رحمان شریفی؛ فاطمه برزگری بنادکوکی؛ مجتبی پاک پرور
چکیده
با توجه به افزایش تنشهای خشکی در مناطق خشک و نیمهخشک، نیاز به روشهایی دقیق، غیرمخرب و کمهزینه برای برآورد مصرف آب پوششهای گیاهی اهمیت ویژهای یافته است. مدل METRIC بهعنوان یکی از مدلهای پیشرفته مبتنی بر سنجش از دور، در سالهای اخیر برای تخمین تبخیر-تعرق واقعی (ETa) مورد توجه قرار گرفته است. تحقیق حاضر با هدف ارزیابی دقت مدل ...
بیشتر
با توجه به افزایش تنشهای خشکی در مناطق خشک و نیمهخشک، نیاز به روشهایی دقیق، غیرمخرب و کمهزینه برای برآورد مصرف آب پوششهای گیاهی اهمیت ویژهای یافته است. مدل METRIC بهعنوان یکی از مدلهای پیشرفته مبتنی بر سنجش از دور، در سالهای اخیر برای تخمین تبخیر-تعرق واقعی (ETa) مورد توجه قرار گرفته است. تحقیق حاضر با هدف ارزیابی دقت مدل METRIC در برآورد ETa در منطقه خشک و اراضی پخش سیلاب دشت چنداب ورامین، بر پایه تصاویر ماهوارهای سطح 2 لندست ۸ در بازه زمانی پاییز 1397 تا زمستان 1400 و دادههای هواشناسی میدانی انجام شد. پس از انجام پردازشهای رادیومتریک و اتمسفری تصاویر، پارامترهای بیلان انرژی استخراج گردید و کیفیت نتایج با رویکردی جامع و چندمنبعی بررسی شد تا قابلیت اعتماد مدل افزایش یابد. نتایج حاصل از مدل به دلیل عدم دسترسی به دادههای لایسیمتر وزنی با مدل استاندارد FAO Penman-Monteith مقایسه شد. نتایج نشاندهنده دقت بالا و قابلیت کاربرد مدل در دشتهای حاشیه کویر مانند چنداب ایران است. میانگین ضریب تعیین (R²) بالاتر از 9/0 و خطای ریشه میانگین مربعات RMSE کمتر از 52/0 میلیمتر بر روز، گواهی بر صحت بالای مدل دارند. همچنین، ارتباط قوی بین شاخص ETo و ETa بهخوبی بیانگر تاثیر و نقش پوشش گیاهی در فرآیند تبخیر-تعرق و پویایی مکانی آن است.
سروه داروند؛ حسن خسروی؛ حمید رضا کشتکار؛ غلامرضا زهتابیان؛ امید رحمتی
چکیده
مدلسازی یکی از ابزارهای مناسب برای تصمیمگیری پدیدههای محیطزیستی میباشد که به صورت مدلهای مفهومی یا روابط ریاضی بیان میشوند. هدف از این تحقیق مقایسۀ مدلهای یادگیری ماشینی شامل ماشین بردار پشتیبان، درخت طبقهبندی و رگرسیون، جنگل تصادفی و مدل آنالیز تشخیص ترکیبی جهت اولویتبندی مناطق مستعد گرد و غبار است. جهت تعیین ...
