پایش تغییرات سطح پوشش جنگل های حوزه سیاه مزگی استان گیلان با استفاده از تصاویر لندست

سال انتشار: 1395
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 396

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_GIRS-7-3_006

تاریخ نمایه سازی: 25 خرداد 1398

چکیده مقاله:

در طول دهه های اخیر جنگل های خزری توسط دخالت های انسانی مورد تعرض قرار گرفته اند. دسترسی آسان، فراوانی و تنوع محصولات جنگلی با ارزش منجر به افزایش تراکم جمعیت، ایجاد مناطق مسکونی جدید و فعالیت های جنگل زدایی شده است. آشکار ساختن تغییرات یکی از روش های اساسی در مدیریت و ارزیابی منابع طبیعی است. هدف از این مطالعه پایش تغییرات سطح جنگل های سیاه مزگی در دو مقطع زمانی (2000 و 2015)، با استفاده از تصاویر لندست +ETM سال 2000 و OLI سال 2015 است. به منظور تهیه نقشه وضعیت گستره جنگل در سال های 2000 و 2015، تصاویر با استفاده از 20 نقطه کنترل زمینی که به صورت تصادفی از سرتاسر حوزه برداشت، و با نقشه­های توپوگرافی منطقه تصحیح هندسی گردید. پس از انتخاب بهترین مجموعه باندی با استفاده از شاخص فاصله باتاچاریا، طبقه بندی تصاویر با استفاده از الگوریتم شبکه عصبی مصنوعی انجام گرفت. نتایج طبقه بندی به روش شبکه عصبی در تصاویر سال 2000 و 2015 در حوزه سیاه مزگی نشان داد که صحت کلی به ترتیب 75/95% و 96/95% است. همچنین مساحت اراضی جنگل طی سال های 2000 تا 2015 به اندازه 55/213 هکتار کاهش داشته است. همچنین مراتع متراکم نیز کاهش چشمگیری داشته اما در این بازه زمانی بر وسعت زراعت دیم و مراتع نیمه متراکم به میزان 95/169 و 6/9 هکتار افزوده شده است.

نویسندگان

سید آرمین هاشمی

استادیار گروه جنگلداری، دانشگاه آزاد اسلامی واحد لاهیجان

سید رضا فاطمی طلب

استادیار گروه محیط زیست، دانشگاه آزاد اسلامی واحد آباده

حمیده کاوسی کلاشمی

دانش آموخته کارشناسی ارشد سنجش از دور و GIS، دانشگاه آزاد اسلامی واحد یزد

مرتضی معدنی پور کرمانشاهی

استادیار گروه جنگلداری، دانشگاه آزاد اسلامی واحد شبستر

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 :
  • آهنی، ح.، ا. قربانی، م. رستگار مقدم، س. ر. فلاح ...
  • درویش­صفت، ع. ا.، ف. غفاری دافچاهی و ا. اسلام بنیاد. ...
  • دهستانی، غ. 1377. طبقه­بندی تصاویر چندطیفی سنجش از دور با ...
  • رشیدی، ف.، س. بابایی کفائی و ج. اولادی. 1388. بررسی ...
  • رفیعیان، ا.، ع. ا. درویش­صفت و م. نمیرانیان. 1385. بررسی ...
  • سنجری، ص. و ن. برومند. 1392. پایش تغییرات کاربری / ...
  • صدیقی، م. ر. 1390. پهنه­بندی خطر فرسایش آبی با بکارگیری ...
  • عزیزی قلاتی، س.، ک. رنگزن، ج. سدیدی، پ. حیدریان و ...
  • علی‎محمدی، ع.، ع. ا. متکان، پ. ضیائیان و ه. طباطبایی. ...
  • فاطمی، س. ب. و ی. رضایی. 1385. مبانی سنجش از ...
  • فاطمی­طلب، س .ر.، م. معدنی­پور کرمانشاهی و س. آ. هاشمی. ...
  • مدل ICONA جهت پهنه بندی خطر فرسایش آبی با استفاده از تصاویر ماهواره ای لندست 8 سال 2013 و GIS (مطالعه موردی: حوزه آبخیز باباولی سیاهکل) [مقاله کنفرانسی]
  • مرادی، ع.، م. جعفری، ح. ارزانی و م. ابراهیمی. 1395. ...
  • مرتضایی، ش. 1384. بررسی تغییرات توده­های جنگلی در غرب استان ...
  • مروی مهاجر، محمدرضا. 1385. جنگل­شناسی و پرورش جنگل. انتشارات دانشگاه ...
  • Ahamed T, Tian L, Zhang Y, Ting K. 2011. A ...
  • Chavez PS. 1988. An improved dark-object subtraction technique for atmospheric ...
  • Gahegan M, German G, West G. 1999. Improving neural network ...
  • Hilbert DW, Ostendorf B. 2001. The utility of artificial neural ...
  • Khoi DD, Murayama Y. 2010. Forecasting areas vulnerable to forest ...
  • Khoi DD, Murayama Y. 2011. Modeling deforestation using a neural ...
  • Liu X-H, Skidmore A, Van Oosten H. 2002. Integration of ...
  • Mahiny AS, Turner BJ. 2003. Modeling past vegetation change through ...
  • Stehman SV. 2004. A critical evaluation of the normalized error ...
  • Sugumaran R. 2001. Forest Land Cover Classification Using Statistical and ...
  • Zhang F, Tiyip T, Feng Z, Kung HT, Johnson V, ...
  • نمایش کامل مراجع