون چند متغیره برای شبیه‌سازی سناریوی آینده پوشش جنگلی [ ۳۹ ، ۴۰ ] امکان‌پذیر است. ]. زنجیره مارکوف به خودی خود قادر به پیش بینی نیست، اما استفاده هم افزایی از CA و زنجیره مارکوف قادر به ارائه اطلاعات در مورد دینامیک مکانی و زمانی و سناریوهای آینده است [ ۴۱ ]. این الگوریتم‌های تصادفی اثرات متقابل دینامیک مکانی و زمانی را برای پیش‌بینی تغییرات پوشش جنگلی آینده در نظر می‌گیرند [ ۴۲ ، ۴۳ ، ۴۴ ،۴۵ ] که به تصمیم گیری کمک می کند [ ۴۶ ، ۴۷ ]. این مدل های یکپارچه بر اساس توزیع اولیه و ماتریس انتقال هستند. از این فرض پیروی می کند که محرک های وضعیت فعلی در یک منطقه در آینده بدون تغییر باقی می مانند [ ۴۸ ]. مطالعات همچنین وجود دارد که در آن سنجش از دور و GIS با مدل CA-Markov برای پیش‌بینی پوشش کاربری اراضی یک منطقه [ ۴۹ ، ۵۰ ، ۵۱ ] همراه شده است.

برای درک دقیق از تکه تکه شدن جنگل، نقشه‌های پوشش جنگلی که با استفاده از داده‌های سنجش از دور تولید می‌شوند، امروزه تحت تحلیل الگوی فضایی قرار می‌گیرند که FRAGSTATS نامیده می‌شود، که تکه تکه شدن را در سطوح مختلف اندازه‌گیری می‌کند. پچ، کلاس و منظره. معیارهای وصله به عنوان قطعه کوچک جدا شده همگن برای هر کلاس کاربری زمین تعریف می شود، در حالی که معیارهای کلاس به عنوان توزیع پچ تجمعی برای هر کلاس کاربری زمین تعریف می شود و چشم انداز توزیع کلاس تجمعی است که تکه تکه شدن کلی یک منطقه خاص را نشان می دهد. مطالعات سطح وصله توسط بسیاری از نویسندگان [ ۵۲ ، ۵۳ ] انجام شد، در حالی که بسیاری از محققان دیگر تکه تکه شدن جنگل را در سطح کلاس نظارت کردند [ ۵۴،۵۵ ]]. دگرگونی سطح منظر برای ترسیم پویایی پوشش زمین نیز توسط بسیاری از نویسندگان نشان داده شده است [ ۵۶ ، ۵۷ ، ۵۸ ، ۵۹ ]. اطلاعات جزئی در مورد پراکندگی زمانی که یک مطالعه به یک سطح محدود می شود، بازیابی می شود. برای تجزیه و تحلیل جامع از تکه تکه شدن جنگل، محاسبه معیارها در هر سه سطح. پچ، کلاس و منظره، ضروری می شود.

هدف کار حاضر ارزیابی مکانی – زمانی تجزیه و تحلیل تکه تکه شدن و تخریب جنگل در پناهگاه حیات وحش شولپنشوار در ایالت گجرات، هند، با استفاده از داده‌های Landsat برای سال‌های ۱۹۹۸، ۲۰۰۸ و ۲۰۱۸، با استفاده از شاخص‌های تکه تکه‌شدن مختلف تولید شده در لکه، کلاس، است. و سطوح چشم انداز علاوه بر این، همچنین تلاش می‌کند تا سناریوی تکه تکه شدن جنگل را برای سال ۲۰۲۸ با استفاده از مدل زنجیره‌ای مارکوف سلولی اتوماتای سلولی پیش‌بینی کند.

۲٫ مواد و روشها

۲٫۱٫ منطقه مطالعه

منطقه مورد مطالعه انتخاب شده پناهگاه حیات وحش شولپنشوار (SWS)، یک منطقه جنگلی حفاظت شده است که در محدوده غربی ساتورا در جنوب رودخانه نارمادا، ناحیه نارمادا، ایالت گجرات، هند واقع شده است ( شکل ۱ ). این آرامستان در سال ۱۳۶۸ تأسیس شده و ۶۰۷٫۷۱ کیلومتر ^مربع مساحت جغرافیایی را در بر می گیرد. از ۲۱ درجه و ۰۳ دقیقه شمالی تا ۲۱ درجه و ۵۹ دقیقه عرض شمالی تا ۷۳ درجه و ۵ دقیقه شرقی تا ۷۴ درجه و ۱۰ دقیقه طول شرقی، در ارتفاع ۸۰۰ تا ۹۰۰ متری بالاتر از سطح متوسط دریا (MSL) [ ۶۰]. دو پروژه مهم آبیاری به نام‌های سردار سرور و سد کرجان در این آرامستان مستقر هستند. منطقه مورد مطالعه شامل جنگل‌های برگ‌ریز خشک مخلوط، جنگل رودخانه‌ای، تعداد کمی از جنگل‌های مرطوب ساج، مزارع کشاورزی و دو مخزن آب است. SWS به عنوان یکی از ضخیم ترین جنگل های ایالت در نظر گرفته می شود، با مناطق حفاظت شده طبیعی که از موجودات زیستی منطقه حمایت می کند [ ۶۱ ]. بیشتر جنگل با Tectona grandis L. و Dendrocalamus strictus پوشیده شده است [ ۶۲] و پراکندگی گونه های مختلط نیز در داخل جنگل زیاد است. بیشتر بارندگی در منطقه مورد مطالعه با موسمی جنوب غربی از اواسط خرداد شروع شده و تا اواسط مهر ادامه دارد. میانگین روزانه دمای منطقه در تابستان (مارس تا می) به ۴۳ درجه سانتیگراد می رسد و در زمستان (نوامبر تا فوریه) به ۱۰ درجه سانتیگراد کاهش می یابد. منطقه SWS برای حمایت از جمعیت قبیله ای، حوضه آبریز منطقه ای، تنوع گونه ها و حیات وحش مهم است.

۲٫۲٫ مجموعه داده ها و روش شناسی

۲٫۲٫۱٫ اکتساب و پیش پردازش داده های ماهواره ای

تصاویر ماهواره‌ای با وضوح فضایی ۳۰ متر از Landsat 5 TM برای سال‌های ۱۹۹۸ و ۲۰۰۸ و از Landsat 8 OLI برای سال ۲۰۱۸ از Earth Explorer ( https://earthexplorer.usgs.gov/ ) دانلود شدند. برای به حداقل رساندن تیرگی در تصاویر، از تکنیک تفریق پیکسل تیره استفاده شد [ ۶۳ ، ۶۴ ]. ارجاع جغرافیایی تصاویر با استفاده از طرح UTM و روش نمونه گیری مجدد WGS 84 و نزدیکترین محله انجام شد. منطقه تحت SWS با استفاده از ابزار زیر مجموعه ENVI 5.1 استخراج شد. از این تصاویر ماهواره ای برای تهیه نقشه های پوشش جنگلی استفاده شده است.

۲٫۲٫۲٫ طبقه بندی پوشش جنگلی

برای انجام طبقه‌بندی پوشش جنگلی، یک الگوریتم طبقه‌بندی تصادفی جنگلی پرکاربرد و پایدار در مطالعه حاضر پیاده‌سازی شد. طبقه‌بندی‌کننده جنگل تصادفی بر روی تصاویر پیش‌فرآوری‌شده Landsat در هر سه بازه زمانی اعمال شد. این تکنیک از تجمع بوت استرپ برای تشکیل مجموعه ای از طبقه بندی و القای طبقه بندی کننده های درخت مانند استفاده می کند. نمونه آموزشی اصلی جمع‌آوری شد و تصاویر ماهواره‌ای به عنوان پارامترهای ورودی مورد استفاده قرار گرفتند، داده‌های بوت استرپ به جلوگیری از برازش بیش از حد و ایجاد یادگیری سریع کمک کردند. انتخاب تصادفی متغیرها در طبقه‌بندی‌کننده همچنین به دنبال به حداقل رساندن همبستگی بین درخت بود و به کاهش نرخ خطا کمک کرد. این امر انتخاب درختان از مجموعه ای از درختان متعدد را برای دستیابی به دقت بالا در محدوده قابل قبول مهم می کرد.

طبقه بندی با استفاده از یک بسته نرم افزاری به زبان R انجام شد. داده ها در طبقه بندی جنگل تصادفی با تعدادی درخت برای کلاس شش ویژگی آموزش داده شدند. در مجموع، شش طبقه ایجاد شد که شامل سه طبقه پوشش جنگلی به نام‌های جنگل انبوه، جنگل باز و جنگل تخریب‌شده و سه طبقه پوشش غیرجنگلی به‌عنوان زمین‌های زراعی، زمین‌های بایر و آب‌زیست بود. برای طبقه‌بندی، نمونه‌های آموزشی برای کلاس‌های مختلف جنگلی و غیرجنگلی با تفسیر تصویری ماهواره‌ای مرجع و تصاویر گوگل ارث جمع‌آوری شد و پس از آن، ارزیابی دقت با استفاده از ۳۰ نمونه آموزشی برای هر کلاس انجام شد.

