نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

چکیده

کارآیی ادغام داده‌های مکانی دسترسی باز برای تهیه نقشه‌های مناسب زیستگاه برای دانه‌بندی ذرت ( Miliaria calandra ) مورد بررسی قرار گرفت. داده‌های پوشش زمین در سال 2000 (CLC2000) برای استخراج متغیرهای توضیحی پردازش و به سه مجموعه تقسیم شدند. ماهواره (ETM+، SRTM)، CLC2000 و ترکیبی (CLC2000 + ماهواره). داده های حضور-غیبت برای M. calandra، جمع آوری شده در طی بررسی های ساختاری برای اطلس پرندگان پرورش کاتالان، توسط موسسه پرنده شناسی کاتالان ارائه شده است. مجموعه داده به تعداد مساوی از نقاط حضور و غیاب با تقسیم آن به پنج گروه تقسیم شد که هر کدام از 88 نقطه حضور به طور تصادفی انتخاب شده برای مطابقت با تعداد غیبت ها تشکیل شده است. سپس برای هر گروه یک مدل رگرسیون لجستیک ساخته شد. مدل‌ها با استفاده از سطح زیر منحنی (AUC) مشخصه عملکرد گیرنده (ROC) ارزیابی شدند. نتایج پنج گروه برای تولید میانگین های ماهواره ای، CLC2000 و مدل های ترکیبی میانگین گیری شد. میانگین مقادیر AUC برای مدل های CLC2000، Satellite و Combined به ترتیب 0.69، 0.81 و 0.90 بود. احتمال M. calandraحضور قوی‌ترین همبستگی مثبت را با دمای سطح زمین، شاخص پوشش گیاهی اصلاح‌شده خاک، ضریب تغییرات برای نوار ETM+ 5 و کسری از زمین‌های زراعی غیرآبیاری داشت.
کلید واژه ها: 

تشدید کشاورزی ; پوشش زمین کورین ; دانه های ذرت ; لندست ; میلیاریا کالاندرا ; داده های دسترسی باز ؛ نرم افزار منبع باز geospatial ; مدل سازی توزیع گونه ها

 

 

1. مقدمه

گونه‌های پرندگان زمین‌های کشاورزی اروپایی و مهاجران از راه دور به‌رغم تصویب در سال 1979 دستورالعمل 79/409/EEC شورا در مورد حفاظت از پرندگان وحشی، که به عنوان «دستورالعمل پرندگان» نیز شناخته می‌شود، همچنان به سرعت کاهش می‌یابند [ 1 ]. . نمونه هایی از گونه های پرندگان زراعی رو به زوال عبارتند از کرنکرک ( Crex crex ) در فرانسه [ 2 ] و کبک خاکستری ( Perdix perdix ) در ایتالیا [ 3 ]. برخی از گونه‌ها به‌عنوان پرورش‌دهنده‌های منظم در برخی کشورها منقرض شده‌اند، مانند کرک پشت قرمز ( Lanius collurio ) در بریتانیا و غلتک ( Coracias garrulus ) در جمهوری چک [ 4 ].
چهار گونه بندکشی تخصصی در زمین های کشاورزی در اروپای غربی نیز دچار کاهش شدیدی شده اند. به عنوان مثال، جمعیت بونتینگ اورتولان ( Emberiza hortulana ) در فنلاند بین سال‌های 1984 و 2002 72 درصد کاهش یافت [ 5 ] و در لهستان، جمعیت آن بین سال‌های 2000 تا 2010 20 درصد کاهش یافت [ 6 ]. فروپاشی جمعیت سیرل بانتینگ ( Emberiza cirlus ) در بریتانیا بین سال‌های 1970 و 1990 با تغییرات بی‌سابقه‌ای در مقیاس بزرگ در عمل کشاورزی مصادف شد که منجر به تلفات در زیستگاه پرورش گونه‌ها شد [ 7 ، 8 ]. چکش زرد ( Emberiza citrinella ) در انگلستان دچار کاهش قابل توجهی شد [ 9 ]]، لهستان [ 10 ] و سوئد [ 11 ] از اواسط دهه 1960، به دلیل از دست دادن هر دو زیستگاه مناسب برای پرورش و مکان های زمستان گذرانی در نزدیکی [ 12 ]. به طور مشابه، جمعیت اروپای شمالی و مرکزی بوته ذرت ( Miliaria calandra ) از اواسط دهه 1970 [ 4 ] به شدت کاهش یافته است، به ویژه در بریتانیا [ 13 ]، لهستان [ 14 ]، آلمان [ 15 ] و ایرلند [ 16 ]. کاهش این گونه ها به سیاست های مضر استفاده از زمین، مانند سیاست مشترک کشاورزی (CAP) نسبت داده شده است [ 1 ]]، که از اوایل دهه 1960 در اتحادیه اروپا اعمال شده است. CAP به حداکثر رساندن بهره وری کشاورزی از طریق تشدید زمین های کشاورزی ترویج می کند. فرآیندی که منجر به کشت های تک، استفاده از آفت کش ها و ریشه کنی مناطق غیر کشت می شود [ 17 ].
فن‌آوری‌های جغرافیایی ابزارهای ارزشمندی را برای نقشه‌برداری از توزیع پرندگان با پیوند دادن مشاهدات مستقل با زیستگاه و سایر اطلاعات محیطی استخراج‌شده از تصاویر ماهواره‌ای یا داده‌های پوشش زمین فراهم می‌کنند. فولر و همکاران برای ارزیابی رابطه بین گونه های پرندگان مزرعه و زیستگاه آنها . [ 18 ] یک روش خوشه‌بندی را برای پیوند دادن داده‌های وقوع گونه‌ها از اطلس پرندگان مولد بریتانیا به مجموعه داده‌های پوشش زمین ملی اعمال کرد و دریافت که نقشه‌های خوشه‌های گونه‌ها الگوهای مرتبط با مجموعه‌های زیستگاه را نشان می‌دهند. در مطالعه دیگری، کوچینسکی و همکاران. [ 19 ] پوشش متناسب طبقات پوشش زمین Corine و داده های رقومی ارتفاع را برای مطالعه استفاده از زیستگاه درشت خاکستری ترکیب کرد.لانیوس اکوبیتور). اخیراً، Kosicki و Chylarecki [ 6 ] داده‌های مربوط به پوشش زمین Corine، یک مدل ارتفاعی دیجیتال، شاخص گیاهی تفاوت نرمال شده (NDVI) و داده‌های آب و هوایی از Worldclim را برای پیش‌بینی زیستگاه E. hortulana در لهستان ترکیب کردند.
این مطالعه با هدف درک بهتر نیاز زیستگاه M. calandra در شمال شرقی اسپانیا از طریق ادغام داده های دسترسی باز به دست آمده از پوشش زمین Corine، Landsat و ماموریت توپوگرافی رادار شاتل به ترتیب به عنوان جایگزین برای استفاده از زمین، ساختار زیستگاه و توپوگرافی انجام می شود. . کاهش جمعیت M. calandra اروپای شمالی به تشدید زمین های کشاورزی نسبت داده شده است [ 13 ، 17 ]، در حالی که تراکم تولید مثل در جنوب اروپا، به ویژه در اسپانیا، پرتغال و ترکیه، به دلیل شیوع کم سنتی نسبتاً پایدار است [ 20 ، 21 ]. کشاورزی با شدت علاوه بر این، بسیاری از مطالعات در مورد بوم شناسی توزیع M. calandraدر اروپای شمالی و مرکزی [ 22 ] انجام شده است. از این رو، فرصت هنان برای مطالعه نیاز زیستگاهی این گونه در بخشی از قاره که تحت تأثیر روند کاهشی نسبتاً بی‌تأثیر است، وجود دارد.

