مشاوره رایگان
فیس بوکتوئیتراینستاگراماسکایپ
کپی رایت 2024

ارزیابی اطلاعات طیفی ماهواره‌های Sentinel-1 و Sentinel-2 برای بازیابی زیست توده بالای زمین از یک جنگل استوایی

مقالات ارزیابی اطلاعات طیفی ماهواره‌های Sentinel-1 و Sentinel-2 برای بازیابی زیست توده بالای زمین از یک جنگل استوایی

شاخص های طیفی مشاهده زمین (EO) ابزار مهمی برای کمی سازی و پایش زیست توده جنگل بوده است. با این وجود، انتخاب باندها و ترکیب آنها اغلب بر اساس مطالعات قبلی یا فرضیات عمومی انجام می شود. مطالعه حاضر به بررسی رابطه بین اطلاعات طیفی ماهواره‌ای و زیست توده بالای زمین (AGB) یک جنگل خصوصی بزرگ در جزیره جاوه، اندونزی می‌پردازد. صفات مربوط به زیست توده از مجموع ۱۵۱۷ درخت در محل نمونه برداری شد و AGB آنها از مدل های آلومتریک گونه های خاص برآورد شد. به طور موازی، ترکیب باند جامع شاخص طیفی نسبت (RSI) از تصاویر Sentinel-1 و Sentinel-2 تقریباً همزمان به دست آمد. با اعمال سناریوهای مبتنی بر کل مجموعه داده، شیوع و تک‌غلبه اقاقیا، ماهون، و گونه های درخت گز مورد بررسی قرار گرفت. شاخص با بهترین عملکرد برای کل مجموعه داده، R را به دست آورد۲ = ۰٫۷۰ (R ۲ = ۰٫۷۸ هنگامی که فقط نمودارهای تک غالب در نظر گرفته می شود). استفاده از هشت شاخص سنتی پوشش گیاهی، در بهترین حالت، R2 = ۰٫۶۵ برای EVI ارائه می‌کند که در مقایسه با بهترین ترکیب RSI بسیار پایین‌تر است. ما پیشنهاد می‌کنیم که بررسی ترکیب‌های باند کامل به عنوان یک پروکسی برای بازیابی پارامترهای بیوفیزیکی ممکن است نتایج دقیق‌تری نسبت به کاربرد کور شاخص‌های طیفی محبوب ارائه دهد و این می‌تواند از اطلاعات تقویت‌شده به‌دست‌آمده از سیستم‌های ماهواره‌ای مدرن استفاده کند.

کلید واژه ها:

سنجش از دور ؛ ادغام داده ها ; جنگل استوایی ؛ ترکیب باند کامل ؛ شاخص های پوشش گیاهی

۱٫ مقدمه

۱٫۱٫ زیست توده جنگل های استوایی و اهمیت نقشه برداری

تقریباً ۳۱ درصد از سطح زمین توسط جنگل ها پوشیده شده است [ ۱ ] که خدمات ضروری اکوسیستم را ارائه می دهند و میزبان تنوع زیستی عظیمی هستند. جنگل ها حدود ۶۶ ± ۸۶۱ Pg ذخایر کربن دارند که ۴۲ درصد آن در زیست توده قرار دارد [ ۲ ]، این واقعیت به ویژه در جنگل های استوایی قابل توجه است [ ۳ ]. بنابراین، جنگل های استوایی نقش مهمی در ترسیب جهانی کربن و تغییرات آب و هوایی ایفا می کنند. این دلیل عمده ای برای کشورها و سازمان ها بوده است تا به طور دوره ای وضعیت جنگل های خود را از طریق طرح هایی مانند کاهش انتشارات ناشی از جنگل زدایی و تخریب جنگل ها (REDD) گزارش دهند.
علیرغم این واقعیت که میزان تلفات جنگل در سالهای اخیر کاهش یافته است، با کاهش ۳ درصدی مساحت جنگلی جهانی از سال ۱۹۹۰ تا ۲۰۱۵ [ ۴ ] که عمدتاً به دلیل پاکسازی انجام شده برای آماده سازی برای توسعه کشاورزی، همچنان ادامه دارد. بنابراین، نظارت بر نوسانات ناشی از انسان در زیست توده جنگل از اهمیت بالایی برخوردار است. با این وجود، تعیین کمیت زیست توده بالای زمین (AGB) یا زیست توده زیرزمینی در مناطق استوایی به دلیل ذخایر بزرگ AGB، دسترسی دشوار به ساختارهای جنگلی متراکم و کمبود داده‌های موجودی مرتبط، چالش برانگیز است. قابل توجه است که AGB به طور غیرمستقیم با زیست توده زیرزمینی مرتبط است و مدل‌های خاص گونه‌ها در این چارچوب بر اساس کمپین‌های میدانی مرتبط توسعه داده شده‌اند. به عنوان مثال، Singnar و همکاران. [۵ ] رابطه بین این دو صفت را در جنگل بامبو در شمال شرقی هند به نمایش گذاشت. لیو و همکاران [ ۶ ] تخمین دقیقی از نسبت بیومس بالای زمین به زیرزمین در L. leucocephala نشان داد . و او و همکاران [ ۷ ] ضریب تعیین، (R2 ) = ۰٫۸۹، و سطح معنی داری متناظر، ( p ) <0.001، بین زیست توده زیر و روی زمین به طور تجمعی برای ۱۲ گونه در یک جنگل مختلط طبیعی و پهن برگ طبیعی در شمال شرقی به دست آمد. چین.
کمی سازی زیست توده جنگل به طور سنتی با نمونه برداری مخرب انجام می شود، که شامل برداشت نمونه درختان، نیاز به قطع، تشریح، خشک کردن در فر و وزن دهی درختان است. در حالی که چندین مطالعه بر اساس این روش انجام شده است (به عنوان مثال، [ ۸ ، ۹ ، ۱۰ ])، این به طور اجتناب ناپذیری یک روش فشرده منابع و کار است [ ۱۱ ]، به ویژه در مناطق گرمسیری که در آن انباشت کربن در زیست توده به جای زیست توده رخ می دهد. خاک [ ۲]. از سوی دیگر، رشد درخت به طور سنتی یا با اندازه‌گیری‌های مکرر درختان علامت‌گذاری شده در قطعه‌های نمونه دائمی یا تجزیه و تحلیل حلقه درخت (دندروکرونولوژی) ارزیابی می‌شود. روش دوم عمدتاً در محیط‌ها و گونه‌های معتدل قابل اجرا است، زیرا به نمونه‌های درختی با حلقه‌های رشد سالانه کاملاً مشخص نیاز دارد [ ۱۲ ]. از طرف دیگر، معادلات آلومتریک برای تخمین AGB پیشنهاد شده است (به عنوان مثال، [ ۷ ، ۱۳ ، ۱۴ ، ۱۵ ]) و مربوط به قد، قطر در ارتفاع سینه (DBH)، گونه، سن، تراکم تاج، و متغیرهای زیست اقلیم [ ۱۶ ]]. با این حال، معادلات آلومتریک به ترکیب گونه ها و ویژگی های چشم انداز وابسته است. با این وجود، مطالعات کمی معادلات قوی را پیشنهاد کرده اند، مانند معادلات چاو و همکاران. [ ۱۷ ]، که یک مدل پان گرمسیری را معرفی کرد که شامل وزن مخصوص چوب، قطر تنه و ارتفاع درخت بود. در نتیجه، علاقه به تخمین AGB در مقیاس‌های فضایی بزرگ، سنجش از دور را به خط مقدم تحقیقات فعلی آورده است و تلاش‌های زیادی برای تقریب AGB بر اساس داده‌های رصد زمین (EO) انجام شده است.

۱٫۲٫ رصد زمین و استفاده از نگهبان

EO نقش حیاتی در بازیابی پارامترهای بیوفیزیکی ایفا کرده است، به ویژه در سال های اخیر، که در طی آن، فراوانی داده های ماهواره ای و ابزارهای قابل دسترسی برای بوم شناسان افزایش یافته است [ ۱۸ ]، به طوری که اولی به طور فزاینده ای آزادانه و در زمان تقریباً واقعی در دسترس قرار می گیرد. در زمینه بازیابی زیست توده، چندین نوع حسگر مانند نوری (به عنوان مثال، [ ۱۹ ، ۲۰ ، ۲۱ ])، رادار دیافراگم مصنوعی (SAR) (به عنوان مثال، [ ۲۲ ، ۲۳ ، ۲۴ ، ۲۵ ، ۲۶ ])، استفاده شده است. تشخیص نور و محدوده (LiDAR) (به عنوان مثال، [ ۲۷ ، ۲۸ ، ۲۹])، و تلفیقی از موارد فوق (به عنوان مثال، [ ۳۰ ، ۳۱ ، ۳۲ ، ۳۳ ، ۳۴ ، ۳۵ ، ۳۶ ، ۳۷ ]). از مجموعه داده های آزمایشی دیگر نیز مانند تصاویر Google Earth استفاده شده است. بر این اساس پلوتون و همکاران. [ ۳۸ ] ادعا کرد که نقشه‌برداری مطمئنی از جنگل‌های استوایی AGB در گات غربی هند انجام داده است. در مناطق گرمسیری، مطالعات بر ارزش‌گذاری تصاویر SAR به‌عنوان وسیله‌ای برای دور زدن حضور ابرهای مکرر که در این آب و هوا با آن مواجه می‌شوند، متمرکز شده‌اند (به عنوان مثال، [ ۲۳ ، ۳۹ ، ۴۰ ، ۴۱ ]).
ماهواره‌های نوری مدت‌هاست که برای بازیابی پارامترهای بیوفیزیکی مانند محتوای کلروفیل [ ۴۲ ] و AGB، با طیف گسترده‌ای از دقت گزارش استفاده می‌شوند. به عنوان مثال، در مطالعه ای که AGB علف را در تیمارهای مختلف کود تخمین می زند، Sibanda et al. [ ۴۳ ] همبستگی R2 = ۰٫۸۱ و R2 = ۰٫۷۶ را برای تصاویر Sentinel-2 و Landsat 8 به ترتیب گزارش کرد. پاندیت و همکاران [ ۱۹ ] یک همبستگی R2 = 0.81 را در برآورد AGB یک جنگل نیمه گرمسیری نپال بر اساس تصاویر Sentinel-2 گزارش کرد . در مقابل، Majasalmi و Rautiainen [ ۴۴ ] R2 پایینی را گزارش کردند= ۰٫۲۴ برای AGB در یک مطالعه بر روی سه جنگل شمالی در فنلاند، در حالی که برای سایر متغیرهای بیوفیزیکی، یعنی کسر تابش فعال فتوسنتزی جذب شده (fPAR) و شاخص سطح برگ (LAI)، همبستگی به طور قابل توجهی بالاتر بود. روش‌های پیچیده‌تر استفاده از شبکه‌های عصبی مصنوعی (ANN) و لایه‌های ورودی متعدد مانند روز سال، ارتفاع سایه‌بان و NDVI را بررسی کرده‌اند [ ۴۵ ].
با این وجود، قابلیت استفاده از تصاویر نوری توسط دو محدودیت اصلی مانع می شود. اولاً، پوشش ابری می‌تواند مانع از دریافت منظم تصویر شود و از این رو، دسترسی موقت رصدهای ماهواره‌ای را کاهش دهد. ثانیاً، برخی پارامترهای بیوفیزیکی، از جمله زیست توده، در مقادیر پایین داده های سنجش از دور اشباع می شوند [ ۴۶ ]. به عنوان مثال، LAI را می توان بر اساس یک رگرسیون خطی از یک شاخص پوشش گیاهی بهینه بازیابی کرد (به عنوان مثال، [ ۴۷ ])، که دقت آن به نوع پوشش گیاهی مربوط می شود. به عنوان مثال، چن و همکاران. [ ۴۸]، در یک مطالعه انجام شده در یک محیط شمالی، نشان می دهد که برای توده های مخروطیان، به نظر نمی رسد نقطه اشباع وجود داشته باشد (تا LAI = 10، که بالاترین میزان گزارش شده در این مطالعه موردی است). با این حال، در یک جنگل برگریز، LAI در مقادیر ۲-۳ اشباع می شود، که شبیه به مورد محصولات است. این اثر اشباع در محیط‌های گرمسیری [ ۴۹ ] برجسته‌تر می‌شود و قابلیت استفاده از تصاویر ماهواره‌ای نوری را محدود می‌کند. بازیابی پارامترهای بیوفیزیکی نیز به عواملی مانند نوع خاک و معماری گیاه بستگی دارد. از این رو، اطلاعات در مورد چشم انداز قبل از انتخاب اطلاعات طیفی برای تخمین متغیرهای بیوفیزیکی بسیار مهم است [ ۵۰ ]]. از طرف دیگر، سنسورهای SAR به طور قابل توجهی توسط ابرها مختل نمی شوند و از زاویه خورشید و شدت تابش مستقل هستند. با این حال، اشباع سیگنال SAR اغلب در هر دو نوع درخت پهن برگ و مخروطی وجود دارد [ ۵۱ ]. در نهایت، چند مطالعه سعی کرده اند از داده های نوری و SAR به صورت هم افزایی برای تخمین زیست توده استفاده کنند (به عنوان مثال، [ ۳۵ ، ۵۲ ])، و آنها بهبود دقت را هنگام ترکیب مجموعه داده های ماهیت های مختلف گزارش کردند. بررسی سنجش از دور برای AGB را می توان در Tsitsi [ ۵۳ ] یافت.

