تعداد نشریات | 13 |
تعداد شمارهها | 144 |
تعداد مقالات | 1,440 |
تعداد مشاهده مقاله | 2,154,930 |
تعداد دریافت فایل اصل مقاله | 1,794,747 |
بررسی تأثیر روشهای مختلف تصحیح اتمسفری در برآورد زیتوده جنگل با استفاده از شاخصهای گیاهی | ||
پژوهش و توسعه جنگل | ||
دوره 10، شماره 2، شهریور 1403، صفحه 205-222 اصل مقاله (795.79 K) | ||
نوع مقاله: علمی - پژوهشی | ||
شناسه دیجیتال (DOI): 10.30466/jfrd.2023.54911.1693 | ||
نویسندگان | ||
اسماعیل مرادی امام قیسی* 1؛ امیراسلام بنیاد2 | ||
1دانشجوی دکتری مدیریت جنگل، دانشکده منابع طبیعی، دانشگاه گیلان، صومعهسرا، ایران | ||
2استاد، گروه جنگلداری، دانشکده منابع طبیعی دانشگاه گیلان، صومعهسرا، ایران | ||
چکیده | ||
مقدمه و هدف: بازتاب سطح زمین بهطور قابلتوجهی تحت تأثیر شرایط جوی مانند بخار آب و ذرات معلق در هوا است. به ویژه، اثرات جذب و پراکندگی زمانی قویتر میشوند که ویژگیهای هدف، اجسام غیر درخشان مانند مناطق آبی یا پوشش گیاهی باشند؛ بنابراین به عنوان رویکرد سنجش از دور، تصحیح اتمسفر برای به حداقل رساندن این اثرات و تبدیل مقادیر عدد رقومی به بازتاب سطحی مورد نیاز است. این پژوهش با هدف بررسی چهار مدل تصحیح اتمسفریک، شامل (1) تفریق شئ تیره (DOS)، (2) تحلیل اتمسفری خط دید سریع ابرمکعبهای طیفی (FLAASH)، (3) شبیهسازی دوم سیگنال ماهوارهای در طیف خورشیدی (6SV)، (4) مدل تصحیح توپوگرافی اتمسفر (ATCOR) و مقایسه آنها با تصویر اصلی سنجنده OLI برای تخمین مقدار زیتوده روی زمینی (AGB) جنگل سری 11 آواردیم حوزۀ نه شفارود استان گیلان انجام شد تا اثربخشی روشهای تصحیح اتمسفریک برای ماهواره 8Landsat بررسی شود. مواد و روشها: برای برآورد زیتوده، تعداد 246 قطعهنمونه 3600 مترمربعی با ابعاد شبکه 300 × 300 متر بهصورت منظم تصادفی در عرصه پیاده شد. برای نمونهبرداری و پیدا کردن قطعات نمونه از دستگاه GPS دستی (مدل Garmin GPS MAP 64s با دقت 3± متر) استفاده شد و برای این کار قبل از شروع آماربرداری طول و عرض جغرافیایی نقاط (قطعات نمونه) را وارد دستگاه GPS کرده و سپس با استفاده از دستگاه فوق قطعات نمونه در عرصه مشخص و مشخصههای قطر برابرسینه، ارتفاع درختان و درختچههای موجود (قطر بیش از 5/7 سانتیمتر) اندازهگیری و سپس در فرمهای مربوطه ثبت شد. تصاویر سنجنده OLI ماهواره لندست 8 از سایت جهانی USGS استخراج شد. انتخاب تصاویر با توجه به فصل، میزان حداقل پوشش ابری و همچنین در فصل رویش نزدیکی به زمان حداکثر سبزینگی انجام شد. این تصاویر در سطح L1T ارائه شده و با نقشههای رقومی کاملاً انطباق دارد. در این تحقیق از 7 باند سنجنده OLI ماهواره لندست 8 مربوط به گذر/ ردیف شماره 34/166 استفاده شده است. ماهواره ترا قبل از عبور ماهواره لندست 8 بر فراز ایران با اختلاف زمانی حدود نیم ساعت به وقت محلی تهیه تصویر مینماید. با توجه به پایدار بودن شرایط اتمسفر در این اخلاف زمانی کم امکان استفاده از اطلاعات MODIS هم گام با لندست 8 وجود دارد. همچنین در این پژوهش از سه محصول روزانه MODIS برای هر یک از تصاویر لندست 8 باقدرت تفکیک مکانی 500 متر، شامل: MOD04 (ضخامت نوری ذرات معلق در محدودۀ 550 میکرومتر)، MOD05 (بخار آب) و MOD07 (ازن کل)، استفاده شد. DEM حاصل از ASTER باقدرت تفکیک مکانی 30 متر از سایت جهانی USGS دریافت شد. از مدل DEM بهطور مستقیم در روش تصحیح اتمسفری SV6 استفاده گردید. همچنین برای روش تصحیح