۲٫۲٫۳٫ ارزیابی دقت

ارزیابی دقت تصاویر طبقه بندی شده برای سال های ۱۹۹۸، ۲۰۰۸ و ۲۰۱۸ با استفاده از چهار معیار دقت آماری انجام شد. این موارد شامل دقت کلی، خطاهای کمیسیون (دقت کاربر)، خطاهای حذف (دقت سازنده)، و ضریب کاپا بود. در مجموع ۳۰ نقطه تصادفی برای هر کلاس برای بررسی صحت نقشه های موضوعی تولید شده از تکنیک جنگل تصادفی در نظر گرفته شد. نسبت کل پیکسل های به درستی طبقه بندی شده و تعداد کل پیکسل ها در ماتریس خطا، دقت کلی را ارائه می کند. دقت کلی تمایل دارد تا دقت طبقه بندی را بیش از حد تخمین بزند زیرا نسبت توافق بین مجموعه داده ها را در بر نمی گیرد [ ۶۵ ]]. دقت سازنده نشان دهنده احتمال طبقه بندی صحیح پیکسل مرجع است. دقت کاربر احتمال پیکسل طبقه بندی شده نقشه را نشان می دهد که در واقع آن کلاس را بر روی زمین نشان می دهد [ ۶۳ ، ۶۶ ]. ضریب کاپا عناصر خارج از مورب را به عنوان حاصل ضرب سطر و ستون ماتریس خطا ترکیب می کند. این شانس توافق را با حذف نسبت توافقی که انتظار می‌رود تصادفی رخ دهد کنترل می‌کند [ ۶۷ , ۶۸]. سه تصویر طبقه بندی شده زمانی از لندست برای ترسیم تغییر در پوشش جنگلی که وضعیت جنگل زدایی را در منطقه مورد مطالعه نشان می دهد، مقایسه شد. تجزیه و تحلیل تغییر پوشش موقت جنگل برای پیش‌بینی سناریوی پوشش جنگلی برای سال ۲۰۲۸ تحت تکنیک مدل‌سازی یکپارچه زنجیره مارکوف CA قرار گرفت.

۲٫۲٫۴٫ CA-Markov Chain

به منظور پیش‌بینی پوشش جنگلی برای سال ۲۰۲۸، زنجیره مارکوف CA با استفاده از نرم‌افزار IDRISI GIS Analysis انجام شد. مدل CA مارکوف عمدتاً برای شبیه‌سازی تغییرات مکانی و زمانی بین دو پوشش مختلف زمین/پوشش جنگلی استفاده می‌شود و می‌تواند یک ماتریس انتقالی برای پیش‌بینی تغییرات آینده ایجاد کند [ ۶۹ ]. یک اتوماتای سلولی بر روی مفهوم تحلیل مجاورت کار می کند که در آن پیکسل های مجاور را بررسی می کند، ماتریس احتمال انتقالی امکان تبدیل یک پیکسل به کلاس دیگر را تعیین می کند. در مطالعه حاضر، ماتریس انتقالی برای هر کلاس پوشش جنگلی تولید شد که می‌توان آن را با رابطه (۱) نشان داد:

اس (t, t + ۱) = پ من ج \times اس (t) S (t ، t + ۱) = P

(۱)

که در آن S ( t ) وضعیت سیستم در زمان t است، S ( t + ۱) وضعیت سیستم در زمان t + ۱ است، P _ij ماتریس احتمال انتقالی است که همانطور که در رابطه (۲) نشان داده شده است محاسبه می شود:

پ من ج = ∣∣∣∣∣∣ پ ۱ ، ۱ پ ۲ ، ۱ \dots پ ن ، ۱ پ ۱ ، ۲ \dots پ ۲ ، ۱ \dots \dots پ ن ، ۲ پ ۱ ، N پ ۲ ، ن \dots پ ن ، ن ∣∣∣∣∣∣ (۰ \leq پ من ج \leq ۱)

(۲)

که در آن P احتمال انتقالی است، P _ij احتمال تبدیل یک تصویر طبقه بندی شده از زمان i به تصویر طبقه بندی شده دیگر از زمان j است، و P _N احتمال در زمان خاص برای تعداد N کلاس است. احتمال انتقال بین ۰ و ۱ متغیر بود. انتقال با استفاده از فیلتر مجاورت ۵ × ۵ پیکسل، که برای تعریف مناسب بودن پیکسل های همسایه استفاده شد، برآورد شد. فیلتر مجاورت استاندارد مورد استفاده در مطالعه حاضر در رابطه (۳) نشان داده شده است.

سی o n t i g تو من__اف i l t e r (۵ \times ۵) = ⎡⎣⎢⎢⎢⎢⎢⎢ ۰ ۰ ۱ ۰ ۰ ۰ ۱ ۱ ۱ ۰ ۱ ۱ ۱ ۱ ۱ ۰ ۱ ۱ ۱ ۰ ۰ ۰ ۱ ۰ ۰ ⎤⎦⎥⎥⎥⎥⎥⎥

(۳)

در مطالعه حاضر، تصاویر طبقه‌بندی‌شده Landsat از سال‌های ۱۹۹۸، ۲۰۰۸ و ۲۰۱۸ به عنوان پارامترهای ورودی در مدل زنجیره مارکوف CA برای تولید یک ماتریس احتمال انتقال برای پیش‌بینی بیشتر سناریو برای سال ۲۰۲۸ استفاده می‌شوند. اعتبارسنجی CA Markov با استفاده از طبقه‌بندی‌شده انجام شد. تصویر سال ۲۰۱۸ با تصویر پیش بینی شده ۲۰۱۸، به منظور ارزیابی عملکرد مدل. چهار شاخص، کاپا برای عدم توانایی (κ _no )، کاپا استاندارد ( ک _{استاندارد} )، کاپا برای مکان (موقعیت κ ₎ ، و کاپا برای اقشار مکان (k _{locationstrata} ) برای یافتن صحت نتایج پیش‌بینی مشتق شدند.

۲٫۲٫۵٫ تجزیه و تحلیل تکه تکه شدن

کمی سازی تکه تکه شدن جنگل با استفاده از نسخه رستر نرم افزار تحلیل الگوی فضایی FRAGSTATS (نسخه ۴٫۲٫۱) [ ۷۰ ] انجام شد. تغییرات در طبقات پوشش جنگلی SWS در طول زمان در سطوح پچ، کلاس و منظر مشخص شد. کمی سازی و مقایسه پیکربندی فضایی قطعات جنگل بر اساس مجموعه معیارهای زیر است که پس از انجام مطالعات مختلف تکه تکه شدن جنگل انتخاب شده است [ ۷۱ ، ۷۲ ]. گفته می شود که این معیارها به تشریح جنگل ها حساس هستند و از این رو برای بررسی تکه تکه شدن در SWS استفاده می شوند. معیارهای انتخاب شده در جدول ۱ توضیح داده شده است.

روش مختصر اتخاذ شده در مطالعه حاضر در نمودار جریان ( شکل ۲ ) نشان داده شده است و جزئیات اجرای آن در زیر ارائه شده است.

۳٫ نتایج و بحث

۳٫۱٫ طبقه بندی پوشش جنگلی فضایی و زمانی و ارزیابی دقت

تصاویر طبقه بندی شده پوشش جنگل فضایی و زمانی برای سال های ۱۹۹۸، ۲۰۰۸، ۲۰۱۸ با استفاده از الگوریتم جنگل تصادفی تولید شد. شکل ۳ نقشه های پوشش جنگلی تولید شده را نشان می دهد. دقت کاربر و تولید کننده به همراه دقت کلی و ضریب کاپا برای تمام سال های ۱۹۹۸، ۲۰۰۸ و ۲۰۱۸ در شکل ۴ ارائه شده است.. دقت کاربر مربوط به خطای پورسانتی است که با تقسیم پیکسل طبقه بندی شده صحیح بر پیکسل آموزشی محاسبه شده است، دقت سازنده مربوط به خطای حذف است که با تقسیم پیکسل های طبقه بندی شده صحیح به تعداد کل پیکسل ها در کلاس خاص محاسبه می شود. و دقت کلی با تقسیم تعداد کل پیکسل های به درستی طبقه بندی شده با کل پیکسل های مرجع محاسبه شد. دقت کلی برای طبقه بندی پوشش جنگلی ۹۰٫۰ درصد برای سال ۱۹۹۸، ۹۶٫۶ درصد برای سال ۲۰۰۸، و ۹۴٫۸ درصد برای سال ۲۰۱۸، و ضریب کاپا به ترتیب ۸۸٫۵٪، ۹۵٫۹٪ و ۹۳٫۸٪ بود. از نظر دقت تولیدکننده برای سال ۱۹۹۸، کمترین مقادیر دقت تولیدکننده (۷۰ درصد) و دقت کاربر (۷۷ درصد) مربوط به جنگل انبوه است. برای طبقه بندی نقشه پوشش جنگلی ۲۰۰۸، تمام کلاس‌ها دقت کاربر و تولیدکننده را بیش از ۸۹ درصد نشان می‌دهند که طبقه‌بندی دقیقی را نشان می‌دهد. از نظر دقت کاربر در نقشه پوشش جنگلی ۲۰۱۸، همه طبقات بالای ۸۸ درصد بودند، باز هم نشان دهنده یک طبقه بندی خوب است. این نشان‌دهنده مناسب بودن تصاویر طبقه‌بندی‌شده Landsat برای تجزیه و تحلیل موثر و قابل اعتماد تشخیص تغییر و مدل‌سازی پیش‌بینی، با استفاده از الگوریتم CA-Markov است.

