ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

مقایسه قابلیت داده های سنجنده های WorldView-2، Pleiades-2و IRS-LISS III در برآورد موجودی جنگل (مطالعه موردی: جنگل آموزشی پژوهشی دارابکلا- ساری)

سال انتشار: 1396
کد COI مقاله: JR_JWFST-24-4_010
زبان مقاله: فارسیمشاهده این مقاله: 304
فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 16 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله مقایسه قابلیت داده های سنجنده های WorldView-2، Pleiades-2و IRS-LISS III در برآورد موجودی جنگل (مطالعه موردی: جنگل آموزشی پژوهشی دارابکلا- ساری)

وحیده بهرامی - دانشجوی دکتری
اصغر فلاح - دانشیار دانشگاه کشاورزی ساری
رمضانعلی خرمی - عضو مرکز تحقیقات مرکز تحقیقات منابع طبیعی مازندران

چکیده مقاله:

چکیده سابقه و هدف: آگاهی از وضعیت مشخصه های کمی جنگل همانند موجودی سرپا، یکی از مهمترین اصول در برنامه ریزی و تصمیم گیری مدیریت جنگل می باشد. هدف از این مطالعه، مقایسه قابلیت داده های سنجنده های مختلف و روش های ناپارامتری در برآورد موجودی سرپای جنگل می باشد. مواد و روش ها: منطقه مورد مطالعه سری یک جنگل دارابکلا در استان مازندران در جنوب شرق ساری است با مساحت 2612 هکتار که در حوزه آبخیز 74 اداره کل منابع طبیعی شهرستان ساری واقع شده است. با استفاده از روش نمونه برداری منظم -تصادفی با قطعات 10 آری با شبکه آماربرداری 330 در 500 متر ، 150 قطعه نمونه دایره ای برداشت گردید. پیش پردازش و پردازش های لازم همانند نسبت گیری، ایجاد شاخص های گیاهی و آنالیز بافت بر روی تصاویر ماهواره ای سه سنجنده WorldView-2، Pleiades-2 وIRS-LISS III انجام شد. سپس ارزش متناظر با قطعه نمونه ها از تمام باندها استخراج گردید. برای مدلسازی در این مطالعه از روش های مختلف رگرسیونی شامل واریانت های مختلف روش نزدیکترین همسایه، کرنل های مختلف روش ماشین بردار پشتیبان و روش جنگل تصادفی استفاده شد. یافته ها: نتایج مربوط به مدلسازی موجودی سرپا با استفاده از روش ماشین بردار پیشتبان(SVM) نشان داد بهترین کرنل به ترتیب برای سنجنده worldview- 2،IRS-LISS III وPleiades-2 چند جمله ای، توابع پایه شعاعیRBF)) و چندجمله ای، با درصد مجذورمیانگین مربعات خطای 57/34، 5/49، 03/43 بود. در روش نزدیک ترین همسایه(KNN) بهترین واریانت برای سه سنجنده مذکور به ترتیب شبیشف(Chebychev)، شبیشف (Chebychev) و سیتی بلاک (City block) با درصد مجذورمیانگین مربعات خطای 18/41، 09/55 و 97/46 بود . در روش جنگل تصادفی درصد مجذورمیانگین مربعات خطا برای این سه سنجنده به ترتیب برابر با 33/31 ، 91/48 و 68/45 بود . نتایج نشان داد بهترین مدل برای برآورد موجودی سرپا، مربوط به الگوریتم جنگل تصادفی و داده های تصاویر WorldView-2 با درصد مجذور میانگین مربعات خطا برابر با 33/31 درصد و اریبی نسبی برابر با 8/2 درصد بود. دلیل بهتر بودن نتایج سنجنده World Veiw2 نسبت به سنجنده Pleiades وجود تعداد باند بیشتر و عرض کمتر باندها می باشد. زیرا هرچه تعداد باند بیشتر و عرض باند باریکتر باشد اطلاعات در باندهای مختلفی ذخیره می شوند و نسبت سیگنال به نویز افزایش می یابد در نتیجه آشکارسازی پدیده ها بهتر صورت می گیرد و دقت نتایج نیز بالاتر می رود. نتیجه گیری: نتایج تفاوت زیادی بین الگوریتم های ناپارامتریک از نظر میزان درصد مجذور میانگین مربعات خطا نشان نداد ولی از نظر سنجنده تفاوت زیادی مشاهده گردید. نتایج کلی این مطالعه نشان داد سنجنده ها و روش های رگرسیونی مورد استفاده در این مطالعه، دارای قابلیت نسبتا مناسبی در برآورد موجودی جنگل می باشند. همچنین نتایج نشان داد علاوه بر قدرت تفکیک مکانی سنجنده ها، قدرت تفکیک طیفی آنها نیز تاثیر چشمگیری در بالا بردن دقت نتایج مدلسازی موجودی جنگل با استفاده از تصاویر ماهواره ای دارد.