اثر اتمسفر ATCOR مدل DEM جهت تهیه نقشه شیب، جهت، دید آسمان مورداستفاده قرار گرفت. یافتهها: نتایج نشان داد که مدل تصحیح اتمسفریک بر مبنای کد انتقال تابشی SV6 در بیشتر شاخصهای گیاهی حاصله از دادههای سنجنده OLI ماهواره لندست 8 عملکرد مطلوبی داشته است. بالاترین نتایج آنالیز همبستگی را شاخص ARVI حاصل از مدل تصحیح اتمسفری SV6 با ضریب همبستگی 801/0 به خود اختصاص داده است. همچنین در حالت استفاده از روش FLAASH بیشترین و کمترین میزان همبستگی را به ترتیب شاخصهای ARVI (779/0) و RVI (586/0) به خود اختصاص دادهاند. در روش تصحیح اتمسفریک DOS یا شئ تیره بیشترین و کمترین میزان همبستگی به ترتیب مربوط به شاخصهای GARI (762/0) و EVI (518/0) است و در آخر در روش ATCOR بیشترین و کمترین میزان همبستگی به ترتیب مربوط به شاخصهای NDVI (732/0) و GNDVI (454/0) است. بهطورکلی، در برآورد مقدار زیتوده جنگل، مدل تصحیح اتمسفریک SV6 با کمترین درصد RMSE (04/15 درصد) بهترین عملکرد را نشان داد و پس از آن مدلهای FLAASH، ATCOR و DOS بیشترین دقت را داشتند. نتیجهگیری کلی: برآورد و پایش میزان بیوماس روی زمینی برای مطالعات تغییر اقلیم، تولید چرخه کربن، تخصیص مواد غذایی و انباشت سوخت، مطالعات رفتار آتش و ... در اکوسیستم ضروری است. همچنین اعمال تصحیحات اتمسفری بر روی باندهای اصلی تصاویر در فرایند پیشپردازش قبل از طبقهبندی و استخراج شاخصهای گیاهی جهت رفع اثرات ناخواسته اتمسفر امری ضروری و اجتنابناپذیر است و سبب بهبود صحت نتایج میشود. از نتایج بهدست آمده در پژوهش حاضر میتوان پیشنهاد کرد که مدل تصحیح اتمسفریک SV6، با ادغام بخار آب و عمق نوری آئروسل حاصل از محصولات MODIS، برای تخمین زیتوده روی زمینی بر اساس دادههای سنجشازدور مناسبتر است، بهویژه هنگام استفاده از دادههایی که در تابستان بهدست میآیند، زمانی که بخار آب و دما هر دو بالا است و تاج پوشش جنگل در توسعه کامل است.در نهایت، پیشنهاد میشود که از مدل تصحیح اتمسفریک SV6 برای برآورد زیتوده روی زمینی جنگل موردبررسی بر اساس دادههای سنجشازدور استفاده شود. | ||
کلیدواژهها | ||
اتمسفر؛ زیستتوده؛ لندست 8؛ طبقهبندی؛ SV6 | ||
مراجع | ||
Agapiou, A.; Hadjimitsis, D.G.; Papoutsa, C.; Alexakis, D.D.; Papadavid, G., The Importance of Accounting for Atmospheric Effects in the Application of NDVI and Interpretation of Satellite Imagery Supporting Archaeological Research: The Case Studies of Palaepaphos and Nea Paphos sites in Cyprus. International Journal of Remote Sensing 2011, (3), 2605- 2629 Ali, A.; Xu, M.-S.; Zhao, Y.-T.; Zhang, Q.-Q.; Zhou, L.-L.; Yang, X.-D.; Yan, E.-R., Allometric biomass equations for shrub and small tree species in subtropical China. Silva Fennica 2015, (49), 1-10. (In Persian). Canty, M., Automatic Radiometric Normalization of Multitemporal Satellite Imagery with the Iteratively Re-Weighted MAD Transformation. Remote Sensing of Environment 2008, 112 (3), 1025- 1036. Chander, G.; Markham, B.L; Helder, D.L., Summary of Current Radiometric Calibration Coef cients for Landsat MSS, TM, ETM+, and EO-1 ALI Sensors. Remote Sensing of Environment 2009, 113 (5), 893-903. Crippen, R.E, Calculating the Vegetation Index Faster. Remote Sensing of Environment 1990, (34), 71- 73. Muchsin, F.; Dirghayu, D.; Prasasti, I.; Rahayu, M.I.; Fibriawati, L.; Pradono, K.A., Comparison of atmospheric correction models: FLAASH and 6S code and their impact on vegetation indices (case study: paddy field in Subang District, West Java). The 4th International Conference of Indonesian Society for Remote Sensing. 