۳٫۲٫ مدل‌سازی پوشش جنگلی با استفاده از CA-Markov و اعتبارسنجی

نقشه های پوشش جنگلی شبیه سازی شده CA-Markov برای سال های ۲۰۱۸ و ۲۰۲۸ در شکل ۳ نشان داده شده است. شکل ۵ a خلاصه‌ای از ماتریس احتمال تبدیل پوشش جنگلی را برای همه کلاس‌ها در SWS که بین سال‌های ۱۹۹۸ و ۲۰۰۸ رخ داده است ارائه می‌کند. این ماتریس برای تولید نقشه پوشش جنگلی پیش‌بینی‌شده در سال ۲۰۱۸ استفاده شد . شکل ۵b ماتریس احتمال انتقال را برای دوره زمانی بین ۲۰۰۸ و ۲۰۱۸ نشان می دهد که سپس برای پیش بینی پوشش جنگلی آینده در سال ۲۰۲۸ استفاده شد. اعتبار سنجی نقشه های شبیه سازی شده CA-Markov با مقایسه نقشه های پوشش جنگلی پیش بینی شده در سال ۲۰۱۸ با نقشه پوشش جنگلی طبقه بندی شده جنگل تصادفی واقعی ۲۰۱۸٫ آمار طبقات مختلف تولید شده با استفاده از نقشه پوشش جنگلی پیش بینی شده ۲۰۱۸ و نقشه پوشش جنگلی مشاهده شده قابل مقایسه بود ( شکل ۶ ب). این نقشه‌های پوشش جنگلی تولید شده توسط CA-Markov را تأیید کرد، در نتیجه، اثربخشی آن را اثبات کرد و قدرت پیش‌بینی مدل را در پیش‌بینی سناریوی ۲۰۲۸ جنگل در SWS نشان داد. ابزارهای پیش‌بینی بسیار قوی عموماً دارای دقتی در حدود ۸۰% هستند [ ۷۳ ]. _{استاندارد} ۸۰% Kارزش صحت این مدل را تایید کرد. برای آزمایش دقت کلی مدل، مقدار K _no به عنوان یک جایگزین موثر برای _{استاندارد} K در نظر گرفته شد (Pontius Jr, 2000). عملکرد کلی مدل در پیش‌بینی نقشه پوشش جنگلی کاملاً رضایت‌بخش بود. _{این از K شماره} آن منعکس شد که ۸۱% تخمین زده شد. این مدل همچنین قادر به ارائه یک نمایش معقول از مکان بود که با مقدار _مکان K آن نشان داده شد ، یعنی ۸۱%. علاوه بر این، تفسیر بصری نتایج، اثربخشی مدل را برجسته کرد. پس از بررسی توانایی پیش‌بینی یک مدل تغییر زنجیره مارکوف یکپارچه، از آن برای شبیه‌سازی نقشه پوشش جنگلی ۲۰۲۸ SWS استفاده شد.

ماتریس های انتقال احتمال برای سال های ۱۹۹۸-۲۰۰۸ و ۲۰۰۸-۲۰۱۸ در شکل ۵ نشان داده شده است.، احتمال از ۰ تا ۱ متغیر بود. به شکل دایره نشان داده می شود. اندازه دایره نشان‌دهنده مقدار داده است، یعنی دایره بزرگتر تعداد داده‌هایی را که نگه می‌دارد بیشتر است، در حالی که نمایش رنگی انتقال احتمال بر اساس کلاس را نشان می‌دهد. انتقال طبقاتی در سه دوره زمانی مختلف نتیجه جالبی را نشان داد. هنگامی که انتقال جنگل باز به جنگل انبوه مشاهده شد، احتمال انتقال در سال‌های ۱۹۹۸-۲۰۰۸ بسیار کم بود. با این وجود، احتمال انتقال بین سال‌های ۲۰۰۸ تا ۲۰۱۸ به طور قابل‌توجهی افزایش یافت، که تغییر مثبتی را با توجه به بازیابی اکوسیستم نشان داد. در صورت انتقال جنگل های تخریب شده به زمین های بایر، احتمال در سال های ۱۹۹۸-۲۰۰۸ بسیار کم بود اما بین سال های ۲۰۰۸-۲۰۱۸ به شدت افزایش یافت.

۳٫۳٫ تجزیه و تحلیل تشخیص تغییر

آمار مساحتی برای طبقه بندی تصادفی جنگل برای سال های ۱۹۹۸، ۲۰۰۸، ۲۰۱۸ و ۲۰۲۸ (پیش بینی شده) در شکل ۶ الف ارائه شده است. نتایج دینامیک کلاس نشان داد که به ترتیب ۴۵/۳۸ درصد معادل ۲/۹۸ کیلومتر مربع ^و ۴۶/۱۷ درصد معادل ۵۸/۲۷ کیلومتر مربع ^در جنگل انبوه SWS از دوره ۱۹۹۸ تا ۲۰۰۸ و دوره ۲۰۰۸ تا ۲۰۱۸ کاهش یافته است. سناریوی پیش بینی شده جنگل انبوه برای سال ۲۰۲۸ کاهش ۱۱٫۳۸ درصدی را نشان می دهد، یعنی ۱۴٫۸۳ کیلومتر مربع ^در جنگل انبوه. در سال ۱۹۹۸، جنگل های انبوه ۳۴٫۹۸ درصد از مساحت مورد مطالعه را به خود اختصاص داده بود که در سال های ۲۰۰۸ و ۲۰۱۸ به ترتیب به ۲۱٫۵۷ درصد و ۱۷٫۸ درصد کاهش یافت. پیش‌بینی می‌شود که سطح زیر جنگل انبوه کاهش یابد و انتظار می‌رود که ۱۵٫۷۷ درصد، یعنی ۱۱۵٫۵۰ کیلومتر مربع را اشغال کند ^.از منطقه مورد مطالعه در سال ۲۰۲۸٫ آمار منطقه تجزیه و تحلیل چند زمانی، تخریب قابل توجهی را در جنگل انبوه SWS در طول سه دهه نشان داد. مساحت زیر جنگل باز افزایش بالایی را به میزان ۱۲۴٫۴ درصد نشان می دهد، یعنی ۸۶٫۱۷ کیلومتر مربع ^از سال ۱۹۹۸ تا ۲۰۰۸٫ از سال ۲۰۰۸ تا ۲۰۱۸، افزایش جزئی ۲٫۳ درصد، یعنی ۳٫۷۸ کیلومتر مربع ^.مشاهده شد. افزایش بسیار کمی در حدود ۱٪ بیشتر در سال ۲۰۲۸ پیش بینی شد. تکه های متراکم جنگل های SWS به جنگل باز تبدیل شدند. مشاهده شد که جنگل های تخریب شده در منطقه مورد مطالعه به تدریج افزایش می یابد. افزایش ۱۵٫۳ درصدی مساحت تخریب شده طی بازه زمانی ۱۹۹۸ تا ۲۰۰۸ و ۶٫۱ درصد افزایش از سال ۲۰۰۸ تا ۲۰۱۸ مشاهده شد. افزایش جزئی ۰٫۱٪ از سال ۲۰۱۸ تا سال ۲۰۲۸ پیش بینی شد. تجزیه و تحلیل طبقات پوشش غیر جنگلی به ترتیب ۶۳٫۷ درصد و ۱۶٫۴ درصد افزایش سطح زمین زراعی را از سال ۱۹۹۸ تا ۲۰۰۸ و از سال ۲۰۰۸ تا ۲۰۱۸ نشان داد. . افزایش بیشتر ۱۱٫۷٪ از سال ۲۰۱۸ تا ۲۰۲۸ پیش بینی شد. تغییرات در آمار زمین های بایر در طول دوره مورد مطالعه مشاهده شد. در حالی که بدنه آبی طی سال‌های ۱۹۹۸-۲۰۰۸ افزایش نشان داد و پس از آن کاهشی در مساحت اشغال شده برای دوره زمانی ۲۰۰۸-۲۰۱۸ مشاهده شد. پیش بینی آینده ۲۰۰۸-۲۰۲۸ نیز کاهش بیشتر در آب را ۲۴٫۹٪ نشان داد.

۳٫۴٫ تجزیه و تحلیل تکه تکه شدن در سطح پچ

در SWS، تغییرات قابل توجهی در توزیع لکه های جنگلی بین فواصل زمانی مشاهده شد ( جدول ۲). افزایش تعداد لکه های کوچکتر یکی از شاخص های اساسی تکه تکه شدن جنگل بود که عکس آن در منطقه مورد مطالعه حاضر مشاهده شد. کاهش کلی NP در هر سه کلاس پوشش جنگلی، یعنی. متراکم، باز و تخریب شده کاهش تکه تکه شدن SWS را برجسته می کند. در طول دوره اول مطالعه، یعنی ۱۹۹۸-۲۰۰۸، کل NP در جنگل های انبوه کاهش ۱۷٫۴٪ را نشان داد، جایی که لکه ها از ۱۷۴۹ به ۱۴۴۴ کاهش یافت. ۰٫۵٪ در طول دوره دوم (۲۰۰۸-۲۰۱۸). کاهش از ۱۴۳۷ به ۸۹۲ (۳۷٫۹٪) برای دوره سوم، یعنی ۲۰۱۸-۲۰۲۸ پیش بینی شده بود.