کلیدواژه ها:

World View 2, pleiades2, نزدیکترین همسایه, ماشین بردار پشتیبان و جنگل تصادفی

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا JR_JWFST-24-4_010 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/953348/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
بهرامی، وحیده و فلاح، اصغر و خرمی، رمضانعلی،1396،مقایسه قابلیت داده های سنجنده های WorldView-2، Pleiades-2و IRS-LISS III در برآورد موجودی جنگل (مطالعه موردی: جنگل آموزشی پژوهشی دارابکلا- ساری)،https://civilica.com/doc/953348

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1396، بهرامی، وحیده؛ اصغر فلاح و رمضانعلی خرمی)
برای بار دوم به بعد: (1396، بهرامی؛ فلاح و خرمی)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :

  • Ardö, J. 1992. Volume quantification of coniferous forest compartments using ...
  • radiance recorded by Landsat Thematic Mapper. International Journal of Remote ...
  • Baret F., and Guyot, G. 1991. Potentials and Limits of ...
  • APAR Assessment, Remote Sensing of Environment, 35: 161–173. ...
  • Bell, G.E., Howell, B.M., Johnson, G.V., Raun, W.R., Solie, J.B., ...
  • Optical Sensing of Turf Grass chlorophyll content and Tissue nitrogen. ...
  • Breiman, L. 2001. Random Forests. Machine Learning, 45(1): 5–32. ...
  • Butera, M.K. 1986. A correlation and regression analysis of percent ...
  • TMS spectral response for selected forest sites in the San ...
  • IEEE Trans Geosciences Remote Sensing, 24(1): 122–129. ...
  • Cutler, D.R., Edwards, T.C., Karen, J., Beard, H.A., Cutler, K., ...
  • Lawler, J.J. 2007. Random Forests for Classification in Ecology. Ecology, ...
  • Durbha, S.S., King, R.L., and Younan, N.H. 2007. Support vector ...
  • retrieval of leaf area index from multi angle imaging spectroradiometer. ...
  • Environment, 107: 348–361. ...
  • Dutta, S., Datta, A., Das Chakladar, N., Pal, S.L., Mukhopadhyay, ...
  • Detection of tool condition from the turned surface images using ...
  • occurrence technique. Precision Engineering. 36: 458-466. ...
  • Fatollahi, M. 2014. Investigation of above Ground Carbon Stock Estimation ...
  • Using SPOT-HRG and ASTER data (Case study: Forest of Darabkola). ...
  • Agricultural Sciences and Natural Resources University, 75p. (In Persian) ...
  • Franklin, S.E., Wulder, M.A., and Gerylo, G.R. 2001. Texture analysis ...
  • panchromatic data for Douglas- fir age separability in British Colombia. ...
  • Journal of Remote Sensing, 22(13): 2627-2632. ...
  • Gebreslasie, M.T., Ahmed, F.B., Jan, A.N., and Adrdt, V. 2009. ...
  • Using Ancillary Data and ASTER Satellite Data. International Journal of ...
  • Observation and Geoformation, 12S: 23S–26S. ...
  • Gemmell, F.M. 1995. Effects of Forest Cover, Terrain, and Scale ...
  • Estimation with Thematic Mapper Data in the Rocky Mountain Site. ...
  • Environment. 51: 291–305. ...
  • Golshani, P. 2012. Estimation of Urban Forest Canopy Using Field ...
  • GeoEye-1 Imagery data. (Case study: Tehran). M.Sc. Thesis, Sari Agricultural ...
  • Natural Resources University, 70p. (In Persian) ...
  • Günlü, A., Ercanlı, I., Sönmez, T., and Zeki Başkent, E. ...
  • Parameters Using Pan-Sharpened Ikonos Satellite Image. European Journal of Remote ...
  • Sensing, 47: 329-342. ...
  • Hall, R.J., Skakun, R.S., Arsenault, E.J., and Case, B.S. 2006. ...
  • Structure Attributes using Landsat ETM+ Data: Application to Mapping of ...
  • Biomass and Stand Volume. Forest Ecology and Management, 225: 378–390. ...
  • Häme, T., Salli, A., Ersson, K., and Lohi, A. 1997. ...
  • biomass of conifer-dominated boreal forest using NOAA AVHRR data. Inter. ...
  • Hsu, C.H.C., Cai, L.A., Li, M. 2010. Expectation, Motivation, and ...
  • Behavioral Model. Journal of Travel Research, 49(3), 282-296. ...