2. منطقه مطالعه

منطقه مورد مطالعه در استان لریدا در بخش غربی جامعه خودمختار کاتالونیا در اسپانیا واقع شده است ( شکل 1 ). این منطقه شامل کومارک های Noguera، Segria، Urgell و Pla d’Urgell است، تقریباً 3920 کیلومتر مربع را پوشش می دهد و عمدتاً از زمین های زراعی غیر آبی و جنگل های خشک با کشاورزی گسترده و مراتع خشک تشکیل شده است. روش‌های کشاورزی فشرده به آرامی در منطقه به اجرا در می‌آیند تا جایگزین روش‌های کشاورزی گسترده با شدت کم غیرقابل دوام اقتصادی شود که بر چشم‌انداز لریدا تسلط دارند [ 23 ، 24 ].
Ijgi 02 00935 g001 1024
شکل 1. موقعیت لریدا (طرح کلی قرمز) در رابطه با اروپا و کاتالونیا.

3. مواد و روش‌ها

3.1. باز کردن دسترسی به داده های مکانی

از دهه 1970، داده های لندست به طور گسترده ای برای ترسیم ترجیحات زیستگاه و توزیع گونه های مختلف مورد استفاده قرار گرفته است (به عنوان مثال، [ 25 ، 26 ، 27 ، 28 ]). تصاویر از حسگر Enhanced Thematic Mapper Plus (ETM+) روی ماهواره Landsat 7 از USGS Global Visualization Viewer، نسخه 7.26، در دسترس از glovis.usgs.gov [ 29 ] دانلود شد.]. دو صحنه از مسیر-198، ردیف-31 برای ماه ژوئن (1 ژوئن 2006 و 17 ژوئن) سال 2001 برای این مطالعه استفاده شد تا به طور موقت با دوره بررسی داده های پرنده منطبق شود. مجموعه داده مورد استفاده یک محصول استاندارد سطح یک زمین تصحیح شده (L1T) بود که تحت تصحیح رادیومتری و هندسی قرار گرفت. تصحیح جوی بر روی داده‌های Landsat با استفاده از بسته “Landsat” [ 30 ] در برنامه نرم‌افزار R [ 31 ] انجام شد، سپس به طرح داده اروپا 1950/Universal Transverse Mercator zone 31 North (ED50/UTM 31N) پیش‌بینی شد. شرح مختصری از باندهای لندست در جدول 1 آورده شده است.
جدول
جدول 1. شرح باندهای لندست 7 پیشرفته Thematic Mapper Plus (ETM+) مورد استفاده در این مطالعه. داده‌های نوری از ابتدای بخش مرئی (400 نانومتر) تا پایان بخش مادون قرمز حرارتی (1 میلی‌متر) طیف الکترومغناطیسی متغیر است.
ماموریت توپوگرافی رادار شاتل (SRTM) [ 32 ] مدل ارتفاعی دیجیتال (DEM) به عنوان یک متغیر گنجانده شد زیرا فراوانی M. calandra به طور مستقیم با تنوع زیستگاه مرتبط است، که به نوبه خود با تنوع توپوگرافی همبستگی دارد [ 33 ]. مجموعه داده DEM 90 متری از پایگاه داده CGIAR-CSI [ 34 ] دانلود شد و در طرح ED50/UTM 31N پیش بینی شد. سپس مجموعه داده به 30 متر نمونه برداری شد تا با وضوح تصویر ETM+ با استفاده از روش نزدیکترین همسایه مطابقت داشته باشد. ارتفاع منطقه مورد مطالعه از 1603 متر در قسمت های شمالی تا 73 متر در اطراف رودخانه Segre است.
داده‌های 100 متری پوشش زمین Corine (هماهنگی اطلاعات در مورد محیط زیست) برای سال 2000 (CLC2000) [ 35 ] از وب‌سایت آژانس محیط‌زیست اروپا (EEA) دانلود شد و در طرح ED50/UTM 31N پیش‌بینی شد. مجموعه داده با وضوح 100 متری اصلی شطرنجی شد، سپس با استفاده از روش نزدیکترین همسایه به 30 متر نمونه برداری شد تا با وضوح فضایی تصاویر ETM+ مطابقت داشته باشد. Corine یک پروژه پان اروپایی است که هدف آن تولید مجموعه داده پوشش زمین متمایز و قابل مقایسه برای اروپا است. این پروژه در مجموع دارای 44 طبقه پوشش زمین است که از این تعداد 26 طبقه در منطقه مورد مطالعه قرار دارند ( جدول 2 ). کل مجموعه داده CLC2000 از www.eea.europa.eu/data-and-maps [ 35 ] در دسترس است.