بیشتر
مدلسازی یکی از ابزارهای مناسب برای تصمیمگیری پدیدههای محیطزیستی میباشد که به صورت مدلهای مفهومی یا روابط ریاضی بیان میشوند. هدف از این تحقیق مقایسۀ مدلهای یادگیری ماشینی شامل ماشین بردار پشتیبان، درخت طبقهبندی و رگرسیون، جنگل تصادفی و مدل آنالیز تشخیص ترکیبی جهت اولویتبندی مناطق مستعد گرد و غبار است. جهت تعیین روزهای گرد و غبار از دادههای ساعتی هواشناسی استانهای البرز و قزوین و تصاویر ماهوارهای مربوط به همان روزها برای دورۀ 2000 تا 2019 استفاده شد. 420 نقطۀ برداشت گرد و غبار در منطقه شناسایی و نقشۀ پراکنش آنها تهیه گردید. سپس نقشههای عوامل تأثیرگذار بر وقوع گرد و غبار شامل نقشههای کاربری اراضی، خاکشناسی، شیب، جهت، ارتفاع، پوشش گیاهی، رطوبت سطح توپوگرافیکی، نسبت سطح توپوگرافیکی و زمینشناسی تهیه گردید. با استفاده ازمدلهای ذکر شده تأثیر هر یک از عوامل مؤثر گرد و غبار مشخص و نقشههای اولویتبندی مناطق برداشت گرد و غبار تهیه شد. ارزیابی مدلها با استفاده از منحنی راک صورت گرفت. طبق نتایج حاصل شده عامل ارتفاع در تمامی مدلها نسبت به سایر پارامترهای مورد استفاده در مدل از اهمیت بیشتری برخوردار است. نتایج مدلسازی نیز نشان داد مدلهای جنگل تصادفی (RF) و مدل آنالیز تشخیص ترکیبی MDA)) دارای بیشترین مقادیر صحت (96/0)، دقت (94/0)، احتمال آشکارسازی (98/0) و کمترین نرخ هشدار اشتباه (051/0) نسبت به بقیۀ مدلها است. عملکرد مدلهای RF و MDA نسبت به سایر مدلها بهتر بوده و پس از آنها به ترتیب مدلهای ماشین بردار پشتیبان ((SVM و درخت طبقهبندی و رگرسیون CART)) قرار دارند. همچنین در ارزیابی مدلها با استفاده از منحنی مشخصۀ عملکرد (ROC)، مدل RF به عنوان بهترین مدل انتخاب شد.
فاضل امیری؛ حسن یگانه
چکیده
Assessment process of vegetation cover by remote-sensing images should be based on understanding of the vegetation indices. Vegetation indices are widely used for assessing and monitoring ecological variables such as vegetation cover, above-ground biomass and leaf area index. The aim of the present research was to study of the ASTER data capabilities to estimate the vegetation cover percentage on Ghareh Aghaj Watershed as well as selecting proper vegetation indices for vegetation cover procurement. Various preprocessing, including image rectification was applied with geo-referencing of the image ...
بیشتر
Assessment process of vegetation cover by remote-sensing images should be based on understanding of the vegetation indices. Vegetation indices are widely used for assessing and monitoring ecological variables such as vegetation cover, above-ground biomass and leaf area index. The aim of the present research was to study of the ASTER data capabilities to estimate the vegetation cover percentage on Ghareh Aghaj Watershed as well as selecting proper vegetation indices for vegetation cover procurement. Various preprocessing, including image rectification was applied with geo-referencing of the image to a registered image with RMSE of 0.5 pixel. The atmospheric and topographic corrections were applied using subtraction of dark object's method and the Lambert method accordingly. Image processing, including vegetation indices and supervised classification were employed to produce the vegetation cover map. Field data collection was started on June 2008 on 8962.25 ha and prolonged about two months. Various vegetation types were sampled using the stratified random sampling method. Sixty random sampling points were selected, and the vegetation cover percentage was estimated with estimation of checking method. Digital data and the Indices maps were used as independent data and the field data as dependent variables. The resulted models were processed on, and the resulted images were categorized in five classes. Finally, the produced maps were controlled for their accuracy. The results confirmed that the NDVI vegetation indices were significantly correlated with field cover data (P?0.01), the strongest relationships explaining relatively 78% of the variance in the field measurements (R2=0.38). Other vegetation indices were not significantly related to vegetation cover percentage of the field data. The total validity and the Kappa coefficient for this map are 68.5% and 72.4%. On these sites, the R square was exceeded to 85%. Most of the produced maps had higher accuracies with NDVI indices, and their Kappa was very high. During the growing seasons, the most rangeland products changes, belongs to class 5 and 2 in the NDVI and SAVI indices map. The outcoming results of this study prove that the ASTER data estimates the plant production very well. Through this tool, one can monitor the hay production that is very useful for resources management as well as decision making for logic rangeland utilization. Generally introduced indices, provided accurate quantitative estimation of the parameters. Therefore, it is possible to estimate cover and production as important factors for rangeland monitoring using ASTER data.