2019. Feng, M.; Sexton, J.O.; Huang, C.; Masek, J.G.; Vermote, E.F.; Gao, F.; Narasimhan, R.; Channan, S.; Wolfe, R.E.; Townshend, J.R., Global surface reflectance products from Landsat: Assessment using coincident MODIS observations. Remote Sensing of Environment 2013, 134 (1), 276-293. Gitelson, A.A.; Kaufman, Y.J.; Merzlyak, M.N., Use of a Green Channel in Remote Sensing of Global Vegetation from EOS-MODIS. Remote Sensing of Environment 1996, (58), 289- 298. Hu, Y.; Liu, L.; Liu, L.; Peng, D.; Jiao, Q.; Zhang, H., A Landsat-5 Atmospheric Correction Based on MODIS Atmosphere Products and 6S Model. Applied Earth Observations and Remote Sensing 2014, 7 (5), 1609- Huete, A.R., A Soil-Adjusted Vegetation Index (SAVI). Remote Sensing of Environment 1988, (25), 295- 309. Jordan, C.F., Derivation of Leaf Area Index from Quality of Light on Forest Floor. Ecology 1969, (50), 663- 666. Ju, J.; Roy, D.P.; Vermote, E.; Masek, J.; Kovalskyy, V., Continental-Scale Validation of MODIS-Based and LEDAPS Landsat ETM+ Atmospheric Correction Methods. Remote Sensing of Environment 2012, (122), 175- 184. Kaufman, Y.J.; Tanré, D., Atmospherically Resistant Vegetation Index (ARVI) for EOS-MODIS, IEEE Trans. Geosci. International Journal of Remote Sensing, 1992, 30 (2), 261- 270. King, M.D.; Tsay, S.C.; Platnick, S.E., Cloud Retrieval Algorithms for MODIS: Optical Thickness, Effective Particle Radius, and Thermodynamic Phase, MODIS Algorithm Theoretical Basis Document, No. ATBD-MOD, Vol. 5, 1997. Khalili Ardali, Z.; Mirazadi, Z.; Mansour samaei, R., Estimation of biomass, carbon sequestration and leaf area of Acer monspessulanum in Middle-Zagros, case study: Ghaleh Gol forests in Lorestan province. Journal of Forest Research and Development 2019, 5(2), 245-257. (In Persian) Lohrabi, Y.; Abbasi, M.; Soltani, A.; Riyahi Bakhtyari, H.R., Determination of the most suitable method for forest type mapping in central Zagros using landsat-8 satellite Images. Journal of Forest Research and Development 2018, 4(2), 191-205. (In Persian) Masek, J.G.; Vermote, E.F.; Saleous, N.E.; Wolfe, R.; Hall, F.G.; Huemmrich, K.F.; Gao, F.; Kutler, J.; Lim, T.K., A Landsat Surface Reflectance Dataset for North America. IEEE Geoscience and Remote Sensing Letters 2006, (3), 68- 72. Menzel, W.; Seemann, S.; Li, J, 2002, MODIS Atmospheric Profile Retrieval Algorithm Theoretical Basis Document (MOD-07), Eos ATBD web site [Online].Available: pdf, 39. Nazeer, M.; Nichol, J.E.; Yung, Y.K., Evaluation of Atmospheric Correction Models and Landsat Surface Reflectance Product in an Urban Coastal