در سال ۱۹۹۸ تنها ۱۸٫۹ درصد از جنگل های زیر پوشش گیاهی متراکم در تکه های کوچک بین ۰ تا ۱۰۰ هکتار متمرکز شده بود و نسبت بیشتری از TA در حدود ۵۵ درصد توسط تکه تکه ای با اندازه بزرگتر از ۲۰۰۰ هکتار پوشانده شد. در سال ۲۰۰۸، TA در طبقه بندی اندازه، به عنوان مثال، ۰-۱۰۰، ۱۰۰-۲۰۰، ۲۰۰-۵۰۰ افزایش یافت، و دسته های باقی مانده کاهش در TA را نشان دادند. در سال ۲۰۱۸، ۵۲٫۲٪ TA از جنگل های انبوه در لکه های کمتر از ۱۰۰ هکتار و ۳۳٫۴٪ جنگل انبوه در اندازه تکه های ۱۰۰-۲۰۰ هکتار یافت شد. آمار TA از لکه‌های جنگل انبوه پیش‌بینی‌شده برای سال ۲۰۲۸ پیش‌بینی می‌کند که ۵۷٫۳ درصد از جنگل‌های انبوه زیر اندازه لکه کمتر از ۱۰۰، ۳۴٫۴ درصد در دسته اندازه لکه‌های ۱۰۰ تا ۲۰۰ هکتار خواهد بود و هیچ قطعه بزرگ‌تر از اندازه لکه وجود نخواهد داشت. از ۱۰۰۰٫

تعداد لکه‌ها هنگام تجزیه و تحلیل برای جنگل‌های باز، تغییراتی را نشان داد. کل NP از ۳۰۳۴ به ۳۳۲۲ (۹٫۵٪) در طول ۱۹۹۸-۲۰۰۸ افزایش یافت. این رخداد تکه تکه شدن را در اولین دوره زمانی ۱۹۹۸-۲۰۰۸ نشان داد. در دوره زمانی دوم یعنی از سال ۲۰۰۸ تا ۲۰۱۸، کل NP از ۳۳۲۲ به ۲۷۳۰ کاهش یافت که ۱۷٫۸ درصد کاهش در جنگل های باز را به خود اختصاص داد. این به کنترل در پراکندگی در این دوره اشاره کرد. پیش‌بینی می‌شود که NP در سال ۲۰۲۸ از ۲۷۳۰ به ۱۴۱۵ کاهش یابد، یعنی کاهش ۴۸٫۲ درصدی، که باز هم نشان‌دهنده کاهش تکه تکه شدن است. افزایش در تکه های کوچکتر بین ۰-۱۰۰ هکتار در طول ۱۹۹۸-۲۰۰۸ مشاهده شد، جایی که NP از ۳۰۳۱ به ۳۲۹۵ افزایش یافت. مساحت جنگل باقی مانده در تکه های جدا شده بزرگتر از ۱۰۰ هکتار و کمتر از ۲۰۰ هکتار رخ داده است. در سال ۲۰۰۸، ۵۲٫۶% TA جنگل باز مشاهده شد که دارای اندازه لکه کمتر از ۱۰۰ بود، ۳۲٫۱% TA با اندازه لکه ۱۰۰-۲۰۰ هکتار بود، و تنها سه قطعه بیشتر از اندازه لکه ۲۰۰ هکتار بود. در سال ۲۰۱۸، ۲۸٫۸ درصد TA با اندازه لکه ۰-۱۰۰ و ۱ پچ که ۲۸٫۸ درصد TA جنگل های باز را پوشش می دهد، بزرگتر از ۲۰۰۰ هکتار بود. پیش بینی وضعیت تکه تکه شدن ۲۰۲۸ افزایش TA (41٪) را با اندازه پچ بیش از ۲۰۰۰ هکتار نشان داد.

کاهش در کل NP تحت کلاس پوشش جنگل تخریب شده از ۳۰۲۹ به ۲۵۴۹ (۱۵٫۵٪ کاهش) در طول ۱۹۹۸-۲۰۰۸ مشاهده شد. دوره زمانی ۲۰۰۸-۲۰۱۸ کاهش ۵ درصدی در NP جنگل های تخریب شده را نشان داد. کاهش قابل توجهی در NP بین دوره های زمانی ۲۰۱۸-۲۰۲۸ پیش بینی شد. در سال ۱۹۹۸، بیشترین TA (37.3%) توسط دو لکه با وسعت بیش از ۲۰۰۰ هکتار اشغال شد. سه قطعه با اندازه بزرگتر از ۲۰۰۰ هکتار بالاترین نسبت TA را در سال های ۲۰۰۸ و ۲۰۱۸ به خود اختصاص دادند. در سال ۲۰۲۸، TA مجدداً به عنوان بالاترین، یعنی ۶۰٫۳٪ در همان دسته اندازه پچ شامل ۳ قطعه پیش بینی شد. در SWS، تجزیه و تحلیل تکه تکه شدن در سطح پچ با استفاده از دو معیار، یعنی TA و NP، کاهش کلی در تکه تکه شدن را نشان داد. این امر تاکید کرد که جنگل در پناهگاه حیات وحش تا حد زیادی تحت نظارت است.

۳٫۵٫ تجزیه و تحلیل تکه تکه شدن در سطح کلاس

تجزیه و تحلیل تکه تکه شدن سطح طبقات کلاس های پوشش جنگل در مقیاس چند زمانی، زمانی که با استفاده از دوازده معیار یعنی NP، GYRATE، PARA، PD، AI، IJI، NLSI، CLUMPY، CONTIG، ED، CORE و ENN انجام شد، کاهشی را نشان داد. تکه تکه شدن جنگل در SWS ( شکل ۷ ). همانطور که در تجزیه و تحلیل سطح پچ بحث شد، NP در جنگل های متراکم و تخریب شده از سال ۱۹۹۸ تا ۲۰۱۸ کاهش یافته است و پیش بینی می شود که در سال ۲۰۲۸ کاهش بیشتری داشته باشد، طبق نتیجه تکه تکه شدن نقشه شبیه سازی شده CA-Markov. تکه تکه شدن در کلاس های باز در بازه زمانی ۱۹۹۸-۲۰۰۸ مشاهده شد، همانطور که از افزایش NP منعکس شد، که به نظر می رسید بعدا نظارت شود، همانطور که توسط NP کاهش یافته از ۲۰۰۸-۲۰۱۸ نشان داده شد. پیش‌بینی می‌شود که تکه تکه شدن از ۲۰۱۸ تا ۲۰۲۸ بیشتر کاهش یابد.

GYRATE با تکه تکه شدن جنگل رابطه معکوس دارد. تجزیه و تحلیل ما از سه بازه زمانی، افزایش مقادیر GYRATE را در تمام طبقات پوشش جنگلی در یک دوره زمانی نشان داد. مقادیر بالاتر PARA نشانگر تکه تکه شدن بود. کاهش در مقادیر PARA در هر سه پوشش جنگلی مشاهده شد، به جز در طول ۱۹۹۸-۲۰۰۸ که در آن PARA مقادیر افزایشی را نشان داد. روند کاهشی در PD جنگل‌های انبوه مشاهده شد که در آن مقادیر از ۲٫۴۱ به ۱٫۹۸ از سال ۱۹۹۸ تا ۲۰۱۸ کاهش یافت و پیش‌بینی شد که در سال ۲۰۲۸ به ۰٫۶۸ کاهش یابد. در جنگل‌های تخریب‌شده نیز PD به تدریج کاهش یافت. در جنگل های باز، PD از ۴٫۱۸ به ۴٫۵۷ در سال های ۱۹۹۸-۲۰۰۸ افزایش یافت و سپس ارزش به ۳٫۷۶ در سال ۲۰۱۸ کاهش یافت. در سال ۲۰۲۸، به ۱٫۰۸ کاهش یافت. هوش مصنوعی روند صعودی را نشان داد که نشان دهنده کاهش پراکندگی است. تغییرات در برآورد IJI مشاهده شد. NLSI مجدداً از سال ۱۹۹۸ تا ۲۰۲۸ روند کاهشی را در تمام طبقات پوشش جنگلی نشان داد، و CLUMPY افزایشی را در ارزش آن نشان داد، به جز در طول سال‌های ۱۹۹۸-۲۰۰۸، جایی که مقادیر بالاتری در سال ۲۰۰۸ در جنگل‌های انبوه مشاهده شد. پارامترهای دیگر یعنی CONTIG، ENN، و CORE همچنین کاهش تکه تکه شدن را نشان دادند که نشان دهنده افزایش مقادیر آنها از سال ۱۹۹۸ تا ۲۰۱۸ بود. پیش‌بینی می‌شد که مقادیر این معیارها از ۲۰۱۸ تا ۲۰۲۸ بیشتر افزایش یابد. ED یک رابطه معکوس با تکه تکه شدن نشان داد. مقادیر ED روند کاهشی را از سال ۱۹۹۸ تا ۲۰۰۸ در سه طبقه پوشش جنگلی به استثنای جنگل باز نشان داد. جایی که مقادیر بالاتری در سال ۲۰۰۸ در جنگل های انبوه مشاهده شد. پارامترهای دیگر یعنی CONTIG، ENN، و CORE همچنین کاهش تکه تکه شدن را نشان دادند که نشان دهنده افزایش مقادیر آنها از سال ۱۹۹۸ تا ۲۰۱۸ بود. پیش‌بینی می‌شد که مقادیر این معیارها از ۲۰۱۸ تا ۲۰۲۸ بیشتر افزایش یابد. ED یک رابطه معکوس با تکه تکه شدن نشان داد. مقادیر ED روند کاهشی را از سال ۱۹۹۸ تا ۲۰۰۸ در سه طبقه پوشش جنگلی به استثنای جنگل باز نشان داد. جایی که مقادیر بالاتری در سال ۲۰۰۸ در جنگل های انبوه مشاهده شد. پارامترهای دیگر یعنی CONTIG، ENN، و CORE همچنین کاهش تکه تکه شدن را نشان دادند که نشان دهنده افزایش مقادیر آنها از سال ۱۹۹۸ تا ۲۰۱۸ بود. پیش‌بینی می‌شد که مقادیر این معیارها از ۲۰۱۸ تا ۲۰۲۸ بیشتر افزایش یابد. ED یک رابطه معکوس با تکه تکه شدن نشان داد. مقادیر ED روند کاهشی را از سال ۱۹۹۸ تا ۲۰۰۸ در سه طبقه پوشش جنگلی به استثنای جنگل باز نشان داد.

تجزیه و تحلیل کلی کاهش تکه تکه شدن را نشان داد، همانطور که از روند نزولی در برآوردهای کمی معیارها مشخص شد. NP، PARA، PD، IJI، NLSI، و ED و یک روند صعودی در معیارها یعنی. GYRATE، AI، CLUMPY، ENN، CONTIG، و CORE با تغییرات جزئی.