۱٫۳٫ بازیابی زیست توده – انتخاب باندهای طیفی بهینه و شاخص ها

به طور سنتی، زیست توده بر اساس معادلات آلومتریک یا روابط تجربی بین داده های ماهواره ای و زیست توده اندازه گیری شده در محل تخمین زده می شود. با این حال، این دو رویکرد خاص گونه و مکان هستند و بنابراین نمی توان آنها را به گونه ها و مکان های دیگر تعمیم داد. رویکردهای پیچیده‌تری مانند شبکه‌های عصبی مصنوعی [ ۵۴ ]، مدل‌های بازتابی مبتنی بر فیزیکی (به عنوان مثال، مدل PARAS توسط [ ۴۴ ])، ماشین‌های بردار پشتیبانی [ ۵۵ ]، رگرسیون بردار پشتیبان [ ۳۵ ]، جنگل‌های تصادفی [ ۱۹ ] معرفی شده‌اند . ۳۷ ] و رگرسیون حداقل مربعات جزئی پراکنده [ ۲۱ ]. با این وجود، توجه به این نکته مهم است که هیل و همکاران. [ ۵۶] ادعا کرد که پیچیدگی روش شناختی منجر به بهبود دقت نمی شود. در واقع، آنها پیشنهاد کردند که راهی برای بهبود دقت، ادغام برآوردهای عدم قطعیت است.

۱٫۴٫ انتخاب گروه و ترکیب کامل باند

اغلب، بازیابی یک متغیر بیوفیزیکی بر اساس داده های سنجش از راه دور، از یک محدوده طول موج طیفی ترجیحی، مانند نوار لبه قرمز که قدرت پوشش گیاهی را برجسته می کند، مشتق می شود. متناوبا، یک شاخص طیفی به عنوان نماینده ای برای یک صفت پوشش گیاهی استفاده می شود [ ۵۷ ]. به عنوان مثال، شاخص تفاوت عادی شده گیاهی (NDVI) یک شاخص طیفی محبوب و پرکاربرد بوده است. با این حال، چندین مطالعه نشان داده‌اند که این همیشه راه‌حلی نیست که دقیق‌ترین نتایج را برای برخی از ویژگی‌های گیاهی ارائه دهد [ ۵۸ ، ۵۹ ]]؛ اغلب مواردی هستند که اطلاعات به ارث رسیده در باندها نادیده گرفته می شوند که منجر به تجلیل از شاخص های طیفی جریان اصلی، مانند NDVI در مورد کمی سازی AGB می شود.
مطالعه حاضر به بررسی دقیق انتخاب اطلاعات طیفی به ارث رسیده در سیستم های ماهواره ای نوری و SAR برای بازیابی AGB می پردازد. ما ترکیب‌های طیفی جامع از ماهواره‌های Sentinel-1 و Sentinel-2 را محاسبه می‌کنیم تا میزان استفاده از اطلاعات طیفی کامل هنگام بازیابی AGB را بررسی کنیم. بر اساس اطلاعات درجا حقیقت زمینی جمع‌آوری‌شده در یک جنگل خصوصی در اندونزی، ما عملکرد رویکرد بازیابی مبتنی بر ماهواره‌ای پیشنهادی را مقایسه می‌کنیم و یافته‌های خود را در برابر برآورد AGB بر اساس شاخص‌های سنتی پوشش گیاهی محک می‌زنیم. در نهایت، برتری بررسی پتانسیل کامل ترکیب‌های باند جامع را نشان می‌دهیم و آن را به عنوان روشی برای بازیابی بیوفیزیکی مبتنی بر سنجش از دور پیشنهاد می‌کنیم.

۲٫ مواد و روشها

۲٫۱٫ منطقه مطالعه

منطقه مورد مطالعه در جزیره جاوه، در واحدهای مدیریت جنگل خصوصی Girisekar و Jetis (FMUs) در منطقه Gunung Kidul، استان یوگیاکارتا، اندونزی واقع شده است. منطقه Gunung Kidul مساحتی معادل ۳۱۳۳ کیلومتر مربع را پوشش می دهد ، بالاترین ارتفاع آن ۲۹۵۵ متر است و بارش تقریباً ۲۶۸۱ میلی متر دارد. دو FMU مجاور مساحت تجمعی ۲۶۶۶ هکتار را پوشش می‌دهند و در مختصات جغرافیایی ۸°۰۲’۲۰٫۴″ جنوبی و ۱۱۰°۲۸’۴۲٫۶″ شرقی قرار دارند ( شکل ۱ ). منطقه بزرگ Gunung Kidul به یک منطقه اصلی از فعالیت های جنگل خصوصی تبدیل شده است و علاقه مندی در مورد صدور گواهینامه، مدیریت و مشارکت جنگلداری مبتنی بر جامعه در توسعه اقتصادی را به خود جلب کرده است (به عنوان مثال ، [ ۶۰,۶۱,۶۲ ]، ۶۳ ، ۶۴ ]). مزارع جنگلی خصوصی در Gunung Kidul عمدتاً از چوب ساج ( Tectona grandis ) تشکیل شده است، اگرچه تلاش‌هایی برای کاشت اقاقیا ( Acacia mangium )، چوب ماهون ( Swietenia mahagoni )، مونگور ( Sasmania saman ) و sono ( Dalbergia latifolia ) انجام شده است [ ۶۱ ] . جنگل زدایی در جزیره جاوه به ۳۰۰-۴۰۰ سال پیش برمی گردد [ ۶۵ ] و از اواسط قرن ۱۹ به بعد به عنوان یک مشکل در نظر گرفته شد [ ۶۶ ]. منطقه Gunung Kidul به طور خاص از دهه ۱۹۷۰ انتقال به پوشش گیاهی مجدد را مشاهده کرده است [ ۶۷ ].
در سطح کشور، اندونزی در طول دهه‌های گذشته عمدتاً به دلیل تبدیل جنگل به محصولات کشاورزی و کشاورزی و امتیازات قطع درختان، دچار جنگل‌زدایی و تخریب شدید شده است [ ۶۵ ، ۶۸ ]. علیرغم این واقعیت که ارزیابی منابع جنگلی جهانی [ ۱ ] کاهش جنگل زدایی را بین سالهای ۱۹۹۰ و ۲۰۱۵ در مقیاس جهانی گزارش کرد، با چند کشور گرمسیری که به طور خاص برای مناطق گرمسیری در حال گذار به جنگل هستند، از دست دادن و تخریب جنگل همچنان ادامه دارد [ ۶۹ ].
اندونزی عامل اصلی جنگل زدایی در سطح جهان بوده است. استیبیگ و همکاران [ ۷۰ ] تخمین زده است که در طول دوره ۲۰۰۰-۲۰۱۰، ۰٫۸۲ مگا هکتار از جنگل در سال از بین می رود که ۵۶ درصد از کل از بین رفتن پوشش جنگلی در آسیای جنوب شرقی را تشکیل می دهد. انتشار گازهای گلخانه ای ناشی از جنگل زدایی، و آسیب پذیری همزمان اندونزی در برابر تغییرات آب و هوایی، دولت اندونزی را حساس کرد تا نیاز به اقدام در مورد تغییرات آب و هوایی را در سال ۲۰۰۹ تشخیص دهد [ ۷۱ ]. متعاقبا، کاهش انتشار گازهای گلخانه‌ای تا سال ۲۰۳۰ به میزان ۲۹ درصد در مقایسه با سناریوی تجاری معمول (BAU) با انجام اقداماتی مانند مدیریت پایدار جنگل‌ها و احیای اکوسیستم‌های تخریب‌شده وعده داده شد [ ۷۲ ].]. تلاش‌های کاهش شامل پروژه REDD، تبدیل اراضی ذغال سنگ نارس، و مدیریت و حکومت جنگل [ ۷۳ ] بود. یکی از راه‌های خاص حمایت از تاب‌آوری اکوسیستم و منظر از طریق جنگل‌داری اجتماعی [ ۷۲ ، ۷۴ ] و مدیریت جنگل‌های محلی در طول دهه گذشته در اندونزی بوده است که تلاش‌های مهمی را تقویت کرده است [ ۷۵ ].

۲٫۲٫ مجموعه داده ها

۳۰ قطعه بر اساس نمونه‌گیری تصادفی طبقه‌ای انتخاب و در سپتامبر ۲۰۱۷ نمونه‌برداری شد. هر کرت به‌عنوان یک مستطیل به ابعاد ۲۰ متر × ۲۰ متر تعریف شد که اندازه پیکسل اسمی برای اکثر باندهای Sentinel-1 و Sentinel-2 است. مختصات طول و عرض جغرافیایی مرکز هر قطعه با یک دستگاه سامانه ماهواره ای ناوبری جهانی (GNSS) ثبت شد. درختان با DBH بیش از ۸ سانتی متر در نظر گرفته شد و گونه ها، محیط تنه درخت در ارتفاع سینه (۱٫۳ متر از سطح زمین) و ارتفاع هر نمونه ثبت شد. در مجموع ۱۰۰۳ درخت نمونه برداری شد ( جدول ۱). کرت های حاوی بیش از ۹۰ درصد از یک گونه درخت از همه درختان ثبت شده به عنوان تک غالب در نظر گرفته شد. شایان ذکر است که غالباً یکنواختی غالباً به عنوان ≥۶۰٪ از درختان سطح تاج متعلق به یک گونه با مقادیر منظم ۸۰-۱۰۰٪ تعریف می شود [ ۷۶ ]. با این وجود، در مطالعه حاضر ما آستانه بالاتری (یعنی ۹۰ درصد) تعیین کردیم زیرا درختان با قطر بسیار کم از نمونه‌برداری مزرعه حذف شدند.
مجموعه داده سنجش از دور مورد استفاده در مطالعه حاضر از ماهواره های Sentinel-1 و Sentinel-2، دو سیستم صورت فلکی دوقلو از برنامه Copernicus [ ۷۷ ] تشکیل شده است. Sentinel-2 یک ماهواره نوری با ۱۳ باند طیفی و ۲۹۰ کیلومتر عرض نوار است که عمدتاً کاربردهای کاربری زمین و پوشش زمین را پشتیبانی می کند [ ۷۸ ]]. Sentinel-1 ماموریت ماهواره ای باند C مربوطه SAR است که قطبش های انتقال عمودی- افقی (VH) و انتقال عمودی-عمودی (VV) را ارائه می دهد. صورت فلکی ماهواره Sentinel-1 و Sentinel-2 دارای فرکانس بازبینی مجدد در استوا به ترتیب ۳ و ۷ روز هستند و اکثر زمین را پوشش می دهند و آنها را به منابع اطلاعاتی بی سابقه ای برای نظارت مکرر پارامترهای بیوفیزیکی در مقیاس جهانی تبدیل می کند. داده‌های ماهواره‌ای بر اساس نزدیکی زمانی ثبت تصویر و داده‌های میدانی و با در نظر گرفتن ارزیابی کیفیت پوشش ابری برای داده‌های نوری در ناحیه مورد نظر انتخاب شدند.
Sentinel-2 شامل یک باند موج کوتاه مادون قرمز (SWIR) در ۱٫۳۷۵ میکرومتر است که به ابرهای Cirrus اختصاص داده شده است و یک ماسک ابر مربوطه با هر تحویل ارائه می شود. با این حال، پوشش ابر از نظر فضایی در مناطق گرمسیری ناسازگار است. به همین دلیل، آمار کلی پوشش ابر ارائه شده در هنگام انتخاب تصویر مناسب نادیده گرفته شد. در عوض، ارزیابی بصری پوشش ابر در منطقه مورد علاقه ترجیح داده شد. یک تصویر Sentinel-2B بدون ابر که در ۱۲ اوت ۲۰۱۷ به دست آمد انتخاب و از مرکز دسترسی آزاد کوپرنیک دانلود شد. تصویر در سطح ۱-C Top Of Atmosphere (TOA) ارائه شده است. علاوه بر این، یک تصویر Sentinel-1 که در ۴ سپتامبر ۲۰۱۷ به دست آمد، استفاده شد. محصول استاندارد شناسایی شده با محدوده زمینی با وضوح بالا (GRD) انتخاب شده در حالت اکتساب نوار عریض تداخل سنجی (IW) در قطبش دوگانه VV و VH حس شد. تصویر Sentinel-1 مناسب با قطبش دوگانه HH و HV برای منطقه مورد نظر در مرکز دسترسی آزاد کوپرنیک یافت نشد. شایان ذکر است که در حالی که تصویر Sentinel-1 در پنجره زمانی جمع‌آوری داده‌های میدانی قرار داشت، تصویر Sentinel-2 تقریباً ۳ هفته زودتر در نتیجه نامزدی بدتر به دلیل شرایط پوشش ابر محلی به دست آمد. با این وجود، رشد قابل توجه AGB در عرض ۲۳ روز قابل انتظار نیست، و علاوه بر این، شرایط آب و هوایی در این دوره زمانی نسبتاً ثابت باقی مانده است. آب و هوا به عنوان یک آب و هوای موسمی گرمسیری (آم در سیستم کوپن-گیگر)، با یک فصل خشک کوتاه از جولای تا سپتامبر مشخص می شود. تصویر Sentinel-1 مناسب با قطبش دوگانه HH و HV برای منطقه مورد نظر در مرکز دسترسی آزاد کوپرنیک یافت نشد. شایان ذکر است که در حالی که تصویر Sentinel-1 در پنجره زمانی جمع‌آوری داده‌های میدانی قرار داشت، تصویر Sentinel-2 تقریباً ۳ هفته زودتر در نتیجه نامزدی بدتر به دلیل شرایط پوشش ابر محلی به دست آمد. با این وجود، رشد قابل توجه AGB در عرض ۲۳ روز قابل انتظار نیست، و علاوه بر این، شرایط آب و هوایی در این دوره زمانی نسبتاً ثابت باقی مانده است. آب و هوا به عنوان یک آب و هوای موسمی گرمسیری (آم در سیستم کوپن-گیگر)، با یک فصل خشک کوتاه از جولای تا سپتامبر مشخص می شود. تصویر Sentinel-1 مناسب با قطبش دوگانه HH و HV برای منطقه مورد نظر در مرکز دسترسی آزاد کوپرنیک یافت نشد. شایان ذکر است که در حالی که تصویر Sentinel-1 در پنجره زمانی جمع‌آوری داده‌های میدانی قرار داشت، تصویر Sentinel-2 تقریباً ۳ هفته زودتر در نتیجه نامزدی بدتر به دلیل شرایط پوشش ابر محلی به دست آمد. با این وجود، رشد قابل توجه AGB در عرض ۲۳ روز قابل انتظار نیست، و علاوه بر این، شرایط آب و هوایی در این دوره زمانی نسبتاً ثابت باقی مانده است. آب و هوا به عنوان یک آب و هوای موسمی گرمسیری (آم در سیستم کوپن-گیگر)، با یک فصل خشک کوتاه از جولای تا سپتامبر مشخص می شود. تصویر Sentinel-2 تقریباً ۳ هفته زودتر در نتیجه یک نامزد بدتر به دلیل شرایط پوشش ابر محلی به دست آمد. با این وجود، رشد قابل توجه AGB در عرض ۲۳ روز قابل انتظار نیست، و علاوه بر این، شرایط آب و هوایی در این دوره زمانی نسبتاً ثابت باقی مانده است. آب و هوا به عنوان یک آب و هوای موسمی گرمسیری (آم در سیستم کوپن-گیگر)، با یک فصل خشک کوتاه از جولای تا سپتامبر مشخص می شود. تصویر Sentinel-2 تقریباً ۳ هفته زودتر در نتیجه یک نامزد بدتر به دلیل شرایط پوشش ابر محلی به دست آمد. با این وجود، رشد قابل توجه AGB در عرض ۲۳ روز قابل انتظار نیست، و علاوه بر این، شرایط آب و هوایی در این دوره زمانی نسبتاً ثابت باقی مانده است. آب و هوا به عنوان یک آب و هوای موسمی گرمسیری (آم در سیستم کوپن-گیگر)، با یک فصل خشک کوتاه از جولای تا سپتامبر مشخص می شود.۷۹ ] زمانی که میزان بارندگی نسبتاً کم باشد.