Environment. International Journal of Remote Sensing 2014, (35), 6271- 6291. Nguyen, H.C.; Jung, J., Lee, J.; Choi, S.; Hong, S.; Heo, J., Optimal Atmospheric Correction for Above-Ground Forest Biomass Estimation with the ETM+ Remote Sensor. International Journal of Sensors 2015, (15), 18865-18886. Nuorodini, A.; A.E. Bonyad., Investigating the efficiency of atmospheric effect correction methods in estimating the canopy density of Gilan forests using vegetation indices obtained from Landsat 8. Iranian Journal of Remote Sencing & GIS 2017, 9 (1), 93-110. (In Persian) Pan, Y.; Birdsey, R.A.; Phillips, O.L.; Jackson, R.B., The structure, distribution, and biomass of the world's forests. Annual Review of Ecology, Evolution, and Systematics 2013, (44), 593-622. Pathak, N.V.; Pandya, M.R.; Shah, D.B.; Trivedi, H.J.; Patel, K.D.; Sridhar, V.N.; Singh, R.P., Inter Comparison of Atmospheric Correction Models-SACRS2, FLAASH AND 6SV USING RESOURCESAT-2 AWIFS Data, The International Archives of the Photogrammetry. Remote Sensing and Spatial Information Sciences 2014, (8), 881-884. Rondeaux, G.; Steven, M.; Baret, F., Optimization of Soil-Adjusted Vegetation Indices. Remote Sensing of Environment 1996, (55), 95- 107. Ronoud, Gh.; Darvishsefat, A.A., Estimating aboveground woody biomass of Fagus orientalis stands in Hyrcanian forest of Iran using Landsat 5 satellite data (Case study: Khyroud Forest). Geographic Space 2018, 17(60), 117-129. Rouse, J.W.; Haas, R.W.; Schell, J.A.; Deering, D.W.; Harlan, J.C., Monitoring the Vernal Advancement and Retro Gradation (Green Wave Effect) of Natural Vegetation, NASA/GSFCT Type III Final Report, Greenbelt 1974, MD, USA. Roy, D.P.; Ju, J.; Kline, K., Web-enabled Landsat Data (WELD): Landsat ETM+ Composited Mosaics of the Conterminous United States. Remote Sensing of Environment 2010, 114 (1), 35- 49. Roy, D.P.; Qin, Y.; Kovalskyy, V.; Vermote, E.F.; Ju, J.; Egorov, A.; Hansen, M.C.; Kommareddy, I.; Yan, L., Conteminous United States Demonstration and Characterization of MODIS-based Landsat ETM+ Atmospheric Correction. Remote Sensinos of Environment 2014, (140), 433-449. Sharifi, A.; Amini, J.; Pourshakouri, F., Allometric model development for AboveGround Biomass estimation in Hyrcanian forests of Iran. World Applied Sciences Journal 2013, (28), 1322-1330. (In Persian) Soleimannejad, L.; Bonyad, A.E.; Naghdi, Latifi., Classification of quantitative attributes of Zagros forest using Landsat 8-OLI and Random Forest algorithm (Case study: protected area of Manesht forests). Journal of Forest Research and Development 2019, 4(4), 415-434. (In Persian) Vahedi, A.A., Artificial neural network application in comparison with modeling allometric equations for predicting above-ground biomass in the Hyrcanian mixedbeech forests of Iran. Biomass and Bioenergy 2016 (88), 66-76. (In Persian) | ||
آمار تعداد مشاهده مقاله: 110 تعداد دریافت فایل اصل مقاله: 39 |