فهرست نشریات علمی دسترسی آزاد ایران

سابقه و هدف: ازآنجایی‌که شناخت و پایش بوم‌سازگان‌‌های کران‌‌‌آبی، اولین‌گام در مدیریت و حفاظت آن‌ها است، تولید نقشه پوشش زمین به‌تفکیک گونه‌‌های درختی و درختچه‌‌ای در محدوده حریم رودخانه زرینه‌‌رود در استان آذربایجان غربی در پژوهش پیش‌رو مدنظر قرار گرفت. در تهیه نقشه‌‌های پوشش زمین، تفکیک اراضی با شباهت زیاد طیفی با استفاده از تصاویر تک‌‌زمانه، دقت چندانی ندارد، بنابراین در پژوهش پیش‌رو، سری زمانی تصاویر ماهواره‌‌ای برای استفاده از تفاوت‌‌های فنولوژیک گونه‌‌های گیاهی در تفکیک طبقه‌های درختی و درختچه‌‌ای به‌کار برده شد.مواد و روش‌‌ها: در این پژوهش، طی دو مرحله، طبقه‌های پوشش زمین از یکدیگر تفکیک شده‌‌اند. در مرحله اول با استفاده از داده‌‌های سری زمانی سنتینل 1 و 2 طبقه‌های کلی پوشش درختی (طبیعی، باغ و صنوبرکاری)، پوشش درختچه‌‌ای (طبیعی و باغ)، پوشش علفی (مرتعی)، زراعت، اراضی شهری، پهنه آبی و خاک از یکدیگر تفکیک شدند. برای دستیابی به هدف مذکور و باتوجه‌به اینکه تغییرات فصلی تصاویر می‌توانند اطلاعات مناسبی از طبقه‌های پوشش زمین در اختیار بگذارند، تصاویر سنتینل 2 و قطبش‌‌های راداری سنتینل 1 متعلق به سال 2021 به‌صورت مدیان (Median) در هر فصل در سکوی گوگل ارث انجین پردازش شدند. داده‌‌های مذکور به‌صورت چهار ترکیب لایه ورودی و با چهار الگوریتم یادگیری ماشین در طبقه‌‌بندی استفاده شدند. در مرحله دوم برای تفکیک پوشش درختی و درختچه‌‌ای به طبقه‌های بید، گز، باغ و صنوبرکاری براساس تفاوت در روند فنولوژی پوشش گیاهی غالب منطقه (بیدها، گزها، باغات میوه و صنوبرکاری‌‌ها)، با استفاده از روند تغییرات یک‌ساله شاخص‌های تفاضل نرمال‌شده پوشش گیاهی (NDVI)، تفاضل سبز و قرمز نرمال‌شده (NGRDI)، تفاضل نرمال‌شده لبه قرمز (NDREI) و نرمال‌شده تفاوت پوشش گیاهی سبز (GNDVI) و ترکیب آن با قطبش HV راداری سنتینل 1 به‌صورت مدیان در هر فصل، نقشه نهایی پوشش زمین تولید شد.نتایج: یافته‌های مربوط به مرحله اول طبقه‌‌بندی نشان داد که لایه ورودی NDVI (Monthly)_ Radar (Seasonal)_ Sentinel 2 (Seasonal) و الگوریتم جنگل تصادفی با صحت کلی 88 درصد و ضریب کاپای 85/0 دقیق‌ترین لایه ورودی و الگوریتم طبقه‌بندی‌کننده بودند. در محله دوم طبقه‌‌بندی، شاخص NDVI میان ماه‌های آوریل تا نوامبر، تفکیک هر چهار دسته پوشش درختی و درختچه‌‌ای را امکان‌پذیر کرد. GNDVI میان ماه‌های دسامبر تا آوریل، بهترین شاخص برای تفکیک بیدزارها است. همچنین، این شاخص میان ماه می تا نوامبر، گزستان‌ها را به‌خوبی تفکیک کرد. NGRDI نیز میان می تا نوامبر برای تفکیک گزستان‌ها مناسب است. همچنین، این شاخص میان آوریل تا نوامبر، صنوبرکاری‌‌ها را به‌خوبی تفکیک می‌کند. شاخص GNDVI میان آوریل تا سپتامبر برای تفکیک دو دسته باغات و صنوبرکاری‌‌ها از بیدزار و گزستان به‌خوبی عمل می‌کند. با استفاده از ترکیب ورودی مذکور و الگوریتم جنگل تصادفی، نقشه نهایی تولید شد. صحت کلی و ضریب کاپای حاصل از صحت‌‌سنجی به‌کمک نمونه‌‌های زمینی و تصاویر گوگل ارث به‌ترتیب 80 درصد و 77/0 به‌دست آمد. اعداد قطر اصلی ماتریکس خطا بیانگر بیشترین تفکیک‌‌پذیری در طبقه‌های آب، خاک و اراضی شهری بودند. از میان طبقه‌های پوشش گیاهی، بیدزارها و اراضی کشاورزی بهترین تفکیک‌‌پذیری را نشان دادند.نتیجه‌‌گیری کلی: تفاوت در رفتار فنولوژیک گیاهان که شامل برگ‌‌دهی، گل‌‌دهی، تولید میوه، خزان و سیکل خواب هستند، سبب نوسان مقدار شاخص‌های پوشش‌‌گیاهی در طول فصل‌های مختلف یک سال می‌‌شود. این تفاوت‌ها می‌‌توانند در تهیه نقشه‌‌های پوشش گیاهی برای افزایش تفکیک‌‌پذیری استفاده شوند. درنتیجه، توده‌‌های درختی و درختچه‌‌ای خالص که رفتار فنولوژیک متفاوت‌‌تری از توده‌‌های هم‌جوار خود دارند، از طریق سری زمانی تصاویر ماهواره‌‌ای با دقت زیادتری، قابل‌تفکیک هستند.