۳٫۶٫ تجزیه و تحلیل تکه تکه شدن در سطح چشم انداز

از آنجایی که تمرکز مطالعه بر روی تکه تکه شدن جنگل باقی ماند، بنابراین تجزیه و تحلیل سطح چشم انداز در SWS به سه کلاس پوشش جنگل، یعنی جنگل انبوه، جنگل باز، و جنگل تخریب شده محدود شد. شکل ۸ تحلیل روند معیارهای مختلف چشم انداز را نشان می دهد. کاهش تدریجی NP، PD، ED و LSI مشاهده شد. PARA و IJI نیز کاهش کلی را با تغییرات جزئی نشان دادند. افزایش در مقادیر معیارها یعنی GYRATE، CORE، ENN، AREA، AI و PLADJ مشاهده شد. نتایج کلی کاهش تکه تکه شدن را از سال ۱۹۹۸ تا ۲۰۱۸ نشان می دهد. تجزیه و تحلیل روند این معیارها همچنین نشان دهنده کاهش بیشتر در پراکندگی در سال ۲۰۲۸ است.

تکه تکه شدن به عنوان یک روش مهم در فرآیند جهانی تخریب چشم انداز در نظر گرفته می شود که توسط تغییرات محیطی و فرآیندهای اجتماعی-اقتصادی مانند تغییرات جهانی، شهرنشینی و بهبود زیرساخت های حمل و نقل هدایت می شود. گفته می شود بسیاری از فعالیت های انسانی مسئول این تخریب هستند. عوامل مختلف اقتصاد کلان، جمعیت شناختی، فناوری، نهادی و سیاسی عوامل محرک این فعالیت های انسانی هستند که مسئول تخریب جنگل هستند [ ۷۴ ، ۷۵ ].]. نتایج تجزیه و تحلیل تکه تکه شدن در هر سه سطح وصله، کلاس و منظره کاهش در تکه تکه شدن SWS را برجسته می کند. این نشان می دهد که تکه تکه شدن در پناهگاه به خوبی کنترل می شود که به دلیل شیوه های مدیریتی خاص اتخاذ شده در منطقه است. دلایل اصلی تخریب جنگل ها در هند توسط دولت ایالت گجرات به خوبی ذکر شده است. اینها شامل پیوند حیاتی معیشت و جنگل یک جنگل بزرگ وابسته، بهره برداری از محصولات جنگلی فراتر از ظرفیت حمل آن به دلیل شکاف تقاضا و عرضه، آتش سوزی های مکرر جنگل ها، چرای بیش از حد کنترل نشده و بی بند و بار، قطع غیرقانونی، و انحراف زمین های جنگلی به زمین های دیگر است. استفاده می کند [ ۷۶]. حتی برخی از شیوه های مدیریت جنگل در گذشته که تخریب را افزایش می دهد، مورد توجه قرار گرفت. این عوامل می توانند جنگل-تنوع زیستی را تا حد زیادی از بین ببرند و در نتیجه می توانند جنگل ها را تخریب کنند. دولت در حال حاضر اقدامات قابل توجهی برای نظارت بر جنگل ها انجام داده است. اینها شامل حفاظت در محل و در محل، جنگل کاری/کاشتکاری، جنگلداری اجتماعی/جامعه/مزرعه، مدیریت مشترک جنگل (JFM)، پرداختن به مسائل درگیر در بخش های فرعی مانند مراتع و حرا، ایجاد مناطق حفاظت شده، بهبود سیاست ها، مقررات قانونی است. و غیره. SWS یکی از نقاط داغ تنوع زیستی است و بنابراین طبق قانون تنوع زیستی زیستی، ۲۰۰۲، بخش ۳۷، تحت مدیریت و مکان های حفاظتی در نظر گرفته می شود. وضعیت موجود در حفاظت از SWS توسط گجرات به خوبی حفظ شده است. حالت. معرفی دو روش مهم مدیریت جنگل،۷۷ ، ۷۸ ] حفاظت از تنوع زیستی در جنگل های جنگل های نارمادا را به طور قابل توجهی بهبود بخشید. این امر باعث می شود SWS یک منطقه حفاظت شده بهتر باشد و بنابراین می تواند دلیلی برای کاهش تکه تکه شدن در SWS باشد. نتایج مطالعه حاضر نیز توسط یک مطالعه قبلی پشتیبانی می شود، که در آن تکه تکه شدن کم در پناهگاه مشاهده شد [ ۷۹ ]. چنین نتایجی همچنین در مطالعه‌ای که در سایر پارک‌های ملی انجام شد، مشاهده شد، جایی که در مقایسه با مناطق غیرپارک، تکه تکه شدن کمتری در پارک ثبت شد [ ۸۰ ].

۴٫ نتیجه گیری

طبقه‌بندی تصادفی جنگل بر روی تصاویر Landsat برای ترسیم تغییرات پوشش جنگلی فضایی و زمانی در سال‌های ۱۹۹۸، ۲۰۰۸ و ۲۰۱۸ در SWS اعمال شد. در همین حال، مدل ترکیبی یکپارچه CA-Markov Chain برای پیش‌بینی یک سناریوی پوشش جنگلی آینده استفاده شد. تحلیل حاضر بر این فرض استوار بود که وضعیت در آینده بدون تغییر باقی می‌ماند و روند مشابه آنچه برآورد شده باقی می‌ماند، اما همیشه اینطور نبود. ماتریس احتمال انتقال تولید شده بین سال‌های ۱۹۹۸-۲۰۰۸ و ۲۰۰۸-۲۰۱۸ تغییر ناپایداری را در برخی از انتقال‌های متغیر نشان داد، بنابراین، آموزش دقیق مدل‌ها در حین پیش‌بینی سناریوهای آینده انجام شد. ماتریس احتمال انتقال به دست آمده از تصاویر طبقه بندی شده SWS در سال های ۱۹۹۸، ۲۰۰۸ و ۲۰۱۸ تغییرات را در کلاس های مختلف با زمان نشان داد. و ماتریس انتقال بیشتر برای پیش‌بینی وضعیت پوشش جنگل در سال‌های ۲۰۱۸ و ۲۰۲۸ استفاده شد. این تصویر پیش‌بینی‌شده سال ۲۰۱۸ با تصویر پوشش جنگلی طبقه‌بندی‌شده سال ۲۰۱۸ برای اعتبار مدل پیش‌بینی مقایسه شد. نقشه‌های پوشش جنگلی سال‌های ۱۹۹۸، ۲۰۰۸، ۲۰۱۸ و نقشه پیش‌بینی‌شده سال ۲۰۲۸ برای بررسی سناریوی تکه تکه‌شدن گذشته و آینده در SWS تحت نرم‌افزار Fragstats قرار گرفت. به طور کلی، نتایج آمار تکه تکه شدن به وضوح کاهش تکه تکه شدن در مناطق جنگلی SWS را طی سال‌های ۱۹۹۸، ۲۰۰۸ و ۲۰۱۸ نشان می‌دهد. روند تخریب جنگل وجود داشت که در مطالعه حاضر نیز مشاهده شد. نشان داد تخریب جنگل در حال رخ دادن است اما میزان تخریب جنگل به تدریج در حال کاهش است. و با کاهش قطعات جنگل می توان آن را نشانه مثبتی برای اکوسیستم منطقه دانست. همانطور که در ماتریس احتمال انتقال نشان داده شده است، جنگل های باز با گذشت زمان در حال افزایش هستند و زمین های بایر به تدریج در حال تبدیل شدن به جنگل های باز و زمین های زراعی هستند. بر اساس تحلیل حاضر، پیش‌بینی می‌شود که در سال ۲۰۲۸ این تقسیم‌بندی کاهش بیشتری پیدا کند. با استفاده از نتایج مطالعه حاضر می توان چارچوبی برای شیوه های حفاظتی آینده پیاده سازی کرد. طبق اطلاعات ما، مسئولان جنگل SWS از این نیاز آگاه هستند و اقدامات مدیریتی و حفاظتی را با موفقیت در پناهگاه پیاده‌سازی کرده‌اند. این امر می تواند پیامد خوبی برای مسئولان جنگل های سایر قرق های کشور و سایر کشورها باشد.

