فهرست مطالب نویسنده:
m. lotfi nasirabad
-
مانگروها، بوم سازگان های ساحلی هستند که خدمات متنوع بوم شناختی، اقتصادی و اجتماعی ارایه می کنند. در مدیریت پایدار مانگروها، دسترسی به نقشه دقیق گستره آن ها مبتنی بر روش های نوین، ضروری است. پژوهش پیش رو با هدف نقشه برداری از جنگل های مانگرو در سرتاسر نوار ساحلی جنوبی ایران از استان خوزستان تا سیستان و بلوچستان و نیز شناسایی رویشگاه های جدید با استفاده از سنجش از دور انجام شد. به این منظور، شاخص ویژه شناسایی مانگروها روی تصاویر سنتینل2 به نام MVI (Mangrove vegetation index) در سکوی محاسبه ابری GEE (Google Earth Engine) به کار گرفته شد. تصاویر شاخص MVI با استفاده از الگوریتم جنگل تصادفی طبقه بندی شدند. نقشه نهایی مانگروها علاوه بر معیارهای متداول صحت سنجی، با استفاده از صحت و F1-score نیز ارزیابی شد. نتایج نشان داد که مجموع مساحت رویشگاه های مانگرو در جنوب ایران در اکتبر 2021 بالغ بر 8/12471 هکتار (صحت 98/0 و F1-score برابر 97/0) است که در 40 رویشگاه در چهار استان خوزستان (7/286 هکتار)، بوشهر (9/296 هکتار)، هرمزگان (9/11281 هکتار) و سیستان و بلوچستان (3/606 هکتار) پراکنده شدند. همچنین، برخی از رویشگاه های جدید مانند مانگروهای بندر ماهشهر استان خوزستان با مساحت حدود 290 هکتار نیز در این پژوهش شناسایی شدند.کلید واژگان: بندر ماهشهر، جنگل تصادفی، قشم، MVIMangrove forests are coastal ecosystems that provide various benefits for ecology, economy and society. To manage these forests sustainably, accurate mapping of their distribution using modern techniques is crucial. This study aimed to map the mangrove forests along the southern coast of Iran from Khuzestan province to Sistan and Baluchestan province and identify new sites using remote sensing. The Mangrove vegetation index (MVI) was applied to Sentinel-2 images on the Google Earth Engine (GEE) cloud computing platform. The MVI images were classified by the random forest algorithm. The final maps were evaluated by accuracy, F1-score and other common indices. The results indicated that the total area of mangrove forests in southern Iran was about 12471.8 ha (accuracy 0.98, F1-score 0.97) in October 2021 in 40 sites across four provinces: Khuzestan (286.7 ha), Bushehr (296.9 ha), Hormozgan (11281.9 ha) and Sistan and Baluchestan (606.3 ha). Moreover, some new sites, such as the mangroves of Mahshahr Harbor with an area of around 290 ha in Khuzestan province, were discovered in this study.Keywords: Mahshahr Harbor, MVI, Qeshm, random forest
-
تهیه نقشه جنگل های مانگرو، نیازمند دسترسی به شاخص های کارآمدی است که مانگروها را از پدیده های دیگر روی تصاویر سنجش از دور شناسایی کنند. امروزه، مجموعه ای متنوع از شاخص های پوشش گیاهی و مانگرو در دسترس است که ارزیابی مقایسه ای کارایی آن ها، ضروری به نظر می رسد. پژوهش پیش رو با هدف مقایسه کارایی شش شاخص پوشش گیاهی و هفت شاخص مانگرو مختص استفاده روی تصاویر سنتینل2 در خلیج نایبند (استان بوشهر)، سیریک (استان هرمزگان) و خلیج گواتر (استان سیستان و بلوچستان) انجام شد تا روشی کارآمد در نقشه برداری از مانگروها در سامانه محاسبه ابری Google Earth Engine (GEE) به دست آید. تصاویر شاخص ها با استفاده از الگوریتم ماشین بردار پشتیبان طبقه بندی شدند. نقشه مانگروها علاوه بر معیارهای متداول صحت سنجی، با استفاده از سطح زیر منحنی (AUC) مشخصه نسبی عملکرد (ROC) نیز ارزیابی شدند. نتایج نشان داد که شاخص های مانگرو، عملکرد بهتری نسبت به شاخص های پوشش گیاهی در نقشه برداری جنگل های مانگرو داشتند. از بین شاخص های پوشش گیاهی، بیشترین AUC (91/0 تا 92/0) متعلق به MCARI (Modified Chlorophyll Absorption in Reflectance Index) بود، درحالی که بین شاخص های مانگرو، بیشینه AUC (93/0 تا 95/0) در MFI (Mangrove Forest Index) مشاهده شد. به طورکلی، نتایج این پژوهش نشان داد که کاربرد MFI روی تصاویر سنتینل2 در سامانه GEE، کارایی مناسبی برای نقشه برداری از جنگل های مانگرو در مناطق مورد پژوهش دارد.کلید واژگان: حرا، شاخص مانگرو، ماشین بردار پشتیبان، منحنی مشخصه نسبی عملکردEffective mangrove mapping needs reliable indices that can characterize mangroves from other land cover types on remote sensing data. Currently, a variety of vegetation- and mangrove indices are available, while a comparative assessment of their efficiency seems essential. The aim of this study was to evaluate six vegetation indices and seven mangrove indices developed for Sentinel-2 imagery to obtain a robust approach in mangrove mapping within Google Earth Engine (GEE) cloud computing platform. The rasterized indices were classified by support vector machine. The final maps were evaluated by area under curve (AUC) of receiver operating characteristic (ROC) in addition to common accuracy assessment criteria. Results showed that mangrove indices were more reliable than vegetation indices. Amongst the vegetation indices, Modified Chlorophyll Absorption in Reflectance Index (MCARI) (AUCmangrove from 0.91 to 0.92) achieved the highest AUC values, while MFI (Mangrove Forest Index) returned the highest values amongst the mangrove indices (AUCmangrove from 0.93 to 0.95). All in all, results revealed that MFI on Sentinel-2 imagery in GEE was efficient in mangrove mapping within the study sites.Keywords: Avicennia marina, Google Earth, mangrove index, Receiver Operating Characteristic, Support Vector Machine
بدانید!
- در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو می‌شود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشته‌های مختلف باشد.
- همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته می‌توانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
- در صورتی که می‌خواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.