۲٫۳٫ مواد و روش ها

AGB از معادلات آلومتریک بر اساس ارتفاع درخت و محیط اندازه‌گیری شده در میدان برآورد شد. مجموعه ای از معادلات آلومتریک ( جدول ۱ ) برای تخمین AGB برای هر درخت جداگانه بر اساس D و H به عنوان متغیرهای وابسته استفاده شد. معادلات آلومتریک از Purwanto و همکاران اقتباس شده است. [ ۱۵ ]، که توزیع زیست توده ۲۵ گونه از چوب های چندساله، از جمله ماهاگونی، اقاقیا، سونوکلینگ، ساج، سنگون، و دیگران را در یک جنگل محلی در روستای Nglanggeran، اندونزی مورد مطالعه قرار داد. در مطالعه حاضر، یک معادله آلومتریک جداگانه برای هر گونه انتخاب شد زیرا ثابت شده است که قدرت پیش‌بینی زیست توده برای مدل‌های خاص گونه نسبت به همه گونه‌های ترکیبی بالاتر است [ ۷ ]]. پس از آن، برآوردهای AGB برای هر درخت جداگانه برای استخراج AGB نماینده هر قطعه (به تن در هکتار) اضافه شد.
تصویر Sentinel-2 ابتدا از نظر جوی با افزونه Sen2Cor نسخه ۲٫۸ [ ۸۰ ] اصلاح شد تا محصول بازتاب سطح ۲A ساخته شود. باندهای Sentinel-2 وضوح‌های فضایی مختلفی را به ارث می‌برند (در ۱۰، ۲۰ و ۶۰ متر)، و وضوح فضایی هر باند در طول تصحیح اتمسفر بدون تغییر نگه داشته شد. باندهای ۱، ۹ و ۱۰ که در وضوح فضایی ۶۰ متر به دست آمدند، از پردازش بیشتر کنار گذاشته شدند زیرا عمدتاً به غربالگری ابر و تصحیح اتمسفر مربوط می شوند. در نهایت، باندهای به دست آمده در وضوح فضایی ۲۰ متر با الگوریتم نزدیکترین همسایه به ۱۰ متر نمونه برداری شدند تا اطلاعات طیفی بومی تصویر حفظ شود.
در رابطه با پیش پردازش تصاویر Sentinel-1، چندین مطالعه گردش کار پردازش کارآمد را برای کاربردهای مختلف ارائه کرده اند (به عنوان مثال، [ ۸۱ ، ۸۲ ، ۸۳ ، ۸۴ ]). در مقاله فعلی، ما یک پیش پردازش اولیه از مراحل متوالی انجام شده با نرم افزار منبع باز Sentinel Application Platform (SNAP) نسخه ۸٫۰٫۰ را دنبال می کنیم. ابتدا فایل مداری بر اساس ۳ درجه چند جمله ای و سپس حذف نویز حرارتی اعمال شد. سپس، سیگما هیچ (σ ۰) محاسبه شد و فیلتر لکه ای لی سیگما با اندازه پنجره ۷ × ۷ و سیگما = ۰٫۹ برای حذف نویز بر روی هر دو قطبش اعمال شد. پس از آن، عملیات تصحیح زمین با استفاده از مدل ارتفاعی دیجیتالی ۳ ثانیه ای ماموریت رادار شاتل (SRTM) و درون یابی دو خطی در وضوح مکانی ۱۰ متر اجرا شد و در نهایت، مقادیر پیکسل به دسی بل تبدیل شدند.

سپس دو تصویر Sentinel در وسعت Girisekar و Jetis FMU قرار گرفتند ( شکل ۱). الگوریتم نمونه‌گیری مجدد نزدیکترین همسایه برای حفظ مقادیر پیکسل خام استفاده شد. پس از آن، تمام باندهای Sentinel-1 و Sentinel-2 روی هم چیده شدند و به سیستم مختصات WGS84 بازتاب داده شدند. به همین ترتیب، مختصات GNSS ثبت شده در مرکز هر نمودار میدانی از درجه-دقیقه-ثانیه (DMS) به درجه اعشار تبدیل شد. پس از آن، مقادیر باند Sentinel-1 و Sentinel-2 پیکسل های حاوی مختصات فوق استخراج شد. همبستگی بین شاخص‌های طیفی و داده‌های جمع‌آوری‌شده مکانی متناظر از طریق ترکیب جامع شاخص‌های طیفی نسبت (RSI) و شاخص طیفی تفاوت عادی شده (NDSI) مورد بررسی قرار گرفت که در معادلات (۱) تعریف شده‌اند. (۲).

RSI i,j = R i /R j
NDSI i,j = (Ri – Rj ) /( Ri + Rj )

که در آن Ri و Rj به ترتیب مقادیر بازتابی باندهای i و j هستند.

ضریب تعیین (R2 ) و p -value ( p ) در آستانه بحرانی (به عنوان مثال، ۰٫۰۵۰، ۰٫۰۱۰، و ۰٫۰۰۱) به عنوان معیار برای ارزیابی عملکرد رابطه آماری استفاده شد. نمودارهای R2 و p تجمعی برای کمک به تجسم و مقایسه بین هر جفت باند مانند مطالعات مشابه [ ۵۹ ، ۸۵ ، ۸۶ ، ۸۷ ] ساخته شد.]. علاوه بر این، چندین سناریو بر اساس اجزای ساختاری جنگل خصوصی مورد بررسی قرار گرفت. رابطه زیست توده برای زیرگروه اصلی گونه های درختی (به عنوان مثال، اقاقیا، ماهون و ساج) به طور جداگانه و همچنین مورد توده های جنگلی تک غالب و غیر غالب مورد بررسی قرار گرفت. پس از آن، شاخص‌های جفت طیفی با بیشترین همبستگی با اندازه‌گیری‌های درجا شناسایی شدند و رگرسیون خطی در تلاشی برای بررسی رابطه قوی‌ترین ترکیب طیفی حاصل از روش‌شناسی مطالعه حاضر ترسیم شد.
به منظور ارزیابی کمی اهمیت نتایج ما، ۸ شاخص پوشش گیاهی محبوب که اغلب در ادبیات با آن مواجه می‌شویم از همان مجموعه داده ماهواره‌ای استخراج و R2 و p مربوطه محاسبه شد. چندین شاخص محبوب پوشش گیاهی یک مورد خاص از RSI یا NDSI هستند (به عنوان مثال، NDVI [ ۸۸ ]، NDVI سبز [ ۸۹ ]) و از این رو، قبلاً در ترکیب کامل شاخص‌های طیفی این آزمایش گنجانده شده‌اند. بنابراین، ما در درجه اول شاخص هایی را با تعریف پیچیده تری از نظر ریاضی در نظر گرفتیم تا از تکرار در نتایج جلوگیری کنیم. فهرست شاخص های انتخاب شده در جدول ۲ ارائه شده است. سپس نتایج شاخص‌های پوشش گیاهی محبوب با جیره‌های ترکیبی کامل مورد قضاوت قرار گرفت. کتابخانه انتزاع داده های مکانی (GDAL) [ ۹۰ ] و زبان برنامه نویسی R [ ۹۱ ] برای تجزیه و تحلیل استفاده شد.
در نهایت، برای اعتبار سنجی الگوریتم و اثبات استحکام رویکرد پیشنهادی، روش مشابهی را با مجموعه داده‌های میدانی گسترده جمع‌آوری‌شده بین سپتامبر و نوامبر ۲۰۱۷ شامل ۴۵ قطعه (مجموعا ۱۵۱۷ درخت) اعمال کردیم. در حالی که این مجموعه داده شامل تعداد افزایش یافته ای از مشاهدات است، دوره طولانی تری در نظر گرفته شده است که فراتر از تاریخ دریافت تصاویر ماهواره ای گسترش می یابد. بنابراین، همزمانی داده‌های میدانی و تصاویر ماهواره‌ای مانند مرحله توسعه مطالعه حاضر سازگار نیست. با این حال، این تنظیم آزمایشی به ما اجازه داد تا نتایج را بازتولید کنیم و بررسی کنیم که آیا R2 یا خیرنمودار شبیه نمودار تولید شده در آزمایش کنترل‌شده و اینکه آیا ترکیب‌های نوار پیشنهادی هنوز نسبت به شاخص‌های سنتی پوشش گیاهی برتری دارند یا خیر. تجزیه و تحلیل با همان تصاویر ماهواره ای دوباره اجرا شد.