منابع

کیران، جی اس. مالی، RKM ارزیابی اقتصادی خاک های جنگلی. Curr. علمی ۲۰۱۱ ، ۱۰۰ ، ۳۹۶-۳۹۹٫ [ Google Scholar ]
لوئیس، اس ال. ادواردز، DP; Galbraith، D. افزایش تسلط انسان بر جنگل های استوایی. Science ۲۰۱۵ ، ۳۴۹ ، ۸۲۷-۸۳۲٫ [ Google Scholar ] [ CrossRef ]
Fahrig, L. اثرات تکه تکه شدن زیستگاه بر تنوع زیستی. آنو. کشیش اکول. تکامل. سیستم ۲۰۰۳ ، ۳۴ ، ۴۸۷-۵۱۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
فورمن، RT; گادرون، ام. اکولوژی چشم انداز ; جان وایلی و پسران: نیویورک، نیویورک، ایالات متحده آمریکا، ۱۹۸۶; جلد ۴، ص ۲۲-۲۸٫ [ Google Scholar ]
Haila, Y. جزایر و قطعات. در حفظ تنوع زیستی در اکوسیستم های جنگلی ; انتشارات دانشگاه کمبریج: کمبریج، انگلستان، ۱۹۹۹٫ [ Google Scholar ]
آناند، ا. ملحی، RKM; پاندی، رایانه شخصی؛ پتروپولوس، GP; پاولیدس، آ. شارما، جی کی. Srivastava، PK استفاده از Hyperion برای ارزیابی ذخایر کربن جنگل حرا در ذخیره‌گاه جنگلی Bhitarkanika: کمکی به ابتکار کربن آبی. Remote Sens. ۲۰۲۰ , ۱۲ , ۵۹۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
پاندی، رایانه شخصی؛ آناند، ا. Srivastava، PK توزیع فضایی گونه‌های جنگل حرا و ارزیابی زیست توده با استفاده از فهرست میدانی و داده‌های فراطیفی مشاهده زمین. تنوع زیستی حفظ کنید. ۲۰۱۹ ، ۲۸ ، ۲۱۴۳-۲۱۶۲٫ [ Google Scholar ] [ CrossRef ]
فولی، جی. دفریس، آر. آسنر، GP; بارفورد، سی. بونان، جی. کارپنتر، اس آر. چاپین، FS; Coe, MT; روزانه، GC; گیبس، هنگ کنگ پیامدهای جهانی استفاده از زمین. Science ۲۰۰۵ ، ۳۰۹ ، ۵۷۰-۵۷۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
وید، تی جی؛ Riitters، KH; ویکهام، جی دی. جونز، KB توزیع و علل تکه تکه شدن جنگل جهانی. حفظ کنید. Ecol. ۲۰۰۳ ، ۷ ، ۷٫ [ Google Scholar ] [ CrossRef ]
گامفلد، ال. اسنال، تی. باغچی، ر. جانسون، ام. گوستافسون، ال. Kjellander، P. رویز-جین، ام سی; فروبرگ، ام. استندال، جی. Philipson، CD سطوح بالاتری از خدمات اکوسیستمی متعدد در جنگل‌هایی با گونه‌های درختی بیشتر یافت می‌شود. نات. اشتراک. ۲۰۱۳ ، ۴ ، ۱-۸٫ [ Google Scholar ] [ CrossRef ]
مارکتی، ام. سالوستیو، ال. اتاویانو، م. برباتی، ع. کرونا، پی. توگنتی، آر. زاواترو، ال. کاپوتورتی، جی. ترسیب کربن توسط جنگل‌ها در پارک‌های ملی ایتالیا. گیاه بیوسیست. بین المللی جی. معامله. همه Asp. گیاه بیول. ۲۰۱۲ ، ۱۴۶ ، ۱۰۰۱-۱۰۱۱٫ [ Google Scholar ] [ CrossRef ]
Benitez-Malvido، J. تاثیر تکه تکه شدن جنگل بر فراوانی نهال در یک جنگل بارانی استوایی. حفظ کنید. Biol. ۱۹۹۸ ، ۱۲ ، ۳۸۰-۳۸۹٫ [ Google Scholar ] [ CrossRef ]
Laurance، WF; ناسیمنتو، HE; Laurance, SG; آندراده، ا. اورز، RM; هارمز، KE; لوئیزائو، آرسی ریبیرو، تکه تکه شدن زیستگاه JE، اثرات لبه متغیر، و فرضیه واگرایی چشم انداز. PLoS ONE ۲۰۰۷ ، ۲ ، e1017. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Loynl، RH; مک آلپاین، سی. الگوهای فضایی و تکه تکه شدن: شاخص هایی برای حفظ تنوع زیستی در جنگل. معیارهای شاخص. حفظ کنید. برای. مدیریت ۲۰۰۱ ، ۷ ، ۳۹۱٫ [ Google Scholar ]
آزودو، ج. پررا، ق. پینتو، کارشناسی ارشد مناظر جنگلی و تغییرات جهانی: چالش‌ها برای تحقیق و مدیریت . Springer: برلین، آلمان، ۲۰۱۴٫ [ Google Scholar ]
روشل، جی. Lehmann، LA; Wisniewski، J. تکه تکه شدن جنگل: حیات وحش و مفاهیم مدیریت . بریل: لیدن، هلند، ۱۹۹۹٫ [ Google Scholar ]
Forman, R. Land Mosaics: اکولوژی مناظر و مناطق (۱۹۹۵). در کتاب خوان طراحی و برنامه ریزی زیست محیطی ; IslandPress: واشنگتن، دی سی، ایالات متحده آمریکا، ۲۰۱۴; ص ۲۱۷-۲۳۴٫ [ Google Scholar ]
هریس، LD; Harris, LD The Fragmented Forest: Island Biogeography Theory and the Preservation of Biotic Diversity ; انتشارات دانشگاه شیکاگو: شیکاگو، IL، ایالات متحده آمریکا، ۱۹۸۴٫ [ Google Scholar ]
هیل، جی. Curran, P. ترکیب گونه در جنگل های تکه تکه شده: پیامدهای حفاظت از تغییر منطقه جنگلی. Appl. Geogr. ۲۰۰۱ ، ۲۱ ، ۱۵۷-۱۷۴٫ [ Google Scholar ] [ CrossRef ]
Pontius, RG, Jr. مقایسه نقشه های طبقه بندی شده. فتوگرام مهندس Remote Sens. ۲۰۰۰ , ۶۶ , ۱۰۱۱–۱۰۱۶٫ [ Google Scholar ]
آچارد، اف. هانسن، MC نظارت بر جنگل جهانی از رصد زمین ؛ CRC Press: Boca Raton، FL، USA، ۲۰۱۲٫ [ Google Scholar ]
Dougherty، ER; نیول، جی تی. طبقه‌بندی پیکسل‌های حداکثر احتمال مبتنی بر بافت مورفولوژیکی Pelz، JB بر اساس گشتاورهای گرانولومتری محلی. تشخیص الگو ۱۹۹۲ ، ۲۵ ، ۱۱۸۱-۱۱۹۸٫ [ Google Scholar ] [ CrossRef ]
Specht، DF یک شبکه عصبی رگرسیون عمومی. IEEE Trans. شبکه عصبی ۱۹۹۱ ، ۲ ، ۵۶۸-۵۷۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
منارد، اس . تحلیل رگرسیون لجستیک کاربردی ; Sage: Thousand Oaks، CA، USA، ۲۰۰۲; جلد ۱۰۶٫ [ Google Scholar ]
هوانگ، سی. دیویس، ال. تاونشند، جی. ارزیابی ماشین‌های بردار پشتیبان برای طبقه‌بندی پوشش زمین. بین المللی J. Remote Sens. ۲۰۰۲ ، ۲۳ ، ۷۲۵-۷۴۹٫ [ Google Scholar ] [ CrossRef ]
کاموسوکو، سی. آنیا، م. آدی، بی. Manjoro, M. پایداری روستایی تحت تهدید در زیمبابوه-شبیه‌سازی تغییرات کاربری/پوشش زمین در آینده در منطقه Bindura بر اساس مدل اتوماتای سلولی مارکوف. Appl. Geogr. ۲۰۰۹ ، ۲۹ ، ۴۳۵-۴۴۷٫ [ Google Scholar ] [ CrossRef ]
Kantakumar، LN; Neelamsetti، P. طبقه بندی کاربری چند زمانی با استفاده از رویکرد ترکیبی. مصر. J. Remote Sens. Space Sci. ۲۰۱۵ ، ۱۸ ، ۲۸۹-۲۹۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
بریمن، L. جنگل های تصادفی. ماخ فرا گرفتن. ۲۰۰۱ ، ۴۵ ، ۵-۳۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
فنگ، Q. لیو، جی. سنجش از دور پهپاد Gong، J. برای نقشه برداری پوشش گیاهی شهری با استفاده از تحلیل تصادفی جنگل و بافت. Remote Sens. ۲۰۱۵ ، ۷ ، ۱۰۷۴–۱۰۹۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کاموسوکو، سی. گامبا، ج. شبیه سازی رشد شهری با استفاده از مدل تصادفی جنگل سلولی اتوماتای (RF-CA). ISPRS Int. J. Geo-Inf. ۲۰۱۵ ، ۴ ، ۴۴۷-۴۷۰٫ [ Google Scholar ] [ CrossRef ]
رودریگز، جی دی. پرز، آ. لوزانو، JA تحلیل حساسیت اعتبار سنجی متقاطع k برابر در تخمین خطای پیش بینی. IEEE Trans. الگوی مقعدی ماخ هوشمند ۲۰۰۹ ، ۳۲ ، ۵۶۹-۵۷۵٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
رویز هرناندز، IE; شی، دبلیو. یک روش طبقه‌بندی تصادفی جنگل‌ها برای نقشه‌برداری کاربری اراضی شهری با ادغام معیارهای فضایی و تحلیل بافت. بین المللی J. Remote Sens. ۲۰۱۸ , ۳۹ , ۱۱۷۵–۱۱۹۸٫ [ Google Scholar ] [ CrossRef ]
بیشتر از.؛ رانا، DP بررسی تکنیک های طبقه بندی تصادفی جنگل برای رفع عدم تعادل داده ها. در مجموعه مقالات اولین کنفرانس بین المللی سیستم های هوشمند و مدیریت اطلاعات ۲۰۱۷ (ICISIM)، ماهاراشترا، هند، ۵ تا ۶ اکتبر ۲۰۰۷٫ ص ۷۲-۷۸٫ [ Google Scholar ]
رنجان، AK; آناند، ا. والیسری، اس. تشخیص تغییر سینگ، RK LU/LC و تجزیه و تحلیل تخریب جنگل در پناهگاه حیات وحش دالما با استفاده از فناوری ۳S: مطالعه موردی در جمشدپور-هند. Geosci را هدف قرار می دهد. ۲۰۱۶ ، ۲ ، ۲۷۳-۲۸۵٫ [ Google Scholar ] [ CrossRef ]
Mishra، VN; پراساد، ر. کومار، پی. گوپتا، DK; Srivastava، PK داده‌های SAR باند C دو قطبی برای طبقه‌بندی کاربری/پوشش زمین با ترکیب اطلاعات بافتی. محیط زیست علوم زمین ۲۰۱۷ ، ۷۶ ، ۲۶٫ [ Google Scholar ] [ CrossRef ]
رنجان، AK; آناند، ا. کومار، PBS; Verma, SK; مورمو، ال. پیش بینی دمای سطح زمین در شهر سان شهر جودپور (راجستان) در هند با استفاده از ادغام شبکه عصبی مصنوعی و فناوری ژئوانفورماتیک. آسیایی J. Geoinform. ۲۰۱۸ ، ۱۷ ، ۱۴-۲۳٫ [ Google Scholar ]
Wolfram, S. Cellular Automata and Complexity: Collected Papers ; CRC Press: Boca Raton، FL، USA، ۲۰۱۸٫ [ Google Scholar ]
سوزوکی، جی. تحلیل زنجیره ای مارکوف بر روی الگوریتم های ژنتیک ساده. IEEE Trans. سیستم ManCybern. ۱۹۹۵ ، ۲۵ ، ۶۵۵-۶۵۹٫ [ Google Scholar ] [ CrossRef ]
ورهاگن، پی. مطالعات موردی در مدل‌سازی پیش‌بینی باستان‌شناختی . انتشارات دانشگاه آمستردام: آمستردام، هلند، ۲۰۰۷; جلد ۱۴٫ [ Google Scholar ]
Halmy، MWA؛ Gessler، PE; هیکه، جی. Salem، BB شناسایی و پیش‌بینی تغییر کاربری/پوشش زمین در بیابان ساحلی شمال غربی مصر با استفاده از Markov-CA. Appl. Geogr. ۲۰۱۵ ، ۶۳ ، ۱۰۱-۱۱۲٫ [ Google Scholar ] [ CrossRef ]
وازکوئز-کوینترو، جی. سولیس-مورنو، آر. پومپا-گارسیا، م. ویارئال-گررو، اف. پیندو آلوارز، سی. Pinedo-Alvarez, A. تشخیص و طرح تغییرات جنگل با استفاده از مدل زنجیره مارکوف و اتوماتای سلولی. Sustainability ۲۰۱۶ , ۸ , ۲۳۶٫ [ Google Scholar ] [ CrossRef ][ Green Version ]
کابرال، پ. فرآیندهای زامیاتین، آ. مارکوف در مدل‌سازی تغییرات کاربری و پوشش زمین در سینترا کاسکای، پرتغال. Dyna ۲۰۰۹ ، ۷۶ ، ۱۹۱-۱۹۸٫ [ Google Scholar ]
گلن لوین، دی سی؛ Peet، RK; Veblen، TT Plant Succession: Theory and Prediction ; Springer Science & Business Media: برلین/هایدلبرگ، آلمان، ۱۹۹۲; جلد ۱۱٫ [ Google Scholar ]