  • http://dx.doi.org/10.1177/0047287509349266 ...
  • Huiyan, G., Limin, D., Gang, X., Shunzhong, W., and Hui, ...
  • volumes by Integration Landsat TM Imagery and Forest Inventory Data. ...
  • Series E. Technological Science., 49: 54-62. ...
  • Hyvonen, P. 2002. Kuvioittaisten puustotunnsten ja toimenpide-ehdotusten estimointi klähimmän ...
  • naapurin menetelmällä Landsat TM-satelliittikuvan,vanhan inventointitiedon ja ...
  • kuviotason tukianeiston avulla. Metsätieteen Aikakauskiria. 3: 363-379. ...
  • Immitzer, M., Stepper, C., Böck, S., Straub, C., Atzberger, C. ...
  • management use of WorldView-2 stereo imagery and National Forest Inventory ...
  • Wall-to-Wall Mapping of Growing Stock. For. Ecol. Manag, 359: 232–246. ...
  • Kajisa, T., Murakami, T., Mizoue, N., Kitahara, F., and Yoshida, ...
  • Stand Volumes using the k-Nearest Neighbors Method in Kyushu, Japan. ...
  • Research, 13: 249–254. ...
  • Kalbi, S. 2011. Capability of ASTER and SPOT-HRG data in ...
  • Structure Attributes. (Case study: Forest of Darabkola). M.Sc. Thesis, Sari ...
  • Sciences and Natural Resources University, 107p. (In Persian) ...
  • Kalbi, S., Fallah, A., and Shataee, Sh. 2014. Estimation of ...
  • Forests, Comparison of Advanced Space-Borne Thermal Emission and Reflection ...
  • Radiometer and Satellite Poure I ‘observation de la Terre-High Resolution ...
  • Data by Multiple Linear, and Classification and Regression Tree Regression ...
  • of Applied Remote Sensing. ...
  • Khorrami, R. 2004. Investigation of The Potential of Landsat 7 ...
  • Estimating of beech Forest Stand (Case study: Sangdeh Area in ...
  • University of Tehran, Faculty of Natural Resources, 80p. (In Persian) ...
  • Kozma, L. 2008. k-Nearest Neighbor Algorithm (kNN). Helsinki University of ...
  • Special course in Computer and Information Science. Available online at: ...
  • LU, D., Mausel, P., Brondizio, E., and Moran, E. 2004. ...
  • Parameters and Landsat TM spectral response in the Brazilian Amazon ...
  • Ecology Management, 198: 149-167. ...
  • Maack, J., Kattenborn, T., Fassnacht, F.E., Enßle, F., Hernández, J., ...
  • 5. Modeling Forest Biomass Using Very-High-Resolution Data—Combining Textural, ...
  • Spectral and Photogrammetric Predictors Derived from Space borne Stereo Images. ...
  • Remote Sens. 48: 245–261. ...
  • Makela, H., and Pekkarinen, A. 2004. Estimation of forest stands ...
  • imagery and stand-level field-inventory data. Forest Ecology and Management, 196: ...
  • Mather, PM. 2004. Computer Processing of Remotely-Sensed Images: An Introduction, ...
  • ed. Wiley, New York. ...
  • Mohammadi, J. 2007. Investigating Estimation Some Quantitative Characteristics for ...
  • Presentation Location Models Using Landsat ETM+ Satellite Data. M.Sc. Thesis, ...
  • University of Agricultural Sciences and Natural Resources, 68p. (In Persian) ...
  • Muinonen, E., Maltamo, M., Hyppanen, H., and Vainikainen, V. 2001. ...
  • Characteristics Estimation using a Most Similar Neighbor Approach and Image ...
  • Structure Information. Remote Sensing of Environment. 78: 223-228. ...
  • Noorian, N., Shataee-Jouibary, Sh., Mohammadi, J. 2016. Assessment of Different ...
  • Sensing Data for Forest Structural Attributes Estimation in the Hyrcanian ...
  • Systems, Volume 25, Issue 3, e074 ...
  • Ozdemir, I., and Karnieli, A. 2011. Predicting Forest Structural Parameters ...
  • Texture Derived from Worldview-2 Multispectral Imagery in aA Dryland Forest, ...
  • Int. J. Appl. Earth Obs. Geoinform, 13: 701–710. ...
  • Pasalari, Y. 2014. Comparison of Parametric and Non-Parametric Methods in ...
  • Forest Structure Attribute using World view-2 Satellite data (Case study: ...