۳٫ نتایج و بحث

محدوده ویژگی های ساختاری ۱۰۰۳ درخت ثبت شده در جدول ۳ ارائه شده است . اکثر نمونه ها چوب ساج (۵۴ درصد) هستند، در حالی که ماهاگونی و اقاقیا برگ گوش بقیه (۴۳ درصد) را تشکیل می دهند. محدوده محیط و ارتفاع برای همه نمونه ها به ترتیب ۱۹-۱۰۰ سانتی متر و ۱٫۲۳ متر تا ۲۵٫۶۶ متر است، در حالی که به نظر می رسد درون متغیر برای این دو ویژگی در همه گونه ها مشابه است. با این حال، تنوع در زیست توده به ویژه در حد بالایی محدوده قابل توجه است: کلاهک ساج در ۴۸۶ کیلوگرم، اقاقیا برگ گوش در ۶۹۹ کیلوگرم، ماهون در ۸۲۹ کیلوگرم، و گونه های دیگر در ۱۲۹ کیلوگرم. این نتیجه معادلات آلومتریک مناسب مورد استفاده برای هر گونه و ضرایب مختلف اعمال شده در جدول ۱ است .. علیرغم این واقعیت که معادلات آلومتریک عمومی توسعه یافته و در ادبیات به کار گرفته شده است (به عنوان مثال، [ ۱۷ ])، نشان داده شده است که قدرت پیش بینی زیست توده برای مدل های خاص گونه نسبت به همه گونه های ترکیبی بالاتر است [ ۷ ].
شکل ۲ ، شکل ۳ و شکل ۴ توزیع آماری ویژگی های ساختاری طبقه بندی شده بر اساس گونه ها ( شکل ۲ )، تک سلطه ( شکل ۳ ) و غالب و گونه ها ( شکل ۴ ) را نشان می دهد. شکل ۲ توزیع هیستوگرام زیست توده، قطر و ارتفاع را برای سه گونه اصلی نشان می دهد. با توجه به توزیع زیست توده، عسکر و همکاران. [ ۲۰] میانگین AGB در این منطقه جنگلی خصوصی را ۷۲٫۵۴ تن در هکتار تخمین زد. جنگل‌های خصوصی حاوی AGB نسبتاً پایین‌تری در مقایسه با جنگل‌های استوایی طبیعی هستند، زیرا در اولی، درختان بالغ برداشت می‌شوند، در حالی که دومی مقادیر زیادی AGB زمینی را در دوره‌های زمانی طولانی انباشته می‌کند [ ۹۹ ]]. از یافته های مطالعه حاضر، آشکار است که توزیع قطر سه گونه درختی (منحنی های رنگی) ویژگی ها و شکل مشابهی دارند. در نتیجه، توزیع زیست توده و ارتفاع مشابه است. این نتیجه ما را به این مشاهدات هدایت می‌کند که، برای منطقه و گونه‌های مورد مطالعه فعلی، قطر با زیست توده مرتبط نیست، و ارتفاع درخت، بیشتر مشخصه‌ای است که زیست توده را تعریف می‌کند. چنین مشخصه‌ای را می‌توان توسط لیدار اندازه‌گیری کرد، و می‌توانیم حدس بزنیم که با ارتفاع مشتق‌شده از لیدار، تخمین زیست توده در هر درخت و در هر قطعه امکان‌پذیر است.
شکل ۳ آمار نمودارهای میدانی را بسته به طبقه بندی هر پلات به عنوان تک غالب یا نه نشان می دهد. نمودارهای تک غالب تنوع کمتر و میانگین زیست توده را به ارث می برند. تغییرات کوچکتر در نمودارهای تک غالب از همگنی گونه در آن پیش بینی و توضیح داده می شود. قابل توجه است که یک نقطه پرت در نمودار تک غالب با زیست توده به طور قابل توجهی بالاتر از هر قطعه نمونه دیگر وجود دارد. این امر به وجود ماهون نسبت داده می شود که یک گونه درخت عجیب و غریب برای اندونزی است (بومی کارائیب است) که تا ارتفاع ۳۰ متر رشد می کند و دارای تاج کروی بزرگ و شاخه های سنگین بسیاری است [ ۱۰۰ ]]، حقایقی که نشان دهنده گونه ای با زیست توده بالا است. نگاهی دقیق تر به داده های میدانی نشان می دهد که تنها چهار قطعه با زیست توده بالاتر از ۱۵۰ تن در هکتار، همگی از چوب ماهون به عنوان گونه غالب تشکیل شده اند.
هنگام بررسی توزیع آماری زیست توده کرت به عنوان تابعی از گونه غالب ( شکل ۴ a)، آشکار می شود که کرت های تحت تسلط ماهون حاوی مقدار بیشتری از زیست توده هستند. علاوه بر این، هنگام تفکیک بین موارد تک غالب و غیر تک غالب ( شکل ۴ ب)، روند مشابهی مشاهده می شود. قطعه چوب ماهون تک غالب دارای ارزش قابل توجهی بالاتری از زیست توده است. سطح زیست توده برای اقاقیا و ساج در سطوح مشابه است. با این حال، انحراف استاندارد برای اقاقیا برای هر دو مورد قطعه تک غالب و غیر تک غالب به طور قابل توجهی کمتر است.
مطالعه حاضر بر بررسی رابطه بین زیست توده قطعه و ترکیبات باند Sentinel-1 و Sentinel-2 متمرکز شده است. نقشه R2 برای هر آزمایش استخراج شد و از نظر آماری مهم ترین سناریوها در شکل ۵ ، شکل ۶ و شکل ۷ ارائه شده است. شکل ۵ نتایج را هنگام در نظر گرفتن کل مجموعه داده ۳۰ نمودار میدانی نشان می دهد. بدیهی است که دو ناحیه طیفی وجود دارد که در آنها همبستگی ها معنی دار به نظر می رسد. به طور خاص، ترکیبات Ri/Rj باندهای ۲-۵ و باندهای ۶-۸A با R2 > ۰٫۵ (حداکثر R2 ) همبستگی دارند= ۰٫۷۰ برای ترکیب باند ۲/۸). این نشانه ای است که باندهای طیفی ساخته شده بر اساس باندهای مرئی و مادون قرمز نزدیک به شدت با این جنگل خصوصی ارتباط دارند. جالب توجه است، یک ناحیه طیفی دوم در باندهای ترکیبی مادون قرمز نزدیک با باندهای SWIR (یعنی ۱۱ و ۱۲) وجود دارد که همبستگی مشابهی را به همراه دارد (۶۲/۰ ≤ R2 ≤ ۰٫۶۶). هر دوی این پنجره های طیفی مقدار p پایین را نشان می دهند و بنابراین از نظر آماری معنی دار هستند. این با مطالعه ای مطابقت دارد که از ترکیب باند کامل Sentinel-2 برای تخمین AGB در جنگل شمالی [ ۴۴ ] نیز استفاده کرد که همبستگی پایینی پیدا کرد ( R2= 0.24) بر اساس ترکیب NDSI از باندهای ۸a و ۱۰، ۶ و ۱۱، و ۳ و ۱۲٫ با این حال، همه ترکیب‌های باند به طور مشابه مقادیر پایینی داشتند و باندهای فوق را نمی‌توان به عنوان پیشنهادی از پروکسی AGB در نظر گرفت. به همین ترتیب، باند ۸a نیز ویژگی همه باندها و شاخص‌ها با بالاترین اهمیت نسبی در یک مدل پیش‌بینی بود که Pandit و همکارانش. [ ۱۹ ] برای تخمین AGB در یک جنگل نیمه گرمسیری در نپال استفاده شد. علاوه بر این، شایان ذکر است که R2 از ترکیبات مناطق مرئی و SWIR به طور کلی عملکرد ضعیفی دارد و برای همه موارد زیر ۰٫۵ است.
ترکیب باندهای Sentinel-2 VH و VV همبستگی بالایی ایجاد نمی کند. علاوه بر این، ترکیب باندهای Sentinel-1، باندهای Sentinel-2 تنها برای دو ترکیب، یعنی Sentinel-1 VH با باندهای لبه قرمز و NIR Sentinel-2 به اندازه کافی عمل می کنند (R2 = ۰٫۵۳ و R2 = به ترتیب ۰٫۵۸). نشان داده شده است که ترکیب باندهای Sentinel-1 و Sentinel-2 دقت بالاتری نسبت به باندهای حسگرهای مستقل دارد [ ۳۷ ، ۵۲ ]. با این حال، این مورد در مطالعه حاضر نبود. در شکل ۵، در واقع مشهود است که اطلاعات Sentinel-2 در مقایسه با Sentinel-1، پیش بینی بهتری برای AGB است، که با مطالعه نقشه برداری AGB در جنگل خشک آفریقای غربی از Forkuor و همکاران مطابقت دارد. [ ۳۶ ]. شاید این مورد باشد که الگوریتم‌های پیچیده‌تر برای ترکیب اطلاعات از SAR و ماهواره‌های نوری می‌توانند دقت بالاتری به دست آورند و شاخص‌های طیفی مورد استفاده در مطالعه کنونی نمی‌توانند اطلاعات تکمیلی این حسگرها را به‌اندازه کافی دریافت کنند و در نتیجه مقادیر R2 کمتری در هنگام استفاده از مجموعه داده های Sentinel-1 و ۲ به صورت هم افزایی. در نهایت، شاخص های طیفی RSI نتایج قابل توجهی متفاوت از NDSI به همراه نداشت. از این رو، دومی ارائه نشده است.
وقتی فقط نمونه‌های میدانی را در نظر می‌گیریم که ساج برای آنها گونه غالب است ( شکل ۶ )، به نظر می‌رسد همان پنجره‌های طیفی با مجموعه داده کامل ( شکل ۵ ) ظاهر می‌شوند، تنها با همبستگی‌های بالاتر در ترکیب‌های باند ۲، ۳ و ۶، ۷، و ۸A (0.70 ≤ R ۲ ≤ ۰٫۷۴). بالاترین همبستگی یافت شده برای نمونه های ساج غالب R2 = ۰٫۷۴ برای ترکیب باند ۳-۷ بود. این واقعیت که ما کرت هایی را با یک گونه غالب در نظر گرفتیم به نظر می رسد همبستگی را افزایش می دهد. علاوه بر این، ترکیب Sentinel-1 و NIR، که همبستگی بالایی را برای کل مجموعه داده نشان داد، در مجموعه داده ساج وجود ندارد. در این مورد، Sentinel-1 همبستگی بالایی را هنگامی که با موارد مرئی همراه شد (باندهای ۲-۵ با R2 = ۰٫۶۲ برای باند ۴) یا باندهای SWIR (R ۲ = ۰٫۵۸). برای ۲ گونه غالب دیگر، یعنی چوب ماهون و اقاقیا، همبستگی آماری قابل قبولی به دست نیامد ( ۰۰۱/۰ P <). از این رو، نتایج در اینجا ارائه نشده است. این احتمالاً به اندازه کوچک مجموعه داده نسبت داده می شود، زیرا بیشتر قطعات نمونه در درجه اول با درخت ساج کاشته می شوند.
در سناریوی سوم ( شکل ۷ )، نقش یکنواختی مورد بررسی قرار گرفت. الگوی عمومی مشاهده شده مشابه نتایج هنگام استفاده از کل مجموعه داده است، به ویژه برای مورد تک سلطه. با این وجود، فراوانی ترکیبات باند با R2 > ۰٫۵ نسبتاً محدود است. یک همبستگی قوی را می توان برای ترکیب باند ۲ و باندهای NIR (6،۷،۸،۸A) (0.71 ≤ R2 ≤ ۰٫۷۸) مشاهده کرد، با نسبت ۲/۷ دارای بالاترین همبستگی (یعنی R ۲ = ۰٫۷۸) و بالاترین همبستگی را برای تمام سناریوهای این مطالعه به دست می‌آورد که شاید با این واقعیت قابل توجیه باشد که در این زیرمجموعه از نتایج فقط نمودارهای تک غالب در نظر گرفته شده است.
شکل ۸ رگرسیون خطی را برای بالاترین همبستگی نمودارهای تک غالب بررسی شده در این پاراگراف، و همچنین بالاترین همبستگی برای کل مجموعه داده را نشان می دهد. شایان ذکر است که به نظر نمی رسد گونه خاصی وجود داشته باشد که عملکرد بهتری نسبت به سایرین داشته باشد، که شاید بتوان آن را به تخصیص معادلات آلومتریک متناسب با گونه برای تخمین بیومس کرت نسبت داد.
مجموعه داده غیر تک غالب یک پنجره طیفی مشابه را برای ترکیبات باند Sentinel-2 به تصویر می کشد. باند ۲ با باندهای ۶-۸A همبستگی دارد (۰٫۶۲ ≤ R2 ≤ ۰٫۶۹). علاوه بر این، مجموعه داده غیر تک غالب، نامزد باند Sentinel-1 VH و Sentinel-2 باند ۸ را به عنوان یک ترکیب متقابل ماهواره ای مرتبط با AGB نشان می دهد (R2 = ۰٫۶۶)، که دقیقاً همان ترکیبی است که در کل سناریوی مجموعه داده برجسته شده است. ( شکل ۵ )؛ این ترکیب باند، و در واقع هر ترکیبی که شامل باندهای Sentinel-1 باشد، در نمونه‌های تک غالب در شکل ۷ دیده نمی‌شود.و این یک سوال علمی باقی مانده است که آیا اطلاعات SAR از Sentinel-1 واقعاً قادر است با نمودارهای ناهمگن بیشتر از نمودارهای همگن ارتباط برقرار کند یا خیر.
به منظور بررسی ارتباط یافته‌های ما در زمینه روش‌های سنتی، شاخص‌های پوشش گیاهی رایج برآورد و آمارهای مشابهی استخراج شد. جدول ۴ نتایج شاخص های تجربی و همبستگی های یافت شده را نشان می دهد.
بهترین شاخص محبوب EVI (R2 = ۰٫۶۵) و به دنبال آن ARVI (R2 = ۰٫۶۱) و mNDVI (R2 = ۰٫۶۰) بود. در مقایسه با SI پیشنهاد شده در مطالعه حاضر، همه شاخص‌های پوشش گیاهی محبوب عملکرد ضعیفی داشتند. در واقع، ۷ ترکیب باند در شکل ۵ با R2 بالاتر از EVI و ۱۹ ترکیب باند با R2 شناسایی شده است.بالاتر از mNDVI. شایان ذکر است در مورد تنوع باند این سه شاخص محبوب با بهترین عملکرد. EVI بر اساس نوارهای NIR، قرمز و آبی است. ARVI بر اساس لبه قرمز، قرمز و نوارهای آبی است. و mNDVI بر اساس دو نوار لبه قرمز و آبی است. تنها مخرج مشترک در این سه شاخص، استفاده از نوار آبی است که در بهترین عملکرد شاخص RSI که مطالعه حاضر نشان می دهد نیز یافت شد.
در مورد نوارهای لبه قرمز، mNDVI به شدت به دو باند لبه قرمز متکی است و VOG1 منحصراً به ترکیبی از نوارهای لبه قرمز مختلف متکی است. این شاخص ها به ترتیب مقادیر R2 = ۰٫۶۰ و R2 = ۰٫۵۵ را ارائه کردند. این واقعیت که زیست توده به اندازه کافی با شاخص پوشش گیاهی که منحصراً از نوارهای لبه قرمز استفاده می کند، مانند VOG1 همبستگی دارد، برای سودمندی نوارهای لبه قرمز برای بازیابی صفات گیاهی دلگرم کننده است. عسکر و همکاران [ ۲۰ ]، در مطالعه ای که در همان منطقه انجام شد، AGB را بر اساس تصاویر Sentinel-2 تخمین زد و گزارش کرد که شاخص تفاوت عادی شده ۴۵ (NDI45)، که از نوارهای قرمز و لبه قرمز ساخته شده است، در مقایسه با AGB همبستگی قوی دارد. سایر شاخص ها ( R2= 0.79). مطالعات دیگر نیز بر اهمیت نوار لبه قرمز Sentinel-2 تاکید کرده اند. به عنوان مثال، Delegido و همکاران. [ ۱۰۱ ] بهبود دقت در تخمین کلروفیل را هنگام گنجاندن نوارها در ناحیه لبه قرمز گزارش کرد.
نکته مهم دیگر این است که NDVI، SAVI و MSAVI2 شاخص هایی هستند که بر اساس باندهای قرمز و NIR ساخته شده اند و این سه شاخص با دقت کمی کمتر از گروه سه شاخص مورد بحث در پاراگراف قبل، نتایج مشابهی را نشان می دهند. دلیل این امر ممکن است این واقعیت باشد که نوع شاخص های مذکور در مقادیر بالای زیست توده اشباع می شوند که این یک واقعیت در محیط های گرمسیری است. لو و همکاران [ ۱۰۲ ]، در یک مطالعه با مقایسه NDVI و SAVI مبتنی بر Landsat، پیشنهاد کرد که شاخص‌های پوشش گیاهی که شامل باندهای طیفی SWIR می‌شوند، در مورد توده‌های جنگلی با ساختار پیچیده، همبستگی بالاتری با AGB دارند، در حالی که شاخص‌های پوشش گیاهی که NIR را ترکیب می‌کنند، ارتباط قوی‌تری دارند. با توده جنگلی با ساختار ساده. به عنوان مثال، عسکر و همکاران. [ ۲۰] پیشنهاد کرد که جایگزینی نوار NIR با لبه قرمز روی شاخص NDI45، پیش بینی زیست توده را بهبود بخشید، یافته ای که توسط فرامپتون و همکارانش تایید شد. [ ۱۰۳ ].
بازیابی زیست توده از داده های سنجش از راه دور از چندین حسگر به طور مکرر در ادبیات علمی نشان داده شده است. وضوح فضایی یکی از مشخصات سنسورهای ماهواره ای است که در تعیین کمیت زیست توده از فضا اهمیت دارد. به عنوان مثال، نایدو و همکاران. [ ۳۷ ]، در مطالعه‌ای که AGB علفی یک تالاب در آفریقای جنوبی را بررسی کرد، دقت پیش‌بینی AGB نسبتاً بالاتری را برای WorldView-3 نسبت به Sentinel-2 گزارش کرد که به ترتیب دارای تفکیک‌پذیری فضایی ۱ متر و ۱۰ متر است. به طور مشابه، وضوح طیفی اهمیت دارد. برای مثال، سیبندا و همکاران. [ ۴۳]، در مطالعه‌ای که در آن AGB چمن را در تیمارهای مختلف کود در آفریقای جنوبی کمیت کردند، در حالی که مشخص کردند داده‌های Sentinel-2 و Landsat-8 با بازنمونه فراطیفی بازنمونه‌شده همبستگی خوبی ارائه کردند (به ترتیب R2 = ۰٫۸۱ و R2 = ۰٫۷۶٫ با این وجود، داده های فراطیفی همبستگی بهتری را نشان دادند (R2 = ۰٫۹۲). نتیجه مشابهی توسط سیبندا و همکاران بدست آمد. [ ۱۰۴ ]، که دریافتند که دقت Sentinel-2 نسبتاً، اما قابل قبول، کمتر از حسگر فراطیفی HyspIRI است (R2 = ۰٫۵۸ و R2= 0.69، به ترتیب). ماهواره‌های Sentinel-1 و Sentinel-2 قابلیت‌های جدیدی را در این حوزه به ارمغان آورده‌اند، زیرا آنها ترکیبی از وضوح رادیومتری بسیار بالا در مناطق طیفی کلیدی برای اطلاعات مربوط به پوشش گیاهی ارائه می‌دهند. مطالعه حاضر قابلیت استفاده از ماهواره های Sentinel-1 و Sentinel-2 را در بازیابی AGB از راه دور تقویت می کند.
در نهایت، با توجه به آزمایش روی استحکام روش، تحلیل را بر اساس ۱۶۱۷ نمونه درخت جمع‌آوری‌شده از ۴۵ قطعه بین سپتامبر و نوامبر ۲۰۱۷ دوباره اجرا کردیم. نمودار R2 ( شکل ۹ ) الگوی مشابهی را با نتایج ۳۰ قطعه ارائه می‌کند. ( شکل ۵) که نشان می دهد که رویکرد پیشنهادی می تواند با مجموعه داده های متنوع تری اعمال شود. با این حال، همبستگی برای هر یک از ترکیب‌های باند کاهش یافت، که می‌توان آن را به بعد زمانی این مجموعه داده نسبت داد. داده‌های میدانی جمع‌آوری‌شده در نوامبر ۲۰۱۷، چهار ماه جدا از دستیابی به تصویر ماهواره‌ای Sentinel-2 جمع‌آوری شد. با این وجود، این همبستگی کاهش یافته در هر دو ترکیب کامل از شاخص های طیفی و شاخص های سنتی محاسبه شده همگن بود. همانطور که در جدول ۴ ارائه شده است ، همه شاخص های تجربی کاهش R2 داشتند که از ۰٫۰۷ برای مورد CRI تا ۰٫۱۶ برای ARVI، mNDVI، و VOG1 متغیر بود . بهترین ترکیب در این مطالعه، band8/band2، کاهش R2 داشت۰٫۱۳ در مقایسه با آزمایش ۳۰ پلات پایدار و همچنان برتر از تمام شاخص های سنتی پوشش گیاهی بود. نتایج بالا کاربرد رویکرد ما را نشان می‌دهد، و انجام آزمایش‌های بیشتر با تصاویر ماهواره‌ای بدون ابر در آینده برای بررسی کامل استحکام روش پیشنهادی از اهمیت بالایی برخوردار است.