3.2. متغیرهای توضیحی

متغیرهای توضیحی در این مطالعه جنبه‌های بیوژئوفیزیکی چشم‌انداز را توصیف می‌کنند و در تحلیل‌های آماری برای پیش‌بینی وقوع M. calandra در مکان‌های بررسی‌نشده استفاده شدند. در مجموع 27 متغیر توضیحی ( جدول 3 ) از مجموعه داده های جغرافیایی دسترسی باز که در بخش قبل توضیح داده شد، استخراج شد. بخش زیر به جزئیات زیر گروه های مختلف متغیرهای توضیحی می پردازد.
جدول
جدول 2. هماهنگی اطلاعات در مورد محیط زیست (Corine) پوشش زمین 2000 (CLC2000) طبقات که در منطقه مورد مطالعه رخ می دهد. طبقات موجود در تجزیه و تحلیل بیش از 95٪ از کل سطح را نشان می دهند.
جدول
جدول 3. آمار توصیفی تک متغیره همه متغیرهای توضیحی استخراج شده که بر اساس منبع داده و مخفف های مرتبط با آنها گروه بندی شده اند. SD، انحراف استاندارد؛ CV، ضریب تغییرات; LST، دمای سطح زمین؛ MSAVI، شاخص گیاهی اصلاح شده با خاک. SRTM، ماموریت توپوگرافی رادار شاتل.

3.2.1. بافت تصویر ماهواره ای (ETM+)

ساوراید و همکاران [ 36 ] پیشنهاد کرد که استفاده از داده های ماهواره ای به تنهایی در مدل سازی توزیع پرندگان کافی نیست و متغیرهای ساختار زیستگاه نیز ضروری هستند. به منظور استخراج ساختار زیستگاه از داده های ماهواره ای، متغیرهای بافت مرتبه اول با اجرای یک آماره محلی 3×3 پیکسل (~8100 متر مربع ) در سراسر تصاویر ETM+ منطقه مورد مطالعه برای محاسبه انحراف معیار (SD) و ضریب تغییرات تولید شدند. (رزومه). این منجر به دو اندازه‌گیری بافت برای هر یک از شش نوار مرئی و مادون قرمز ETM+ شد: BAND x SD و BAND x CV، که در آن x باند Landsat استفاده شده است ( جدول 1 و جدول 2 را ببینید.). انحراف استاندارد تغییرپذیری بافت تصویر را ارزیابی می‌کند و ضریب تغییرات (انحراف استاندارد مقادیر پیکسل تقسیم بر میانگین آنها) اندازه‌ای از تغییرپذیری بافت تصویر را به عنوان درصدی از میانگین نشان می‌دهد. متغیرهای بافت تصویر ماهواره ای برای تعیین کمیت ناهمگونی چشم انداز و مدل سازی الگوهای فضایی پرندگان [ 37 ] با ارائه داده هایی در مورد رابطه بین توزیع پرندگان و ساختار زیستگاه استفاده شده است.

3.2.2. شاخص پوشش گیاهی (ETM+)

شاخص های پوشش گیاهی طیفی به طور گسترده در نقشه برداری زیستگاه استفاده شده است [ 38 ]، و آنها اطلاعات مهمی در مورد وضعیت پوشش گیاهی ارائه می دهند. شاخص گیاهی تعدیل‌شده خاک (MSAVI) برای به حداقل رساندن اثر پس‌زمینه خاک و افزایش دامنه دینامیکی سیگنال پوشش گیاهی انتخاب شد و حساسیت پوشش گیاهی بیشتری را در مناطقی که دارای بخش‌های قابل‌توجهی از خاک لخت هستند، ایجاد کرد [ 39 ]. MSAVI از باندهای قرمز (ETM+3) و مادون قرمز نزدیک (ETM+4) با استفاده از روش‌های توصیف شده در Qi و همکاران محاسبه شد. [ 39 ].

3.2.3. دمای سطح زمین (ETM+)

دمای سطح زمین (LST) کارایی انرژی اکوسیستم های زمینی را با کمی کردن انرژی حرارتی تابش شده اندازه گیری می کند [ 40 ]. این به ندرت به عنوان یک متغیر در مطالعات اکولوژیکی [ 41 ] گنجانده می شود، اما می تواند اطلاعات ارزشمندی در مورد تغییرات انسانی یا طبیعی به بودجه انرژی اکوسیستم ارائه دهد [ 42 ]. LST از باند مادون قرمز حرارتی (ETM+6) با استفاده از روش هایی که توسط Sobrino و همکارانش توضیح داده شده است، به دست آمد. [ 43 ] و ناسا [ 44 ].