هو، ز. Lo, C. مدلسازی رشد شهری در آتلانتا با استفاده از رگرسیون لجستیک. محاسبه کنید. محیط زیست سیستم شهری ۲۰۰۷ ، ۳۱ ، ۶۶۷-۶۸۸٫ [ Google Scholar ] [ CrossRef ]
کوچیسا، جی. پوپوویسی، ای.-آ. بالتئانو، دی. دومیتراشکو، م. گریگورسکو، آی. Mitrică، B. ارزیابی احتمال تغییر پوشش جنگلی آینده در رومانی، پیش‌بینی شده با استفاده از مدل‌سازی مبتنی بر سناریو. محیط زیست مدل. ارزیابی کنید. ۲۰۱۹ ، ۱–۲۱٫ [ Google Scholar ] [ CrossRef ]
Lepš، J. مدل‌سازی ریاضی جانشینی اکولوژیکی – مروری. Folia Geobot. Et Phytotaxon. ۱۹۸۸ ، ۲۳ ، ۷۹-۹۴٫ [ Google Scholar ] [ CrossRef ]
لیو، ی. مدلسازی توسعه شهری با سیستم های اطلاعات جغرافیایی و اتوماتای سلولی . CRC Press: Boca Raton، FL، USA، ۲۰۰۸٫ [ Google Scholar ]
گوان، دی. لی، اچ. اینوهه، تی. سو، دبلیو. نگائی، تی. هوکائو، ک. مدل‌سازی تغییر کاربری زمین شهری با ادغام خودکار سلولی و مدل مارکوف. Ecol. مدل. ۲۰۱۱ ، ۲۲۲ ، ۳۷۶۱-۳۷۷۲٫ [ Google Scholar ] [ CrossRef ]
کشتکار، ح. وویگت، دبلیو. تحلیل فضایی و زمانی تغییر منظر با استفاده از زنجیره مارکوف یکپارچه و مدل‌های اتوماتای سلولی. مدل. سیستم زمین محیط زیست ۲۰۱۶ ، ۲ ، ۱۰٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
میتسوا، دی. شوستر، دبلیو. وانگ، ایکس. مدل اتوماتای سلولی تغییر پوشش زمین برای ادغام رشد شهری با حفاظت از فضای باز. Landsc. طرح شهری. ۲۰۱۱ ، ۹۹ ، ۱۴۱-۱۵۳٫ [ Google Scholar ] [ CrossRef ]
سبدی، پ. سبدی، ک. Thapa، B. کاربرد یک مدل ترکیبی خودکار-مارکوف سلولی (CA-Markov) در پیش‌بینی تغییر کاربری زمین: مطالعه موردی حوضه زهکشی Saddle Creek، فلوریدا. Appl. Ecol. محیط زیست علمی ۲۰۱۳ ، ۱ ، ۱۲۶-۱۳۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
چاکر، جی. سیوریکایا، اف. Keleş، S. تغییر پوشش جنگلی و تکه تکه شدن با استفاده از داده های Landsat در شرکت جنگل دولتی Maçka در ترکیه. محیط زیست نظارت کنید. ارزیابی کنید. ۲۰۰۸ ، ۱۳۷ ، ۵۱-۶۶٫ [ Google Scholar ] [ CrossRef ]
اوجویی، م. اودیندی، ج. موتانگا، او. عبدالرحمن، E. تجزیه و تحلیل تکه تکه شدن در نقاط حساس تنوع زیستی آسیب پذیر در تانزانیا از سال ۱۹۷۵ تا ۲۰۱۲ با استفاده از سنجش از دور و fragstats. نات. حفظ کنید. ۲۰۱۶ ، ۱۶ ، ۱۹٫ [ Google Scholar ]
میدا، ن. Mathur، P. ارزیابی تکه تکه شدن جنگل در اولویت حفاظتی چشم انداز Dudhwa، هند با استفاده از متریک های سطح کلاس محاسبه شده FRAGSTATS. J. شرکت هندی Remote Sens. ۲۰۱۰ , ۳۸ , ۴۸۷-۵۰۰٫ [ Google Scholar ] [ CrossRef ]
سینگ، SK; Pandey، AC; سینگ، دی. تجزیه و تحلیل تکه تکه شدن کاربری زمین با استفاده از سنجش از دور و Fragstats. در کاربردهای سنجش از دور در تحقیقات محیطی ; Springer: برلین، آلمان، ۲۰۱۴; صص ۱۵۱-۱۷۶٫ [ Google Scholar ]
Carranza، ML; فراته، ال. آکوستا، AT; هویوس، ال. ریکوتا، سی. Cabido، M. اندازه گیری تکه تکه شدن جنگل با استفاده از داده های سنجش از راه دور چند زمانی: سه دهه تغییر در چاکو خشک. یورو J. Remote Sens. ۲۰۱۴ ، ۴۷ ، ۷۹۳-۸۰۴٫ [ Google Scholar ] [ CrossRef ]
لین، ن. اراسمی، س. کاپاس، M. کمی سازی تغییر کاربری/پوشش زمین و تکه تکه شدن چشم انداز در شهر دانانگ، ویتنام: ۱۹۷۹-۲۰۰۹٫ بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی ۲۰۱۲ ، ۳۹ ، B8. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سینگ، SK; Srivastava، PK؛ سابو، اس. پتروپولوس، GP; گوپتا، م. اسلام، T. تبدیل چشم‌انداز و معیارهای فضایی برای ترسیم پویایی فضایی و زمانی پوشش زمین با استفاده از مجموعه داده‌های رصد زمین. Geocarto Int. ۲۰۱۷ ، ۳۲ ، ۱۱۳-۱۲۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
تاپیا-آرمیخوس، MF; هومییر، جی. اسپینوزا، CI; لوشنر، سی. de la Cruz، M. جنگل زدایی و تکه تکه شدن جنگل در اکوادور جنوبی از دهه ۱۹۷۰ – از دست دادن یک نقطه داغ از تنوع زیستی. PLoS ONE ۲۰۱۵ ، ۱۰ ، e0133701. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ملحی، RKM; آناند، ا. مدالیار، ع. پاندی، رایانه شخصی؛ Srivastava، PK؛ Sandhya Kiran، G. استفاده هم افزایی از داده های درجا و ابرطیفی برای نقشه برداری تنوع گونه ها و زیست توده بالای زمین در پناهگاه حیات وحش Shoolpaneshwar، گجرات. تروپ Ecol. ۲۰۲۰ ، ۶۱ ، ۱۰۶-۱۱۵٫ [ Google Scholar ] [ CrossRef ]
کریستین، بی. کریشنایا، ن. تبعیض پوشش کف جنگل های برگریز خشک با استفاده از داده های Hyperion (EO-1). J. شرکت هندی Remote Sens. ۲۰۰۸ , ۳۶ , ۱۳۷-۱۴۸٫ [ Google Scholar ] [ CrossRef ]
پرادیپکومار، جی. پراتاپاسنان، G. تنوع گل و فشار بیوتیک در پناهگاه حیات وحش شولپنشوار، گجرات. در فصل آلودگی هوا. توسعه دهنده چه هزینه ای؟ انتشارات دایا: دهلی، هند، ۲۰۰۳; صص ۱۴۸-۱۵۹٫ [ Google Scholar ]
لیلسند، تی. کیفر، RW; چیپمن، جی. سنجش از دور و تفسیر تصویر . جان وایلی و پسران: نیویورک، نیویورک، ایالات متحده آمریکا، ۲۰۱۵٫ [ Google Scholar ]
Srivastava، PK؛ ملحی، RKM; پاندی، رایانه شخصی؛ آناند، ا. سینگ، پی. Pandey، MK; گوپتا، آ. بازبینی سنجش از دور ابرطیفی: منشأ، پردازش، برنامه‌های کاربردی و راه پیش رو. در سنجش از دور فراطیفی ; الزویر: آمستردام، هلند، ۲۰۲۰؛ صص ۳-۲۱٫ [ Google Scholar ]
Congalton، RG; مید، RA یک روش کمی برای آزمایش سازگاری و صحت در تفسیر عکس. فتوگرام مهندس Remote Sens. ۱۹۸۳ ، ۴۹ ، ۶۹-۷۴٫ [ Google Scholar ]
آناند، ا. سینگ، SK; کانگا، اس. برآورد تغییر در تراکم پوشش جنگل و پیش‌بینی NDVI برای غرب سینگبوم با استفاده از رگرسیون خطی. بین المللی جی. محیط زیست. توانبخشی. حفظ کنید. ۲۰۱۸ ، ۹ ، ۱۹۳-۲۰۳٫ [ Google Scholar ]
کوهن، جی. ضریب توافق برای مقیاس های اسمی. آموزش. روانی Meas. ۱۹۶۰ ، ۲۰ ، ۳۷-۴۶٫ [ Google Scholar ] [ CrossRef ]
یوان، اف. بائر، ME; هاینرت، نیوجرسی؛ هولدن، GR نقشه‌برداری چند سطحی پوشش زمین از منطقه شهری دوقلو (مینسوتا) با داده‌های چند فصلی Landsat TM/ETM+. Geocarto Int. ۲۰۰۵ ، ۲۰ ، ۵-۱۳٫ [ Google Scholar ] [ CrossRef ]
ارسنجانی، ج. هلبیچ، ام. کاینز، دبلیو. Boloorani، AD یکپارچه سازی رگرسیون لجستیک، زنجیره مارکوف و مدل های اتوماتای سلولی برای شبیه سازی گسترش شهری. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۱۳ ، ۲۱ ، ۲۶۵-۲۷۵٫ [ Google Scholar ] [ CrossRef ]
McGarigal، K. FRAGSTATS: برنامه تحلیل الگوی فضایی برای نقشه های طبقه بندی شده. برنامه نرم افزار کامپیوتری تولید شده توسط نویسندگان در دانشگاه ماساچوست، Amherst. در دسترس آنلاین: http://www.umass.edu/landeco/research/fragstats/fragstats.html (در ۹ ژوئیه ۲۰۲۰ قابل دسترسی است).
آرمنتراس، دی. گاست، اف. ویارئال، تکه تکه شدن جنگل H. آند و نمایندگی مناطق طبیعی حفاظت شده در شرق آند، کلمبیا. Biol. حفظ کنید. ۲۰۰۳ ، ۱۱۳ ، ۲۴۵-۲۵۶٫ [ Google Scholar ] [ CrossRef ]
ایمبرنون، جی. Branthomme، A. خصوصیات الگوهای چشم انداز جنگل زدایی در جنگل های بارانی استوایی. بین المللی J. Remote Sens. ۲۰۰۱ ، ۲۲ ، ۱۷۵۳-۱۷۶۵٫ [ Google Scholar ] [ CrossRef ]
آرایا، YH; Cabral، P. تجزیه و تحلیل و مدل سازی تغییر پوشش زمین شهری در Setúbal و Sesimbra، پرتغال. Remote Sens. ۲۰۱۰ , ۲ , ۱۵۴۹-۱۵۶۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
استانتورف، جی. پالیک، بی جی; Dumroese، RK احیای جنگل های معاصر: بررسی با تاکید بر عملکرد. برای. Ecol. مدیریت ۲۰۱۴ ، ۳۳۱ ، ۲۹۲-۳۲۳٫ [ Google Scholar ] [ CrossRef ]
واسکز-گراندون، آ. دونوسو، پی جی؛ Gerding، V. تخریب جنگل: چه زمانی یک جنگل تخریب می شود؟ Forests ۲۰۱۸ , ۹ , ۷۲۶٫ [ Google Scholar ] [ CrossRef ][ Green Version ]
دایدار، پ. سهو، س. Mammen، PC; آچاریا، پ. Puyravaud, J.-P.; آرجونان، م. Garrigues، JP; Roessingh, K. ارزیابی میزان و علل تخریب جنگل در هند: ما در کجا ایستاده ایم؟ Biol. حفظ کنید. ۲۰۱۰ ، ۱۴۳ ، ۲۹۳۷-۲۹۴۴٫ [ Google Scholar ] [ CrossRef ]
کیران، جی اس. باریا، پ. ملحی، RKM; Revdandekar, AV; مدالیار، ع. جوشی، UB; شاه، KA تجزیه و تحلیل مناسب بودن سایت برای سایت های کاشت JFM با استفاده از تکنیک های ژئو فضایی. بین المللی J. Adv. Remote Sens. GIS ۲۰۱۵ ، ۴ ، ۹۲۰-۹۳۰٫ [ Google Scholar ] [ CrossRef ]
ملحی، RKM; کیران، GS تاثیر استراتژی مدیریت مشترک جنگل بر حاصلخیزی خاک های جنگلی. گاو نر محیط زیست علمی Res. ۲۰۱۳ ، ۲ ، ۷-۱۱٫ [ Google Scholar ]
بهات، جی. کوشواها، س. نندی، اس. برگلی، ک. نگر، پ. Tadvi، D. تجزیه و تحلیل رژیم های پراکندگی و اختلال در جنگل های گجرات جنوبی، هند. تروپ Ecol. ۲۰۱۵ ، ۵۶ ، ۲۷۵-۲۸۸٫ [ Google Scholar ]
کایرانگا، ا. قربان، ع. ندایسابا، ف. ناهایو، ال. کاراماژ، اف. ابلکیم، ع. لی، اچ. Ilniyaz، O. نظارت بر تغییر و تکه تکه شدن پوشش جنگلی با استفاده از سنجش از دور و معیارهای چشم انداز در پارک Nyungwe-Kibira. جی. ژئوشی. محیط زیست Prot. ۲۰۱۶ ، ۴ ، ۱۳-۳۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]