۴٫ نتیجه گیری

سنجش از دور ماهواره ای ابزاری ضروری در بازیابی صفات گیاهی بوده است. استفاده از شاخص‌های سنتی پوشش گیاهی از دیرباز برای تبدیل تصاویر ماهواره‌ای به اطلاعات ملموس و متعاقباً استفاده از این شاخص‌ها به‌عنوان نماینده خواص بیوفیزیکی رایج بوده است. ظهور ماهواره های معاصر اطلاعات تکمیلی را در باندهای طیفی کلیدی مانند اشعه ماوراء بنفش، لبه قرمز و حرارتی و با افزایش تعداد باندها و دقت های رادیومتری در دسترس قرار داده است و راه را برای روش های جدید تقریب صفات بیوفیزیکی باز کرده است. در مطالعه موردی فعلی که در یک جنگل خصوصی گرمسیری انجام شد، ما نشان دادیم که ترکیب جامع نسبت طیفی ساده بین تمام باندهای Sentinel-1 و Sentinel-2 همبستگی قابل توجهی بالاتری در مقایسه با نه شاخص سنتی پوشش گیاهی دارد. نسبت طیفی از باندهای ۸ و ۲ از Sentinel-2 یک R را به دست داد.۲ = ۰٫۷۰، در حالی که شاخص طیفی محبوب با بهترین عملکرد، یعنی EVI، R2 = ۰٫۶۵ را به همراه داشت. هنگامی که مخزن داده را فقط به نمودارهای تک غالب محدود می کنیم، R2 برای ترکیب باند ۷/۲ ۰٫۷۸ بود، واقعیتی که شاید بتوان آن را به همگنی نمونه های میدان نسبت داد. به طور کلی، ما ادعا می کنیم که بررسی ترکیبات نوار کامل برای مطالعات در مقیاس کوچک می تواند همبستگی قوی تری را در مقایسه با کاربرد تصادفی شاخص های پوشش گیاهی رایج فراهم کند و مفروضات مربوط به ویژگی های محیطی، ساختاری و اکوسیستمی را که برای انتخاب یک گیاه ایجاد شده است، دور بزند.