3.2.4. متریک چشم انداز (CLC2000)

معیارهای چشم انداز الگوی فضایی زیستگاه ها را توصیف می کند و برای طبقه بندی مناسب بودن زیستگاه گونه های مختلف پرندگان استفاده شده است [ 45 ، 46 ]. معیارها برای تعیین کمیت کسری از هشت نوع زیستگاه غالب در منطقه مورد مطالعه محاسبه شد. اگر یک کلاس CLC2000 مساحتی بیش از 100 متر مربع را پوشش دهد، تسلط در این زمینه ایجاد شد . برای هر متریک، یک آماره محلی 3×3 برای محاسبه نسبت (بین 0 و 1) یک کلاس CLC2000 در پنجره استفاده شد. علاوه بر این، معیارهای فاصله با محاسبه فاصله اقلیدسی هر پیکسل از لایه های روی هم قرار گرفته متشکل از مناطق اشغال شده توسط انسان و مناطق مرطوب (رودخانه ها، دریاچه ها و مرداب ها) به دست آمد. De Smith et al. [47 ] برای جزئیات مربوط به استخراج معیارهای چشم انداز.

3.2.5. توپوگرافی (SRTM)

ناهمگونی توپوگرافی به طور مستقیم بر انتخاب زیستگاه با تأثیر بر شیب دما و رطوبت و به طور غیرمستقیم با اصلاح ترکیب پوشش گیاهی تأثیر می گذارد [ 48 ]. شیب شیب سطح بر حسب درجه و جهت (جهت نزولی) منطقه مورد مطالعه از DEM استخراج شد.

3.3. اطلاعات پرنده دسترسی را باز کنید

این مطالعه با هدف استفاده از داده های دسترسی باز در نقشه برداری زیستگاه M. calandra آغاز شد. بنابراین، داده‌های مربوط به حضور M. calandra از دو منبع دسترسی باز، تسهیلات جهانی اطلاعات تنوع زیستی (GBIF؛ www.gbif.org ) [ 49 ] و شبکه دانش پرندگان/eBird (AKN/eBird؛ www.avianknowledge.net ) دانلود شد. ) [ 50 ]. با این حال، مشخص شد که کیفیت این داده ها برای انجام تجزیه و تحلیل قوی در مورد مناسب بودن زیستگاه این گونه خاص در کاتالونیا بسیار ضعیف است ( شکل 2 ). از این رو، این داده های دسترسی باز در این مطالعه استفاده نشدند.
Ijgi 02 00935 g002 1024
شکل 2. مقایسه مشاهدات دانه بندی ذرت در کاتالونیا از یک دسترسی بسته (اطلس پرندگان پرورش کاتالان (CBBA)) و دو منبع دسترسی باز (تاسیسات اطلاعات تنوع زیستی جهانی (GBIF) و شبکه دانش پرندگان/پرنده الکترونیکی (AKN/eBird)).

داده های اطلس پرندگان پرورش کاتالان

داده ها از موسسه پرنده شناسی کاتالان (ICO) درخواست شد، که سوابق حضور و غیاب M. calandra را از اطلس پرندگان پرورش کاتالان (CBBA) [ 51 ] ارائه کرد. بررسی های CBBA در طول فصل تولید مثل (1 مارس تا 30 ژوئیه) در سال های 1999-2002 انجام شد. نظرسنجی ها توسط متخصصان مجرب بین طلوع آفتاب تا 11 صبح و بین ساعت 6 بعد از ظهر تا غروب خورشید انجام شد. قطعات بررسی مربع های UTM 1 کیلومتر × 1 کیلومتر بود که در آن دو بررسی 1 ساعته انجام شد و وجود یا عدم وجود گونه ثبت شد [ 51 ]. تعداد کل M. calandraمحل در منطقه مورد مطالعه 339 بود که از این تعداد 251 (74%) نقاط حضور و 88 (26%) نقاط غیبت بودند. جزئیات بیشتر در مورد روش نمونه گیری میدانی را می توان در بروتونز و همکاران یافت. [ 51 ].

3.4. نرم افزار رایگان و متن باز جغرافیایی

با توجه به محدودیت در دسترس بودن بودجه، در این تحقیق فقط از نرم افزارهای رایگان و متن باز استفاده شد. مدل‌سازی آماری با استفاده از محیط R برای محاسبات آماری نسخه 2.9.2 [ 31 ] انجام شد. آخرین نسخه R از www.r-project.org در دسترس است [ 31 ]. R همچنین برای نمایش داده ها به طرح ED50/UTM 31N با استفاده از بسته “rgdal” [ 52 ] استفاده شد. تجزیه و تحلیل فضایی، از جمله محاسبه متریک های منظر و تجسم نقشه های نهایی، با استفاده از ابزارهای تحلیل مکانی وایت باکس (WGAT) نسخه 0.12، موجود در www.uoguelph.ca/~hydrogeo/Whitebox [ 53 ] انجام شد.]. تجزیه و تحلیل توپوگرافی در نسخه 2.03 [ 54 ] System for Automated Geoscientific Analyzes (SAGA) انجام شد. SAGA از www.saga-gis.org در دسترس است [ 54 ]. تمام کارها در اوبونتو نسخه 9.10 انجام شد. اوبونتو یک سیستم عامل منبع باز مبتنی بر لینوکس است که می تواند از www.ubuntu.com دانلود شود [ 55 ].