  • Darabkola). M.Sc. Thesis, Sari Agricultural Sciences and Natural Resources University, ...
  • Persson, H. 2016. Estimation of boreal forest attributes from very ...
  • data. European Journal of Remote Sensing, 8: 1-19. ...
  • Reese, H., Nilsson, M., Sandstorm, P., and Olsson, H. 2002. ...
  • Forest Parameters Derived from Satellite and Forest Inventory Data. Computers ...
  • Electronics in Agriculture, 37: 37–55. ...
  • Richard, J.A. 1986. Remote Sensing Digital Image Analysis: An Introduction, ...
  • Verlag, New York. ...
  • Ripple, W.J., Wang, S., Isaacson, D.L., and Pairre, D.P. 1991. ...
  • Landsat Thematic Mapper and SPOT-1 HRV Multispectral Data for Estimating ...
  • Forest Volume. International Journal of Remote Sensing., 12: 1971–1991. ...
  • Roujean, J.L., and Breon, F.M. 1995. Estimating PAR Absorbed by ...
  • Bidirectional Reflectance Measurement. Remote Sensing Environment, 51: 375-384. ...
  • Rouse, J.W., Haas, R.H., Schell, J.A., and Deering, D.W. 1973. ...
  • System in the Great Plains with ERTS. In Third Earth ...
  • Symposium, 309-317. ...
  • Shamsoddini, A., Trinder, J.C., and Turner, R. 2013. Pine Plantation ...
  • usingWorldView-2 Multispectral Image. Int. J. Remote Sens. 2013, 34, 3986–4007. ...
  • Shataee, Sh. 2011. Non-Parametric Forest Attributes Estimation using LIDAR and ...
  • The 32 Asian Conference on Remote Sensing, Taipei. ...
  • Shataee, Sh., Kalbi, S., and Fallah, A. 2012. Forest Attributes ...
  • Learning Methods and ASTER Data: Comparison of k-NN, SVR and ...
  • Regression Algorithms. International Journal of Remote Sensing, 33(19): 6254-6280. ...
  • Solberg, A.H.S. 1999. Contextual Data Fusion Applied to Forest Map ...
  • Transaction on Geosciences and Remote Sensing, 37(3): 1234-1243. ...
  • Statistica, 2010. Electronic Textbook, Stat Soft Inc. Available online at:www.Statsoft.com. ...
  • Steininger, M.K. 2000. Satellite estimation of tropical secondary forest above-ground ...
  • data from Brazil and Bolivia. International Journal Remote Sensing. 21: ...
  • Stone, R. 2010. Earth-Observation Summit Endorses Global Data Sharing. Science, ...
  • Straub, C., Tian, J., Seitz, and Reinartz, P. 2013. Assessment ...
  • Stereo Imagery in Combination with a LiDAR-DTM for Timber Volume ...
  • Highly Structured Forest in Germany. Forestry, 86(4): 463-473. ...
  • Tucker, C.J. 1979. Red and Photographic Infrared Linear Combinations for ...
  • Vegetation. Remote Sensing of Environment, 8: 127-150. ...
  • Wang, Y., Wang, J., DUW., Wang, C., Liang, Y., Zhou, ...
  • Particle Swarm Optimization for Support Vector Regression on Forest Fire ...
  • Advances in Neural Networks, W. Yu, H. He and N. ...
  • Wolter, T.P., Townsend P.A., and Sturtevant B.R. 2009. Estimation of ...
  • Parameters using 5 and 10-meter SPOT-5 Satellite Data. Remote Sensing, ...
  • Wulder, M.A., Skakun, R.S., Kurz, W.A., and White, J.C. 2004. ...
  • Harvest Using Segmented Landsat ETM+ Imagery. Remot Sens. Environ. 93: ...
  • Yazdani, S. 2011. Estimation Some Quantitative Characteristics Using Quickbird Satellite ...
  • Data. M.Sc. Thesis, Gorgan University of Agricultural Sciences and Natural ...
  • Yu, X., Hyyppä, J., Karjalainen, M., Nurminen, K., Karila, K., ...
  • Liang, X., Wang, Y., and Hyyppä, H. 2015. Comparison of ...
  • and InSAR Point Clouds from Air- and Space-Borne Sources in ...
  • Inventory Attributes. Remote Sens. 7: 15933–15954. ...
  • Zahriban, M. 2014. Estimating Some Quantitative Forest Attributes using Pleiades-2 ...
  • Satellite data and Auxiliary data (Case: study: Forest of Darabkola). ...
  • Agricultural Sciences and Natural Resources University, 70p. (In Persian) ...
  • مدیریت اطلاعات پژوهشی

    صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

    پشتیبانی