منابع

  1. سازمان خواربار و کشاورزی ملل متحد. ارزیابی منابع جنگلی جهانی ۲۰۲۰ — یافته های کلیدی ؛ فائو: رم، ایتالیا، ۲۰۲۰؛ در دسترس آنلاین: https://doi.org/10.4060/ca8753en (در ۹ ژانویه ۲۰۲۲ قابل دسترسی است). [ CrossRef ]
  2. پان، ی. Birdsey، RA; نیش، جی. هاتون، آر. Kauppi، PE; کورز، WA; فیلیپس، OL; شویدنکو، آ. لوئیس، اس ال. Canadell، JG; و همکاران یک سینک کربن بزرگ و پایدار در جنگل های جهان. Science ۲۰۱۱ ، ۳۳۳ ، ۹۸۸-۹۹۳٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  3. کایرنز، MA; براون، اس. هلمر، EH; باومگاردنر، تخصیص زیست توده ریشه GA در جنگل های مرتفع جهان. Oecologia ۱۹۹۷ ، ۱۱۱ ، ۱-۱۱٫ [ Google Scholar ] [ CrossRef ]
  4. کینان، RJ; ریمز، GA; آچارد، اف. د فریتاس، JV; گرینگر، آ. لیندکویست، E. دینامیک منطقه جنگلی جهانی: نتایج ارزیابی منابع جنگلی جهانی فائو. برای. Ecol. مدیریت ۲۰۱۵ ، ۳۵۲ ، ۹-۲۰٫ [ Google Scholar ] [ CrossRef ]
  5. سینگار، پ. سیلشی، GW; ناث، ا. ناث، ای جی؛ Das, AK مدل سازی پوسته پوسته شدن زیست توده زیرزمینی با زیست توده زیرزمینی در بامبوهای گرمسیری. درختان برای. مردم ۲۰۲۱ ، ۳ ، ۱۰۰۰۵۴٫ [ Google Scholar ] [ CrossRef ]
  6. لیو، اف. گائو، سی. چن، ام. Li، K. روابط زیست توده بالای و زیر زمینی Leucaena leucocephala (Lam.) de Wit در توده‌های گیاهی مختلف. PLoS ONE ۲۰۱۸ , ۱۳ , e0207059. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  7. او، اچ. ژانگ، سی. ژائو، ایکس. فوسنی، ف. وانگ، جی. دای، اچ. یانگ، اس. زو، Q. معادلات زیست توده آلومتریک برای ۱۲ گونه درخت در جنگل های مختلط مخروطی و پهن برگ، شمال شرقی چین. PLoS ONE ۲۰۱۸ , ۱۳ , e0186226. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  8. فلدپاوش، TR; لوید، جی. لوئیس، اس ال. برینن، RJW; گلور، م. مندوزا، AM; لوپز-گونزالس، جی. بنین، ال. ابو سلیم، ک. افوم-بافو، ک. و همکاران ارتفاع درخت در تخمین های زیست توده جنگل های پانتروپیک ادغام شده است. Biogeosciences ۲۰۱۲ ، ۹ ، ۳۳۸۱-۳۴۰۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  9. فایول، ا. Doucet، JL; ژیلت، جی اف. بورلند، ن. Lejeune، P. آلومتری درخت در آفریقای مرکزی: آزمایش اعتبار معادلات آلومتریک چند گونه پانتروپیک برای تخمین ذخایر زیست توده و کربن. برای. Ecol. مدیریت ۲۰۱۳ ، ۳۰۵ ، ۲۹-۳۷٫ [ Google Scholar ] [ CrossRef ]
  10. روتیشاوزر، ای. نورآن، ف. لومونیر، ی. هالپرین، جی. یعنی R. هرگوالک اچ، ک. مدل‌های آلومتریک ژنریک Verchot، L. از جمله ارتفاع بهترین تخمین زیست توده جنگل و ذخایر کربن در اندونزی. برای. Ecol. مدیریت ۲۰۱۳ ، ۳۰۷ ، ۲۱۹-۲۲۵٫ [ Google Scholar ] [ CrossRef ]
  11. غرب، PW درخت و جنگل اندازه گیری ; Springer: برلین/هایدلبرگ، آلمان، ۲۰۱۵٫ [ Google Scholar ]
  12. بومن، دی.م. Brienen، RJ; گلور، ای. فیلیپس، او. قبل، L. تشخیص روند رشد درخت: چندان ساده نیست. Trends Plant Sci. ۲۰۱۳ ، ۱۸ ، ۱۱-۱۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  13. باسوکی، TM; Van Laake، PE; اسکیدمور، AK; معادلات آلومتریک Hussin، YA برای تخمین زیست توده روی زمین در جنگل های دشت گرمسیری Dipterocarp. برای. Ecol. مدیریت ۲۰۰۹ ، ۲۵۷ ، ۱۶۸۴-۱۶۹۴٫ [ Google Scholar ] [ CrossRef ]
  14. Das، N. مدلسازی آلومتریک برای برآورد سطح برگ و زیست توده برگ Swietenia mahagoni در منطقه شمال شرقی بنگلادش. جی. برای. محیط زیست علمی ۲۰۱۴ ، ۳۰ ، ۳۵۱-۳۶۱٫ [ Google Scholar ] [ CrossRef ]
  15. Purwanto، RH; رومان، آر. مریودی، ع. یوونو، تی. پرمادی، دی.بی. سانجایا، ام. پوتنسی بیوماسا دان سیمپانان کربن جنیس-جنیس تانامان برکایو دی هوتان راکیات دسا نگلانگران، گونونگکیدول، دائره ایستیوا یوگیاکارتا. J. Ilmu Kehutan. ۲۰۱۲ ، ۶ ، ۱۲۸-۱۴۱٫ [ Google Scholar ]
  16. زکی، NAM; غرق‌های کربن لطیف، ZA و تخمین زیست‌توده جنگل‌های استوایی: مروری بر نقش سنجش از راه دور در مدل‌سازی زیست‌توده بالای زمینی. Geocarto Int. ۲۰۱۷ ، ۳۲ ، ۷۰۱-۷۱۶٫ [ Google Scholar ] [ CrossRef ]
  17. چاو، جی. Réjou-Méchain، M. بورکز، آ. چیدومایو، ای. کلگان، ام اس; دلیتی، WB; دوک، ا. عید، ت. Fearnside، PM; گودمن، آرسی؛ و همکاران مدل های آلومتریک بهبود یافته برای تخمین زیست توده بالای زمینی درختان گرمسیری گلوب. چانگ. Biol. ۲۰۱۴ ، ۲۰ ، ۳۱۷۷-۳۱۹۰٫ [ Google Scholar ] [ CrossRef ]
  18. Kwok، R. اکولوژی انقلاب سنجش از دور. طبیعت ۲۰۱۸ ، ۵۵۶ ، ۱۳۷-۱۳۸٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  19. پاندیت، اس. تسویوکی، اس. Dube، T. تخمین بیومس بالای زمین در جنگل‌های منطقه حائل نیمه گرمسیری، نپال، با استفاده از داده‌های Sentinel 2. Remote Sens. ۲۰۱۸ , ۱۰ , ۶۰۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  20. عسکر; ناتاماچوت، ن. فایروانگ، دبلیو. ویکاسونو، پی. Sayektiningsih, T. تخمین زیست توده روی زمین در جنگل خصوصی با استفاده از تصاویر Sentinel-2. J. Sens. ۲۰۱۸ , ۲۰۱۸ , ۶۷۴۵۶۲۹٫ [ Google Scholar ] [ CrossRef ]
  21. شوکو، سی. موتانگا، او. دوبی، تی. Slotow، R. مشخص کردن تغییرات مکانی-زمانی C3 و C4 تحت سلطه علفزارهای زیست توده بالای زمین در Drakensberg، آفریقای جنوبی. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۱۸ ، ۶۸ ، ۵۱-۶۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  22. انگلهارت، اس. کیوک، وی. Siegert, F. بازیابی زیست توده در جنگل های استوایی – پتانسیل استفاده ترکیبی از داده های SAR باند X و L. سنسور از راه دور محیط. ۲۰۱۱ ، ۱۱۵ ، ۱۲۶۰-۱۲۷۱٫ [ Google Scholar ] [ CrossRef ]
  23. یو، ی. Saatchi، S. حساسیت از L-Band SAR Backscatter به زیست توده زیرزمینی جنگل های جهانی. Remote Sens. ۲۰۱۶ , ۸ , ۵۲۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  24. سانتورو، ام. Cartus، O. مسیرهای تحقیقاتی تخمین زیست توده جنگلی در بالای زمین بر اساس مشاهدات SAR Backscatter و تداخل سنجی SAR. Remote Sens. ۲۰۱۸ , ۱۰ , ۶۰۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  25. برنینگر، آ. لوهبرگر، اس. استانگل، ام. Siegert، F. برآورد مبتنی بر SAR از زیست توده بالای زمین و تغییرات آن در جنگل های گرمسیری کالیمانتان با استفاده از باند L و C. Remote Sens. ۲۰۱۸ , ۱۰ , ۸۳۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  26. Trisasongko، BH; پاول، DJ L-band SAR برای تخمین زیست توده زیرزمینی مزارع لاستیک در جزیره جاوا، اندونزی. Geocarto Int. ۲۰۲۰ ، ۳۵ ، ۱۳۲۷-۱۳۴۲٫ [ Google Scholar ] [ CrossRef ]
  27. کرونسدر، ک. بالهورن، یو. بوهم، وی. Siegert, F. تخمین زیست توده بالای زمین در انواع جنگل ها در سطوح مختلف تخریب در کالیمانتان مرکزی با استفاده از داده های LiDAR. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۱۲ ، ۱۸ ، ۳۷-۴۸٫ [ Google Scholar ] [ CrossRef ]
  28. باکسینی، آ. Asner, GP بهبود نقشه های کربن جنگل های پانتروپیک با نمونه برداری از هوابرد LiDAR. کربن مناگ. ۲۰۱۳ ، ۴ ، ۵۹۱-۶۰۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  29. آسنر، GP; Mascaro, J. نقشه برداری کربن جنگل های استوایی: کالیبره کردن تخمین های نمودار به یک متریک ساده LiDAR. سنسور از راه دور محیط. ۲۰۱۴ ، ۱۴۰ ، ۶۱۴-۶۲۴٫ [ Google Scholar ] [ CrossRef ]
  30. اندرسون، جی. Plourde، LC; مارتین، من براسول، بی. اسمیت، ام.-ال. دبیه، RO; هافتون، MA; بلر، JB ادغام لیدار شکل موج با تصاویر فراطیفی برای فهرست جنگل های معتدل شمالی. سنسور از راه دور محیط. ۲۰۰۸ ، ۱۱۲ ، ۱۸۵۶-۱۸۷۰٫ [ Google Scholar ] [ CrossRef ]
  31. کلارک، ام ال. رابرتز، دی. ایول، جی جی. Clark، DB برآورد زیست توده جنگل های بارانی استوایی با سنسورهای لیدار و ابرطیفی با ردپای کوچک. سنسور از راه دور محیط. ۲۰۱۱ ، ۱۱۵ ، ۲۹۳۱-۲۹۴۲٫ [ Google Scholar ] [ CrossRef ]
  32. لطیفی، ح. Fassnacht، F. Koch، B. مدل‌سازی ساختار جنگل با داده‌های ترکیبی ابرطیفی هوا و LiDAR. سنسور از راه دور محیط. ۲۰۱۲ ، ۱۲۱ ، ۱۰-۲۵٫ [ Google Scholar ] [ CrossRef ]
  33. دالپونته، ام. Ørka، HO; Ene, LT; گوباکن، تی. Næsset، E. تعیین تاج درخت و طبقه بندی گونه های درختی در جنگل های شمالی با استفاده از داده های فراطیفی و ALS. سنسور از راه دور محیط. ۲۰۱۴ ، ۱۴۰ ، ۳۰۶-۳۱۷٫ [ Google Scholar ] [ CrossRef ]
  34. سواتانتران، ا. دبیه، ر. رابرتز، دی. هافتون، ام. بلر، JB نقشه برداری زیست توده و تنش در سیرا نوادا با استفاده از همجوشی داده های لیدار و ابرطیفی. سنسور از راه دور محیط. ۲۰۱۱ ، ۱۱۵ ، ۲۹۱۷-۲۹۳۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  35. فام، تی دی; یوشینو، ک. Le، NN; Bui, DT تخمین بیومس بالای زمینی یک مزرعه حرا در ساحل شمالی ویتنام با استفاده از تکنیک های یادگیری ماشین با ادغام داده های ALOS-2 PALSAR-2 و Sentinel-2A. بین المللی J. Remote Sens. ۲۰۱۸ , ۳۹ , ۷۷۶۱–۷۷۸۸٫ [ Google Scholar ] [ CrossRef ]
  36. فورکور، جی. Zoungrana، BJ-B. دیموبه، ک. اوتارا، بی. Vadrevu، KP; Tondoh، JE نقشه برداری زیست توده روی زمین در جنگل خشک آفریقای غربی با استفاده از مجموعه داده Sentinel-1 و ۲ – مطالعه موردی. سنسور از راه دور محیط. ۲۰۲۰ , ۲۳۶ , ۱۱۱۴۹۶٫ [ Google Scholar ] [ CrossRef ]
  37. نایدو، ال. ون دونتر، اچ. راموئلو، ا. متیو، آر. نوندلازی، ب. Gangat, R. تخمین بیومس بالای زمین به عنوان شاخص ذخیره کربن در تالاب های پوشش گیاهی بیوم علفزار آفریقای جنوبی. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۱۹ ، ۷۸ ، ۱۱۸-۱۲۹٫ [ Google Scholar ] [ CrossRef ]