3.5. مدل سازی

سه برابر (251) تعداد نقاط حضور (88) در داده های پرنده وجود دارد، و این اختلاف باعث تعصب در فرآیند مدل سازی می شود. به منظور به حداقل رساندن این، مجموعه داده به تعداد مساوی از نقاط حضور و غیاب تقسیم شد. پنج گروه ایجاد شد ( شکل 3 )، که هر کدام از 88 نقطه حضور تصادفی انتخاب شده برای مطابقت با تعداد غیبت در مجموعه داده تشکیل شده است. تمام متغیرهای توضیحی در هر یک از این نقاط با استفاده از تابع “همپوشانی” در R استخراج شدند. چارچوب مدل سازی در شکل 4 ارائه شده است .
هر یک از پنج گروه شامل سه زیر گروه است: (1) یک گروه ماهواره ای که شامل متغیرهای توضیحی مشتق شده از تصاویر ETM+ و داده های SRTM است، (2) یک گروه CLC2000 که شامل معیارهای چشم انداز به دست آمده از داده های پوشش زمین Corine است و ( 3) یک گروه ترکیبی که از هر دو متغیر Satellite و CLC2000 تشکیل شده است.
یک مدل رگرسیون لجستیک [ 56 ] برای هر یک از پنج گروه ساخته شد، و یک فرآیند حذف گام به گام بر اساس بهینه سازی معیار اطلاعات آکایک (AIC) [ 57 ] برای حذف متغیرهای ناچیز اعمال شد. سپس، حذف ضریب تورم واریانس گام به گام (VIF) [ 58 ] با استفاده از تابع “vif” در R اعمال شد. همه متغیرهای با مقادیر VIF بیشتر از 5 [ 59 ] برای جلوگیری از چند خطی بودن کنار گذاشته شدند ( جدول A1 در پیوست). مدل‌ها با استفاده از کاپا کوهن [ 60 ]، سطح زیر منحنی (AUC) مشخصه عملکرد گیرنده (ROC) [ 61 ] ارزیابی شدند.] با آستانه 0.50 برای نشان دادن زیستگاه مناسب. نقشه های احتمالی به دست آمده برای تولید میانگین نقشه های CLC2000، ماهواره ای و ترکیبی میانگین گیری شدند ( شکل 5 ).
Ijgi 02 00935 g003 1024
شکل 3. 251 نقطه حضور به پنج گروه تقسیم شدند که هر کدام از 88 نقطه حضور تصادفی انتخاب شده (به رنگ مشکی) برای مطابقت با 88 نقطه غیبت (به رنگ قرمز) تشکیل شده بودند.
Ijgi 02 00935 g004 1024
شکل 4. چارچوب این مطالعه.
Ijgi 02 00935 g005 1024
شکل 5. نقشه های احتمال میانگین بر اساس مدل های ( A ) CLC2000 ( B ) ماهواره ای و ( C ) ترکیبی. به تفاوت بافت بین A و B به دلیل وضوح درشت تر داده های CLC2000 و وضوح بهتر داده های ترکیبی Landsat و SRTM توجه کنید. C یک خروجی هماهنگ تولید می کند که تغییرات کلیدی دو مورد قبلی را بدون به خطر انداختن وضوح تصویر می گیرد.

4. نتایج

خروجی های مدل CLC2000، ماهواره و ترکیبی برای هر پنج گروه برای تولید سه نقشه نهایی به طور میانگین محاسبه شد ( شکل 5 ). میانگین مقادیر AUC 0.69، 0.81 و 0.90 برای CLC2000، ماهواره و مدل ترکیبی، به ترتیب، بالاتر از آستانه مدل تصادفی (0.50) بود، که نشان می‌دهد متغیرهای توضیحی بر انتخاب زیستگاه M. calandra تأثیر می‌گذارند.
میانگین مدل رگرسیون لجستیک برای گروه CLC2000 در جدول 4 خلاصه شده است. مقدار AUC برای این مدل 0.69 بود. این مدل زیستگاه نامطلوب را در دامنه‌های شیب‌دار ارتفاعات بالاتر فرض می‌کند، و ترجیح مشخصی برای متریک چشم‌انداز زمین زراعی غیرآبیاری ( P <0.001) وجود دارد. حذف زمین های زراعی غیرآبیاری با افزایش میانگین 56/43 AIC بیشترین تأثیر را بر مدل داشت. در مقابل، M. calandra ترجیح کاهش یافته را برای مناطقی که عمدتاً از زمین‌های دائمی آبیاری شده تشکیل شده بودند نشان داد ( 002/0 = p )، اما نقشه مطلوبیت را برای حاشیه‌های چمن نشان می‌دهد، جایی که زمین‌های آبیاری دائمی با زیستگاه‌ها، مانند زمین‌های زراعی غیرآبیاری شده ملاقات می‌کند.