شکل ۱٫ نقشه منطقه مورد مطالعه (با رنگ قرمز نشان داده شده است).

شکل ۲٫ فلوچارت روش شناسی مورد استفاده در این مطالعه را نشان می دهد.

شکل ۳٫ نقشه های پوشش جنگلی سال های ۱۹۹۸، ۲۰۰۸، ۲۰۱۸، ۲۰۱۸ (پیش بینی شده) و ۲۰۲۸ (پیش بینی شده).

شکل ۴٫ ارزیابی دقت برای طبقه بندی تصادفی جنگل برای سال های ۱۹۹۸، ۲۰۰۸ و ۲۰۱۸٫

شکل ۵٫ ( الف ) ماتریس انتقال احتمال برای ۱۹۹۸-۰۸٫ ( ب ) ماتریس انتقال احتمال برای ۲۰۰۸-۲۰۱۸٫

شکل ۶٫ ( الف ) آمار مساحت ⁽ km2) کلاس‌های کاربری و پوشش زمین (LULC) برای سال‌های ۱۹۹۸، ۲۰۰۸، ۲۰۱۸ و پیش‌بینی‌شده ۲۰۲۸٫ ( ب ) آمار منطقه ( ^km2 ) از ۲۰۱۸ در مقابل پیش‌بینی‌شده .

شکل ۷٫ معیارهای تکه تکه شدن سطح طبقات مختلف در مقیاس چند زمانی برای طبقات مختلف پوشش جنگل رسم شده است ( الف ) تعداد لکه ها (NP)، ( ب ) شعاع چرخش (GYRATE)، ( ج ) نسبت مساحت محیطی (PARA)، ( د ) تراکم وصله (PD)، ( ه ) شاخص تجمع (AI)، ( f ) شاخص همجواری میانی (IJI)، ( g ) شاخص شکل زمین نرمال شده (NLSI)، ( h ) توده (CLUMPY)، ( i ) مجاورت شاخص (CONTIG)، ( j ) چگالی لبه (ED)، ( k ) نزدیکترین همسایه اقلیدسی (ENN)، و ( l ) ناحیه هسته (CORE).

شکل ۸٫ معیارهای مختلف تکه تکه شدن سطح چشم انداز در مقیاس چند زمانی برای پوشش جنگل ترسیم شده است. ( الف ) مساحت میانگین (AREA) و ناحیه هسته (CORE)، ( ب ) نسبت مجاورت‌های مشابه (PLADJ) و شعاع چرخش (GYRATE)، ( ج ) نزدیک‌ترین همسایه اقلیدسی (ENN) و شاخص تجمع (AI)، ( d ) تراکم لبه (ED) و تراکم وصله (PD)، ( e ) نسبت مساحت محیطی (PARA) و شاخص شکل منظره (LSI)، و ( f ) تعداد وصله‌ها (NP) و شاخص کنار هم قرار گرفتن میانی (IJI).

ونوس نصیرفام

11 فوریه 2023

مقالات