  38. پلوتون، پی. Pélissier، R. پرویز، سی. فلاونو، تی. باربیر، ن. رای، SN; کوترون، پی. ارزیابی زیست توده جنگل های استوایی بالای زمین با استفاده از تصاویر سایه بان Google Earth. Ecol. Appl. ۲۰۱۲ ، ۲۲ ، ۹۹۳-۱۰۰۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  39. ندیکومانا، ای. Minh، DHT؛ نگوین، HTD؛ بغدادی، ن. کورو، دی. هوسارد، ال. El Moussawi، I. برآورد ارتفاع برنج و زیست توده با استفاده از SAR Sentinel-1 چند زمانی برای Camargue، جنوب فرانسه. Remote Sens. ۲۰۱۸ , ۱۰ , ۱۳۹۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  40. ناتاماچوت، ن. فایروانگ، دبلیو. استراتولیاس، دی. برآورد انتشار کربن در پروژه مگا برنج سابق، اندونزی بر اساس تصاویر ماهواره ای سار. Appl. Ecol. محیط زیست Res. ۲۰۱۹ ، ۱۷ ، ۲۴۸۹–۲۴۹۹٫ [ Google Scholar ] [ CrossRef ]
  41. لینگ، جی. ژانگ، اچ. Lin, Y. بهبود طبقه بندی پوشش زمین شهری در مناطق مستعد ابر با تصاویر SAR قطبی. Remote Sens. ۲۰۲۱ , ۱۳ , ۴۷۰۸٫ [ Google Scholar ] [ CrossRef ]
  42. لی، سی. زو، ایکس. وی، ی. کائو، اس. گوا، ایکس. یو، ایکس. چانگ، سی. برآورد محتوای کلروفیل تاج درخت سیب بر اساس تصویربرداری سنجش از دور Sentinel-2A. علمی Rep. ۲۰۱۸ , ۸ , ۳۷۵۶٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  43. سیبندا، م. موتانگا، او. Rouget، M. بررسی پتانسیل وضوح طیفی Sentinel-2 MSI در تعیین کمیت زیست توده بالای زمین در تیمارهای مختلف کود. ISPRS J. Photogramm. Remote Sens. ۲۰۱۵ ، ۱۱۰ ، ۵۵-۶۵٫ [ Google Scholar ] [ CrossRef ]
  44. مجاسلمی، ت. Rautiainen، M. پتانسیل داده های Sentinel-2 برای تخمین متغیرهای بیوفیزیکی در یک جنگل شمالی: یک مطالعه شبیه سازی. سنسور از راه دور Lett. ۲۰۱۶ ، ۷ ، ۴۲۷-۴۳۶٫ [ Google Scholar ] [ CrossRef ]
  45. شارما، اس. Ochsner، TE; تویدول، دی. کارلسون، جی. کروگر، ES; Engle, DM; Fuhlendorf، SD برآورد غیرمخرب محصول ایستاده و محتوای رطوبت سوخت در چمنزار Tallgrass. رنگل. Ecol. مدیریت ۲۰۱۸ ، ۷۱ ، ۳۵۶-۳۶۲٫ [ Google Scholar ] [ CrossRef ]
  46. ژائو، پی. لو، دی. وانگ، جی. وو، سی. هوانگ، ی. Yu, S. بررسی اشباع بازتاب طیفی در تصاویر Landsat و راه حل های مربوطه برای بهبود تخمین زیست توده جنگلی روی زمین. Remote Sens. ۲۰۱۶ ، ۸ ، ۴۶۹٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  47. ژائو، دی. هوانگ، ال. لی، جی. Qi، J. تجزیه و تحلیل مقایسه ای از پهنای باند و باند باریک مشتق شده شاخص های گیاهی در پیش بینی LAI و CCD از یک تاج پنبه. ISPRS J. Photogramm. Remote Sens. ۲۰۰۷ ، ۶۲ ، ۲۵-۳۳٫ [ Google Scholar ] [ CrossRef ]
  48. چن، جی.ام. پاولیک، جی. براون، ال. Cihlar، J. Leblanc، SG; سفید، HP; هال، RJ; Peddle, DR; کینگ، دی جی; Trofymow، JA; و همکاران استخراج و اعتبار سنجی نقشه های شاخص سطح برگ با وضوح درشت در سراسر کانادا با استفاده از تصاویر ماهواره ای با وضوح بالا و اندازه گیری های زمینی. سنسور از راه دور محیط. ۲۰۰۲ ، ۸۰ ، ۱۶۵-۱۸۴٫ [ Google Scholar ] [ CrossRef ]
  49. Huete، AR؛ لیو، مقر; Batchily، KV; Van Leeuwen، WJDA مقایسه شاخص‌های پوشش گیاهی بر روی مجموعه‌ای جهانی از تصاویر TM برای EOS-MODIS. سنسور از راه دور محیط. ۱۹۹۷ ، ۵۹ ، ۴۴۰-۴۵۱٫ [ Google Scholar ] [ CrossRef ]
  50. درویش زاده، ر. اسکیدمور، ا. آتزبرگر، سی. Van Wieren، S. برآورد LAI پوشش گیاهی از داده های بازتاب ابرطیفی: اثرات نوع خاک و معماری گیاه. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۰۸ ، ۱۰ ، ۳۵۸-۳۷۳٫ [ Google Scholar ] [ CrossRef ]
  51. جوشی، ن. میچارد، ای تی. برولی، م. شوماخر، جی. فرناندز-لاندا، آ. یوهانسن، VK; مارچامالو، م. Fensholt، R. درک “اشباع” سیگنال های رادار در جنگل ها. علمی ۲۰۱۷ ، ۷ ، ۳۵۰۵٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  52. ناتاماچوت، ن. عسکر، ع. استراتولیاس، دی. Wicaksono، P. استفاده ترکیبی از داده های Sentinel-1 و Sentinel-2 برای بهبود تخمین زیست توده بالای زمین. Geocarto Int. ۲۰۲۰ ، ۳۷ ، ۳۶۶-۳۷۶٫ [ Google Scholar ] [ CrossRef ]
  53. Tsitsi، B. سنجش از دور زیست توده جنگلی بالای زمین: بررسی. تروپ Ecol. ۲۰۱۶ ، ۵۷ ، ۱۲۵-۱۳۲٫ [ Google Scholar ]
  54. نندی، اس. سینگ، آر. قوش، س. واتهام، تی. کوشواها، SPS; کومار، ع. دادوال، مدل سازی مبتنی بر شبکه عصبی VK برای ارزیابی زیست توده جنگل. کربن مناگ. ۲۰۱۷ ، ۸ ، ۳۰۵-۳۱۷٫ [ Google Scholar ] [ CrossRef ]
  55. Laurin، GV; پولتی، ن. هاثورن، دبلیو. لیزنبرگ، وی. کرونا، پی. پاپال، دی. چن، کیو. والنتینی، R. تبعیض از انواع جنگل های استوایی، گونه های غالب، و نقشه برداری از اصناف عملکردی توسط ابرطیفی و شبیه سازی شده چند طیفی Sentinel-2 داده. سنسور از راه دور محیط. ۲۰۱۶ ، ۱۷۶ ، ۱۶۳-۱۷۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  56. هیل، TC; ویلیامز، ام. بلوم، AA; میچارد، ایتا؛ رایان، سی ام آیا برآوردهای زیست توده روی زمین بر اساس موجودی و سنجش از راه دور سازگار هستند؟ PLoS ONE ۲۰۱۳ ، ۸ ، e74170. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  57. وینا، ا. Gitelson، AA; Nguy-Robertson، AL; Peng, Y. مقایسه شاخص‌های مختلف پوشش گیاهی برای ارزیابی از راه دور شاخص سطح برگ سبز محصولات. سنسور از راه دور محیط. ۲۰۱۱ ، ۱۱۵ ، ۳۴۶۸-۳۴۷۸٫ [ Google Scholar ] [ CrossRef ]
  58. فروشندگان، بازتاب PJ Canopy، فتوسنتز و تعرق. بین المللی J. Remote Sens. ۱۹۸۵ ، ۶ ، ۱۳۳۵-۱۳۷۲٫ [ Google Scholar ] [ CrossRef ]
  59. استراتولیاس، دی. Tóth، فتوفیزیولوژی VR و طیف‌سنجی برگ‌های خورشید و سایه Phragmites australis و تأثیر بر تکه‌های چگالی‌های مختلف. Remote Sens. ۲۰۲۰ , ۱۲ , ۲۰۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  60. Maryudi، A. گواهینامه جنگل برای مدیریت جنگل مبتنی بر جامعه در اندونزی = آیا LEI یک گزینه معتبر ارائه می دهد (شماره ۳) ; موسسه راهبردهای جهانی محیط زیست: کاناگاوا، ژاپن، ۲۰۰۹٫ [ Google Scholar ]
  61. Ota، M. اجرای طرح جنگل جامعه (Hutan Kemasyarakatan) و اثرات آن بر خانواده های روستایی در منطقه Gunungkidul، جاوه، اندونزی: کاوشی در زمینه کشاورزی محلی. استوایی ۲۰۱۱ ، ۱۹ ، ۱۲۳-۱۳۳٫ [ Google Scholar ]
  62. رحمت، م. تاکاهیرو، اف. Sato, N. بررسی نقش بخش جنگلداری در سیستم اقتصادی منطقه Gunungkidul در ۱۹۹۳-۲۰۰۸٫ هندوستان جی. برای. Res. ۲۰۱۲ ، ۹ ، ۱۰۰-۱۰۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  63. فوجیوارا، تی. آوانگ، س. ویدایانتی، دبلیو. سپتیانا، آر. هیاکومورا، ک. Sato، N. اثرات گواهینامه جنگل مبتنی بر جامعه ملی بر مدیریت جنگل و بازاریابی چوب: مطالعه موردی Gunung Kidul، Yogyakarta، اندونزی. بین المللی برای. Rev. ۲۰۱۵ , ۱۷ , ۴۴۸-۴۶۰٫ [ Google Scholar ] [ CrossRef ]
  64. Wicaksono, RL; آوانگ، ع. Suryanto, P. انتقال جنگل خصوصی در روستای Gunungkidul: واقعیت، مسیر، و رانندگان. IOP Conf. سر. محیط زمین. علمی ۲۰۲۰ , ۴۴۹ , ۰۱۲۰۵۴٫ [ Google Scholar ] [ CrossRef ]
  65. Kartasubrata، J. اندونزی. در کشاورزی پایدار و محیط زیست در مناطق گرمسیری مرطوب ؛ شورای ملی تحقیقات، ویرایش. انتشارات آکادمی ملی: واشنگتن، دی سی، ایالات متحده آمریکا، ۱۹۹۳٫ [ Google Scholar ]
  66. بومگارد، P. طبیعت شرقی، دوستان و دشمنان آن: حفاظت از طبیعت در اندونزی اواخر دوران استعمار، ۱۸۸۹-۱۹۴۹٫ محیط زیست تاریخچه ۱۹۹۹ ، ۵ ، ۲۵۷-۲۹۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  67. واردانا، دبلیو. سرتوهادی، ج. رهایو، ال. Kurniawan، A. Analisis transisi lahan di kabupaten gunungkidul dengan citra penginderaan jauh multi temporal. J. Ilmu Kehutan. ۲۰۱۲ ، ۶ ، ۸۹-۱۰۲٫ [ Google Scholar ]
  68. Abood، SA; لی، JSH; بوریوالوا، ز. گارسیا-اولوآ، جی. Koh, LP سهم نسبی صنایع چوب بری، فیبر، نخل روغنی و معدن در از بین رفتن جنگل ها در اندونزی. حفظ کنید. Lett. ۲۰۱۵ ، ۸ ، ۵۸-۶۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  69. اسلون، اس. Sayer، ارزیابی منابع جنگلی JA در سال ۲۰۱۵ روندهای جهانی مثبت را نشان می دهد، اما از دست دادن و تخریب جنگل در کشورهای فقیر استوایی ادامه دارد. برای. Ecol. مدیریت ۲۰۱۵ ، ۳۵۲ ، ۱۳۴-۱۴۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  70. استیبیگ، اچ.-جی. آچارد، اف. کربنی، اس. راشی، ر. Miettinen, J. تغییر در پوشش جنگل های استوایی جنوب شرقی آسیا از ۱۹۹۰ تا ۲۰۱۰٫ Biogeosciences ۲۰۱۳ ، ۱۱ ، ۲۴۷-۲۵۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  71. کالدکات، جی. ماهانینگتیاس، ا. هوارد، بی. ویلیامز، دی. لینکلن، پی. سومین بررسی مستقل از همکاری اندونزی و نروژ در کاهش انتشار گازهای گلخانه ای از REDD+ . LTS International Limited: ادینبورگ، اسکاتلند، ۲۰۱۸٫ [ Google Scholar ]
  72. جمهوری اندونزی مشارکت ملی در نظر گرفته شده جمهوری اندونزی. ۲۰۱۵٫ در دسترس آنلاین: https://www4.unfccc.int/sites/submissions/INDC/Published%20Documents/Indonesia/1/INDC_REPUBLIC%20OF%20INDONESIA.pdf (در ۹ ژانویه ۲۰۲۲ قابل دسترسی است).
  73. گروه بانک جهانی اندونزی – پروژه سیاست توسعه تغییرات آب و هوایی ; ICRR14590; گروه بانک جهانی: واشنگتن دی سی، ایالات متحده آمریکا، ۲۰۱۵; در دسترس آنلاین: http://documents.worldbank.org/curated/en/623021474941326315/Indonesia-Climate-Change-Development-Policy-Project (در ۹ ژانویه ۲۰۲۲ قابل دسترسی است).
  74. حجار، ر. Oldekop، J. مرزهای تحقیق در مدیریت جنگل های جامعه. Curr. نظر. محیط زیست حفظ کنید. ۲۰۱۸ ، ۳۲ ، ۱۱۹-۱۲۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  75. سانتیکا، تی. میجارد، ای. بودیهارتا، س. قانون، EA; کوسورو، ا. Hutabarat, JA; Indrawan, TP; استروبیگ، ام. رهارجو، س. هدی، من. و همکاران مدیریت جنگل های جامعه در اندونزی: از جنگل زدایی در زمینه پیچیدگی های انسانی و آب و هوایی اجتناب شود. گلوب. محیط زیست چانگ. ۲۰۱۷ ، ۴۶ ، ۶۰-۷۱٫ [ Google Scholar ] [ CrossRef ]
  76. په، ک. لوئیس، اس ال. لوید، جی. مکانیسم های تک سلطه در سیستم های متنوع استوایی تحت سلطه درختان. جی. اکول. ۲۰۱۱ ، ۹۹ ، ۸۹۱-۸۹۸٫ [ Google Scholar ] [ CrossRef ]