میانگین مدل رگرسیون لجستیک برای گروه ماهواره در جدول 5 خلاصه شده است. مقدار AUC برای این مدل 0.81 بود. دمای سطح زمین ( 001/0 > p)، شیب سطح ( 001/0 > p) و شاخص پوشش گیاهی تعدیل‌شده خاک ( 001/0 p <) قوی‌ترین تأثیر را بر متغیر مستقل داشتند. M. calandraیک گونه تودرتوی زمینی است و زمین های غیر کشت را ترجیح می دهد. بنابراین، تعجب آور نیست که دمای سطح زمین تأثیر زیادی بر ترجیح زیستگاه در طول فصل تولید مثل داشته باشد، زیرا می تواند امضای حرارتی زمین های خشک و بدون آبیاری را متمایز کند. ضریب تصحیح در الگوریتم شاخص گیاهی اصلاح شده با خاک، سیگنال پوشش گیاهی را در مناطق با تراکم پوشش گیاهی کم افزایش می دهد. ضریب تغییرات باند ETM + 5 ( 0.002 = p ) نیز تأثیر مثبت قوی بر M. calandra نشان داد.به این دلیل که رطوبت پوشش گیاهی در ناحیه مادون قرمز موج کوتاه بین 1.55 تا 1.75 میکرون قابل تشخیص است، که نشان می دهد که ویژگی های بافت در منطقه مادون قرمز احتمالاً تنوع در ساختار پوشش گیاهی را تشخیص می دهد. یک نتیجه جالب رابطه منفی M. calandra با انحراف استاندارد باند ETM + 1 بود ( 0.097 = P ). حذف این متغیر امتیاز AIC مدل را به طور قابل توجهی افزایش داد. رابطه منفی را می توان به این واقعیت نسبت داد که محدوده طیفی ETM + باند 1 بازتاب مناظر شهری را به تصویر می کشد.
جدول
جدول 4. خروجی میانگین مدل CLC2000.
جدول
جدول 5. خروجی میانگین مدل ماهواره ای.
میانگین مدل رگرسیون لجستیک برای گروه ترکیبی شامل 9 متغیر توضیحی ( جدول 6 ، شکل 6 ) بود و دارای بالاترین AUC 0.90 بود. نمودار ROC مقایسه ای در شکل 7 اثر عوامل متعددی را نشان می دهد که توسط منبع داده محدود نشده اند بر رفتار انتخاب زیستگاه M. calandra . به عنوان مثال، انتخاب شاخص پوشش گیاهی اصلاح شده با خاک نشان دهنده تأثیر پس زمینه خاک به عنوان یک عامل مهم در انتخاب رویشگاه است. افزایش بازتاب از خاک زیرین می تواند ناشی از عملکرد ماشین آلات سنگین یا سایر اختلالات انسانی باشد. مدل ترکیبی نشان می دهد که M. calandraاز مناطقی با شیب های تند، مناطق نزدیک به فعالیت های انسانی و زیرساخت های شهری و مناطقی که کاملاً از زمین های با آبیاری شدید تشکیل شده اند اجتناب می کند. این مدل همچنین نشان می دهد که، در طول فصل تولید مثل، مناسب بودن زیستگاه M. calandra به طور مثبت تحت تأثیر زمین های قابل کشت غیر آبیاری و مناطق خشک و باز دور از پوشش جنگلی است.
جدول
جدول 6. خروجی میانگین مدل ترکیبی. حروف پررنگ داخل پرانتز هر متغیر را با نمودار مربوطه در شکل 6 مرتبط می کند.
Ijgi 02 00935 g006 1024
شکل 6. 9 متغیر توضیحی مشترک در مدل ترکیبی در هر پنج گروه: ( الف ) شاخص گیاهی اصلاح شده خاک. ( B ) دمای سطح زمین بر حسب درجه سانتیگراد. ( C ) ضریب تغییرات ETM+ باند 5; ( D ) انحراف استاندارد باند 1 ETM+; ( E ) شیب SRTM بر حسب درجه. ( F ) کسری از جنگل پهن برگ. ( ز ) کسری از زمین های زراعی غیر آبیاری; ( H ) بخشي از زمينهاي دائمي آبياري شده. ( I ) فاصله تا فعالیت انسانی بر حسب متر.
Ijgi 02 00935 g007 1024
شکل 7. مشخصه عملکرد مقایسه ای گیرنده (ROC) نمودار میانگین سطح زیر منحنی (AUC) مقادیر برای پنج گروه.

5. بحث

در طول چهل سال گذشته، تغییرات در چشم انداز کشاورزی اروپا منجر به روند کاهشی مداوم در تعداد پرورش گونه های پرندگان مزرعه شده است. مدل‌سازی توزیع پیش‌بینی گونه‌های مورد توجه به منظور ارزیابی اهمیت زیستگاه‌ها از منظر حفاظت مهم است و نیاز به پایش این کاهش با استفاده از ابزارهایی وجود دارد که به راحتی در دسترس، مقرون به صرفه و کاربردی هستند. ادغام داده های دسترسی باز، چه بیولوژیکی و چه ژئوفیزیکی، از منابع مختلف، روشی مناسب در تولید مدل هایی است که ترجیحات زیستگاه گونه ها را منعکس می کند.
متغیرهای توضیحی انتخاب شده برای این مطالعه از منابع داده های مکانی دسترسی باز برای ارزیابی مناسب بودن زیستگاه M. calandra در طول فصل تولید مثل مشتق شدند. بافت تصویر نمایانگر اثر بصری تولید شده توسط توزیع فضایی تغییرپذیری تون (مقادیر پیکسل) در یک منطقه معین [ 62 ] است و می تواند به عنوان جایگزینی برای ساختار زیستگاه عمل کند، زیرا تغییر در بازتاب در بین پیکسل های مجاور می تواند ناشی از تغییرپذیری افقی در رشد گیاه [ 37 ]. MSAVI دارای یک ضریب تصحیح است که با توجه به تراکم پوشش گیاهی تنظیم می شود، که نشان داده شده است که دامنه دینامیکی سیگنال پوشش گیاهی را افزایش می دهد و حساسیت پوشش گیاهی بیشتری ایجاد می کند [ 39 ]]. توپوگرافی به طور غیرمستقیم بر توزیع گونه ها با اصلاح روابط پرندگان با پوشش گیاهی یا با اصلاح انواع پوشش گیاهی تأثیر می گذارد [ 63 ]. معیارهای منظر، ویژگی‌های فضایی خاص تکه‌ها، کلاس‌های تکه‌ها یا کل موزاییک‌های منظره را از الگوهای نقشه طبقه‌بندی شده کمیت می‌کنند [ 47 ] و به توضیح چگونگی تأثیر الگوهای فضایی مناظر بر فرآیندهای اکولوژیکی کمک می‌کنند [ 64 ]. معیارهای فاصله انسانی معیارهای مهمی برای پیش‌بینی مجموعه‌های پرندگان در مناطق بوم‌زیستی کشاورزی هستند [ 65 ]، زیرا برخی از گونه‌ها ترجیح می‌دهند در مناطق دور از مزاحمت شدید انسانی تولید مثل کنند. زمین های زراعی غیر آبی یک طبقه وسیع پوشش زمین است [ 66] که شامل زمین های آیش کم آبی یا مناطق تحت تناوب زراعی است که با غلات، حبوبات، محصولات علوفه ای و محصولات ریشه کشت می شود. از سوی دیگر، زمین های آبیاری دائمی یک کلاس پوشش زمین فشرده [ 66 ] است که شامل مناطق تحت آبیاری ثابت با استفاده از زیرساخت های دائمی، مانند کانال های آبیاری و شبکه های زهکشی است. انواع محصولاتی که در زمین های آبیاری دائمی کشت می شوند بدون منبع آب مصنوعی قابل کشت نیستند.
میانگین مدل رگرسیون لجستیک ترکیبی بر اساس AUC دارای دقت 90/0 بود. M. calandra همبستگی مثبت قوی با LST، MSAVI، BAND5CV و زمین های زراعی غیر آبیاری (NIAL) داشت. این پارامترها به عنوان جایگزین های زیست محیطی در فرآیند مدل سازی خدمت کردند. متغیرهای پوشش زمین رابطه علی مستقیم با M. calandra را فراهم کردندتوزیع؛ به عنوان مثال، در طول فصل تولید مثل، گونه ترجیح می دهد در زمین های غیر کشت لانه کند و از مراتع اجتناب می کند، که این امر مطلوبیت NIAL را نسبت به زمین های آبیاری دائمی (PIL) توضیح می دهد. مراتع و مزارع کشاورزی تشدید شده در فصل تابستان به دلیل آبیاری زیاد دمای پایینی را نشان می دهند. در اینجا، LST در تمایز بین زمین‌های آبیاری شدید و غیرآبیاری مفید است. با این حال، محیط‌های شهری نیز LST بالایی را نشان می‌دهند، و گنجاندن BAND1SD، که به امضای طیفی بسیار متغیر مناظر شهری حساس است، اطلاعات بیشتری در مورد مناسب بودن زیستگاه ارائه می‌دهد.
تحقیقات در مورد کاهش چهار گونه بندکشی در زمین‌های کشاورزی در اروپا به طور کلی شامل انواع مدل‌سازی آماری متغیرهای مستقل گردآوری شده در مزرعه (به عنوان مثال، وجود و عدم وجود گونه‌ها [ 8 ] یا فراوانی و تراکم [ 5 ]) و متغیرهای توضیحی است. به عنوان مثال، نوع محصول، کاربری زمین [ 7 ]، تراکم درخت و ساختار پوشش گیاهی [ 21 ] یا نسبت برخی از ویژگی های کاربری زمین [ 12 ]]). عدم وجود اجزای جغرافیایی در این مطالعات باعث ایجاد مشکل در درک الگوهای فضایی توزیع گونه‌ها می‌شود. در مقابل، منطق پشت رویکرد مدل‌سازی مورد استفاده در این مطالعه این است که حضور یا عدم حضور گونه‌ها در یک مکان خاص تابعی از متغیرهای توضیحی است که محیط گونه را در آن مکان نشان می‌دهد. استفاده از متغیرهای حاصل از سنجش از دور و داده‌های پوشش زمین به‌عنوان پیش‌بینی‌کننده مناسب بودن زیستگاه پرندگان، زمینه جدیدی از تحقیقات نیست، اما مطالعات قبلی از اطلاعات موجود در داده‌های سنجش از دور دسترسی باز بهره کامل نبرده‌اند. به عنوان مثال، در مطالعه Kosicki و Chylarecki [ 6 ]، NDVI تنها متغیر بیوفیزیکی استخراج شده از داده های سنجش از دور بود. مطالعات قبلی در موردانجمن زیستگاه M. calandra که از داده‌های مکانی دسترسی باز استفاده نمی‌کند، نتایج مشابهی با نتایج این مطالعه به همراه داشته است. برامبیلا و همکاران [ 22 ] دریافتند که نسبت زمین های قابل کشت به طور مثبت بر ترجیح زیستگاه پرورش M. calandra تأثیر می گذارد ، در حالی که Stoate و همکاران. [ 21 ] دریافتند که “زمین زراعی غلات بدون درخت” از بالاترین تراکم تولید مثل این گونه پشتیبانی می کند.
داده های مورد استفاده در این مطالعه توسط ICO ارائه شده است، و تهیه داده های تنوع زیستی از چنین منابعی اغلب باید تحت یک فرآیند درخواست و تصمیم گیری قرار گیرد که بسته به کیفیت پیشنهادات ارائه شده و وابستگی، منجر به تایید یا رد می شود. و سطح آکادمیک درخواست کننده، همکاری موسسه نگهدارنده داده و حساسیت داده ها (به عنوان مثال، گونه های فهرست قرمز IUCN). داده‌های دسترسی بسته، مانند CBBA، اغلب از کیفیت علمی بالاتری برخوردارند و نسبت به داده‌های دسترسی آزاد و به آسانی در دسترس، مانند GBIF و AKN/eBird گسترده‌تر هستند ( شکل 2).). در طول فرآیند توسعه یک روش برای این پروژه، و قبل از کسب مجوز برای استفاده از داده‌های ICO، نویسنده به درخواست‌های چندین سازمان اروپایی برای دسترسی به داده‌ها رد شده یا پاسخی نداده است. از این رو، دامنه پروژه و روش شناسی باید محدود می شد. بنابراین برای سازمان‌های حفاظت با داده‌های علمی با کیفیت بالا ضروری است که در زیرساخت‌های مبتنی بر وب که دسترسی به داده‌های تنوع زیستی را تسهیل می‌کند، سرمایه‌گذاری کنند تا جامعه پژوهشی، به‌ویژه آنهایی که دارای بودجه محدود هستند، بتوانند از آنها استفاده کنند.