  77. گاسکون، اف. کادائو، ای. کالین، او. هورش، بی. ایزولا، سی. فرناندز، BL; ماموریت مارتیمورت، پی. کوپرنیک سنتینل-۲: محصولات، الگوریتم ها و Cal/Val. در سیستم های رصد زمین XIX ; انجمن بین المللی اپتیک و فوتونیک: سن دیگو، کالیفرنیا، ایالات متحده آمریکا، ۲۰۱۴; جلد ۹۲۱۸، ص. ۹۲۱۸۱E. [ Google Scholar ]
  78. فیری، دی. سیمواندا، م. سالکین، اس. Nyirenda، VR؛ مورایاما، ی. داده های Ranagalage، M. Sentinel-2 برای نقشه برداری پوشش زمین/استفاده: یک بررسی. Remote Sens. ۲۰۲۰ , ۱۲ , ۲۲۹۱٫ [ Google Scholar ] [ CrossRef ]
  79. آلدریان، ای. سوزانتو، RD شناسایی سه منطقه بارندگی غالب در اندونزی و رابطه آنها با دمای سطح دریا. بین المللی جی. کلیم. ۲۰۰۳ ، ۲۳ ، ۱۴۳۵-۱۴۵۲٫ [ Google Scholar ] [ CrossRef ]
  80. لوئیس، جی. دباکر، وی. Pflug، B. مین-نورن، ام. بینیارز، ج. مولر ویلم، یو. انریکو، سی. Ferran, G. Sentinel-2 Sen2Cor: پردازنده L2A برای کاربران. در مجموعه مقالات سمپوزیوم سیاره زنده، پراگ، جمهوری چک، ۹ تا ۱۳ مه ۲۰۱۶؛ صص ۱-۸٫ [ Google Scholar ]
  81. فیلیپونی، F. Sentinel-1 GRD گردش کار پیش پردازش. در مجموعه مقالات موسسه انتشارات دیجیتال چند رشته ای، آنلاین، ۲۲ مه تا ۵ ژوئن ۲۰۱۹؛ جلد ۳٫ [ Google Scholar ]
  82. دی لوکا، جی. سیلوا، جی.ام. Modica، G. یک گردش کار مبتنی بر داده‌های Sentinel-1 SAR و الگوریتم‌های منبع باز برای تشخیص مناطق سوخته‌شده بدون نظارت در اکوسیستم‌های مدیترانه. GIScience Remote Sens. ۲۰۲۱ ، ۵۸ ، ۵۱۶-۵۴۱٫ [ Google Scholar ] [ CrossRef ]
  83. فریسون، P.-L. فرونو، بی. کیمیها، س. سودانی، ک. دوفرنه، ای. لو توآن، تی. کولک، تی. ویلارد، ال. موگین، ای. رودانت، ج.-پی. پتانسیل داده های Sentinel-1 برای پایش فنولوژی جنگل های مخلوط معتدل. Remote Sens. ۲۰۱۸ ، ۱۰ ، ۲۰۴۹٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  84. Carreiras، JMB; کوگان، اس. Tansey، K. صفحه، فرکانس مشاهده S. Sentinel-1 به طور قابل توجهی قابلیت تشخیص ناحیه سوخته را در مناطق استوایی SE آسیا افزایش می دهد. محیط زیست Res. Lett. ۲۰۲۰ , ۱۵ , ۰۵۴۰۰۸٫ [ Google Scholar ] [ CrossRef ]
  85. اینو، ی. ساکایا، ای. زو، ی. تاکاهاشی، W. نقشه برداری تشخیصی محتوای نیتروژن تاج پوشش در برنج بر اساس اندازه گیری های فراطیفی. سنسور از راه دور محیط. ۲۰۱۲ ، ۱۲۶ ، ۲۱۰-۲۲۱٫ [ Google Scholar ] [ CrossRef ]
  86. آرلانو، پی. Stratoulias, D. شاخص های پوشش گیاهی فراطیفی برای تشخیص آلودگی هیدروکربنی. سنسور از راه دور فراطیفی ۲۰۲۰ ، ۲۰۲۰ ، ۴۰۱–۴۲۵٫ [ Google Scholar ] [ CrossRef ]
  87. استراتولیاس، دی. بالزتر، اچ. زلینزکی، آ. توث، وی. ارزیابی اکوفیزیولوژی پوشش گیاهی نی ساحلی دریاچه بر اساس فلورسانس کلروفیل، طیف‌سنجی میدانی و تصاویر ابرطیفی هوابرد. سنسور از راه دور محیط. ۲۰۱۵ ، ۱۵۷ ، ۷۲-۸۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  88. Tucker، CJ Red و ترکیبات خطی مادون قرمز عکاسی برای نظارت بر پوشش گیاهی. سنسور از راه دور محیط. ۱۹۷۹ ، ۸ ، ۱۲۷-۱۵۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  89. Gitelson، AA; کافمن، YJ; Merzlyak، MN استفاده از یک کانال سبز در سنجش از دور پوشش گیاهی جهانی از EOS-MODIS. سنسور از راه دور محیط. ۱۹۹۶ ، ۵۸ ، ۲۸۹-۲۹۸٫ [ Google Scholar ] [ CrossRef ]
  90. Warmerdam, F. کتابخانه انتزاع داده های جغرافیایی. در رویکردهای منبع باز در مدیریت داده های مکانی ; Springer: برلین/هایدلبرگ، آلمان، ۲۰۰۸; صص ۸۷-۱۰۴٫ [ Google Scholar ]
  91. تیم اصلی R. R: زبان و محیطی برای محاسبات آماری . بنیاد R برای محاسبات آماری: وین، اتریش، ۲۰۱۳٫ [ Google Scholar ]
  92. هیوت، ا. دیدان، ک. میورا، تی. رودریگز، EP; گائو، ایکس. Ferreira، LG مروری بر عملکرد رادیومتری و بیوفیزیکی شاخص‌های پوشش گیاهی MODIS. سنسور از راه دور محیط. ۲۰۰۲ ، ۸۳ ، ۱۹۵-۲۱۳٫ [ Google Scholar ] [ CrossRef ]
  93. Huete، AR یک شاخص پوشش گیاهی با خاک (SAVI). سنسور از راه دور محیط. ۱۹۸۸ ، ۲۵ ، ۲۹۵-۳۰۹٫ [ Google Scholar ] [ CrossRef ]
  94. چی، جی. چهبونی، ع. Huete، AR؛ کر، YH; سروشیان، س. شاخص گیاهی اصلاح شده با خاک. سنسور از راه دور محیط. ۱۹۹۴ ، ۴۸ ، ۱۱۹-۱۲۶٫ [ Google Scholar ] [ CrossRef ]
  95. کافمن، YJ; Tanre، D. شاخص گیاهی مقاوم در برابر جو (ARVI) برای EOS-MODIS. IEEE Trans. Geosci. Remote Sens. ۱۹۹۲ , ۳۰ , ۲۶۱-۲۷۰٫ [ Google Scholar ] [ CrossRef ]
  96. سیمز، AD; Gamon، AJ روابط بین محتوای رنگدانه برگ و بازتاب طیفی در طیف گسترده ای از گونه ها، ساختارهای برگ و مراحل رشد. سنسور از راه دور محیط. ۲۰۰۲ ، ۸۱ ، ۳۳۷-۳۵۴٫ [ Google Scholar ] [ CrossRef ]
  97. Gitelson، AA; زور، ی. Chivkunova، OB; Merzlyak، MN ارزیابی محتوای کاروتنوئید در برگ های گیاه با طیف سنجی بازتابی. فتوشیمی. فوتوبیول. ۲۰۰۲ ، ۷۵ ، ۲۷۲-۲۸۱٫ [ Google Scholar ] [ CrossRef ]
  98. Vogelmann، JE; راک، BN; خزه، DM اندازه‌گیری‌های طیفی لبه قرمز از برگ‌های افرا شکر. بین المللی J. Remote Sens. ۱۹۹۳ ، ۱۴ ، ۱۵۶۳-۱۵۷۵٫ [ Google Scholar ] [ CrossRef ]
  99. توماتی، KC; فرارودا، ر. میدینتی، اس. گوپالاکریشنان، ر. Jha، CS; Dadhwal، VK تخمین بیومس بالای زمین برای جنگل های برگریز هند مرکزی با استفاده از داده های باند L ALOS PALSAR. J. شرکت هندی Remote Sens. ۲۰۱۶ ، ۴۴ ، ۳۱-۳۹٫ [ Google Scholar ] [ CrossRef ]
  100. اوروا، سی. موتوآ، ا. کینت، آر. جامناداس، ر. Anthony, S. Agroforestree Database: A Tree Reference and Selection Guide Version 4.0 ; مرکز جهانی آگروفارستری: نایروبی، کنیا، ۲۰۰۹; پ. ۱۵٫ [ Google Scholar ]
  101. دلگیدو، جی. ورلست، جی. آلونسو، ال. مورنو، جی. ارزیابی نوارهای لبه قرمز Sentinel-2 برای تخمین تجربی LAI سبز و محتوای کلروفیل. Sensors ۲۰۱۱ , ۱۱ , ۷۰۶۳-۷۰۸۱٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  102. لو، دی. ماوزل، پ. بروندزیو، ای. موران، E. روابط بین پارامترهای توده جنگل و پاسخ های طیفی Landsat TM در حوضه آمازون برزیل. برای. Ecol. مدیریت ۲۰۰۴ ، ۱۹۸ ، ۱۴۹-۱۶۷٫ [ Google Scholar ] [ CrossRef ]
  103. فرامپتون، WJ; داش، ج. واتموگ، جی. میلتون، ای جی ارزیابی قابلیت های Sentinel-2 برای تخمین کمی متغیرهای بیوفیزیکی در پوشش گیاهی. ISPRS J. Photogramm. Remote Sens. ۲۰۱۳ ، ۸۲ ، ۸۳-۹۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  104. سیبندا، م. موتانگا، او. Rouget, M. مقایسه تنظیمات طیفی نسل جدید حسگرهای باند پهن و باریک در تخمین زیست توده علف‌های بومی رشد یافته تحت شیوه‌های مدیریتی مختلف. GIScience Remote Sens. ۲۰۱۶ ، ۵۳ ، ۶۱۴-۶۳۳٫ [ Google Scholar ] [ CrossRef ]
Ijgi 11 00199 g001 550
شکل ۱٫ نقشه منطقه مورد مطالعه در اندونزی که FMUهای خصوصی Girisekar و Jetis و مکان‌های نمونه‌برداری میدانی در آن را نشان می‌دهد (اصلی). تصویر درونی جزیره جاوا را نشان می دهد. تصویر پس‌زمینه یک پیش‌نمایش رنگی طبیعی (RGB) از Landsat-8 OLI است که در ۱۳ سپتامبر ۲۰۱۹ (مسیر:۱۲۰، ردیف:۶۵) به‌دست‌آمده است.
Ijgi 11 00199 g002 550
شکل ۲٫ توزیع هیستوگرام قطر ( a )، ارتفاع ( b )، و زیست توده ( c ) درختان منفرد طبقه‌بندی شده توسط سه گونه غالب اصلی که در ۳۰ قطعه نمونه‌برداری صحرایی با آنها مواجه شده‌اند. سطل های سفید به نمونه های تجمعی اشاره دارد در حالی که منحنی های رنگی مربوط به گونه های اصلی منفرد است. داده ها مربوط به ۹۸۳ درخت از ۱۰۰۳ درخت نمونه برداری شده در کل است.
Ijgi 11 00199 g003 550
شکل ۳٫ نمودارهای جعبه و سبیل زیست توده (در هر قطعه) که در حین کار میدانی برای قطعات تک غالب و غیر تک غالب اندازه گیری شد. لولاهای پایین و بالایی جعبه ها مربوط به صدک های ۲۵ و ۷۵ داده ها است، خط توپر مرکزی نشان دهنده میانه است، سبیل ها تا ۱٫۵*IQR (یعنی محدوده بین ربع) از لولاها گسترش می یابند، و ستاره های قرمز نشان دهنده نقاط پرت است. خارج از محدوده سبیل ها
Ijgi 11 00199 g004 550
شکل ۴٫ نمودارهای جعبه و سبیل زیست توده (در هر قطعه) اندازه‌گیری شده در طول کار میدانی، طبقه‌بندی شده توسط گونه‌های غالبی که با آن مواجه شده‌اند ( a ) و با وجود تک‌غلبه ( b ) گروه‌بندی شده‌اند. لولاهای پایین و بالایی جعبه ها مربوط به صدک های ۲۵ و ۷۵ داده ها است، خط توپر مرکزی نشان دهنده میانه است، سبیل ها تا ۱٫۵*IQR (یعنی محدوده بین ربع) از لولاها گسترش می یابند، و ستاره های قرمز نشان دهنده نقاط پرت است. خارج از محدوده سبیل ها
Ijgi 11 00199 g005 550
شکل ۵٫ ( الف ) ضریب تعیین (R2 ) و ( b ) مقادیر سطح معنی‌داری متناظر ( p ) بین زیست توده، همانطور که توسط معادلات آلومتریک بر اساس داده‌های میدانی و RSI (Ri, Rj) به دست آمده از باند محاسبه می‌شود. بازتاب تصاویر Sentinel-1/2 مربوط به پیکسل هایی که هر مکان اندازه گیری میدان را با هم تداخل دارند. RSI با استفاده از ترکیبات کامل برای یک جفت باند موج، i و j محاسبه شد.
Ijgi 11 00199 g006 550
شکل ۶٫ ضریب تعیین (R ۲ ) ( a ) و سطح معنی داری متناظر ( p ) مقادیر ( b ) مانند شکل ۵ . در این سناریو فقط کرت هایی که ساج گونه غالب است در نظر گرفته می شود.
Ijgi 11 00199 g007 550
شکل ۷٫ ضریب تعیین (R ۲ ) ( a ) و سطح معنی داری متناظر ( p ) مقادیر ( b ) مانند شکل ۵ . در این سناریو فقط پلات غیر تک غالب ( بالا ) و تک غالب ( پایین ) در نظر گرفته می شود.
Ijgi 11 00199 g008 550
شکل ۸٫ رگرسیون خطی بهترین عملکرد RSI و زیست توده نمودار ثبت شده در محل برای کل مجموعه داده ( a ) و فقط برای نمودارهای تک غالب ( b ).
Ijgi 11 00199 g009 550
شکل ۹٫ ضریب تعیین (R ۲ ) ( a ) و سطح اهمیت متناظر ( p ) مقادیر ( b ) مانند شکل ۵ . در این سناریو، ۱۶۱۷ نمونه درخت جمع آوری شده از ۴۵ قطعه بین سپتامبر و نوامبر ۲۰۱۷ برای بررسی استحکام در نظر گرفته شده است.

ونوس نصیرفام

مقالات

فیسبوکتوئیترپینترسترددیتDeliciousلینکدینواتس اپتلگرامایمیل

نوشته های مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید

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

خانهدربارهتماسارتباط با ما