6. نتیجه گیری

توسعه نقشه‌های پراکنش که شامل اطلاعاتی از هر دو مجموعه داده‌های مشاهده زمین و پوشش زمین است برای گونه‌هایی که محدوده نامشخصی دارند [ 67 ] و برای نظارت بر پویایی فضایی گونه‌های در معرض تهدید اهمیت دارد. این رویکرد تلفیق داده‌ها به شناسایی و نگهداری زیستگاه‌های مهم همانطور که دستورالعمل پرندگان تصریح می‌کند کمک می‌کند و در ترکیب با داده‌های دسترسی باز تنوع زیستی به آسانی، تحویل سریع اطلاعات زیست‌محیطی به تصمیم‌گیرندگان را تسهیل می‌کند.

منابع

  1. Birdlife-International. In Birds in the European Union: A Status Assessment , 1st ed.; Birdlife International: Wageningen، هلند، 2004.
  2. Deceuninck, B. The Corncrake (Crex crex) در فرانسه ; Schaeffer, N., Mammen, U., Eds.; کارگاه بین المللی کرنکرک: Hilpoltstein، آلمان، 1998. [ Google Scholar ]
  3. دی لئو، GA; فوکاردی، اس. گاتو، م. کاتادوری، IM کاهش کبک خاکستری در اروپا: مقایسه جمعیت شناسی در مناظر کشاورزی سنتی و مدرن. Ecol. مدل. 2004 ، 177 ، 313-335. [ Google Scholar ] [ CrossRef ]
  4. تاکر، جنرال موتورز; هیث، MF پرندگان در اروپا: وضعیت حفاظت آنها . BirdLife International: کمبریج، بریتانیا، 1994. [ Google Scholar ]
  5. Vepsäläinen، V. پاککالا، تی. پیها، م. Tiainen, J. سقوط جمعیت اورتولان bunting Emberiza hortulana در مناظر کشاورزی جنوب فنلاند. ان جانورشناسی. Fennici 2005 ، 42 ، 91-107. [ Google Scholar ]
  6. Kosicki، JZ; Chylarecki، P. انتخاب زیستگاه از Ortolan bunting Emberiza hortulana در لهستان: پیش بینی از عناصر زیستگاه در مقیاس بزرگ. Ecol. Res. 2012 ، 27 ، 347-355. [ Google Scholar ] [ CrossRef ]
  7. ایوانز، آ. اسمیت، کی. زیستگاه انتخاب Cirl Buntings Emberiza cirlus زمستانی در بریتانیا. Bird Study 1994 , 41 , 81-87. [ Google Scholar ] [ CrossRef ]
  8. Wotton، SR; لنگستون، RHW؛ Gibbons، DW; Pierce, AJ وضعیت Cirl Bunting Emberiza cirlus در بریتانیا و جزایر کانال در سال 1998. مطالعه پرنده 2000 ، 47 ، 138-146. [ Google Scholar ] [ CrossRef ]
  9. استوات، سی. Moreby، SJ; Szczur, J. بوم‌شناسی پرورشی زمین‌های کشاورزی Yellowhammers Emberiza citrinella . Bird Study 1998 , 45 , 109-121. [ Google Scholar ] [ CrossRef ]
  10. گولاوسکی، ا. Dombrowski، A. استفاده در زیستگاه Yellowhammers Emberiza citrinella ، Ortolan Buntings E. hortulana ، و Corn Buntings Miliaria calandra در زمین‌های کشاورزی شرق مرکزی لهستان. Ornis Fennica 2002 ، 79 ، 164-172. [ Google Scholar ]
  11. ورتنبرگ، جی. لیندستروم، Å. اسونسون، اس. Pärt, T. پیوند سیاست های کشاورزی با روند جمعیت پرندگان زمین های کشاورزی سوئد در مناطق مختلف کشاورزی. J. Appl. Ecol. 2007 ، 44 ، 933-941. [ Google Scholar ] [ CrossRef ]
  12. ویتینگهام، ام جی; Swetnam، RD; ویلسون، جی دی. چمبرلین، دی. انتخاب زیستگاه Freckleton، RP توسط Yellowhammers Emberiza citrinella در زمین‌های کشاورزی پست در دو مقیاس فضایی: مفاهیم برای مدیریت حفاظت. J. Appl. Ecol. 2005 ، 42 ، 270-280. [ Google Scholar ] [ CrossRef ]
  13. بریکل، ن. هارپر، دی. ایبیشر، ن. Cockayne, S. اثرات تشدید کشاورزی بر موفقیت اصلاح نژاد buntings ذرت Miliaria calandra . J. Appl. Ecol. 2000 ، 37 ، 742-755. [ Google Scholar ] [ CrossRef ]
  14. Orlowski, G. گونه های پرنده در حال انقراض و رو به زوال زمین های کشاورزی متروکه در جنوب غربی لهستان. کشاورزی اکوسیستم. محیط زیست 2005 ، 111 ، 231-236. [ Google Scholar ] [ CrossRef ]
  15. Eisloeffel, F. The Corn Bunting (Miliaria calandra) در جنوب غربی آلمان: کاهش جمعیت و الزامات زیستگاه. در اکولوژی و حفاظت از بند ذرت (Miliaria calandra) ؛ Donald، PF، Aebischer، NJ، Eds. کمیته مشترک حفاظت از طبیعت: پیتربورو، بریتانیا، 1997; صص 170-173. [ Google Scholar ]
  16. تیلور، ای جی؛ O’Halloran, J. زوال Corn Bunting Miliaria calandra ، در جمهوری ایرلند. محیط زیست شناسی Proc. آکادمی سلطنتی ایرلندی 2002 ، 102 ، 165-175. [ Google Scholar ] [ CrossRef ]
  17. دونالد، پی اف. گرین، RE; هیث، تشدید کشاورزی MF و فروپاشی جمعیت پرندگان زمین های کشاورزی اروپا. Proc. شرکت رویال B 2001 ، 268 ، 25-29. [ Google Scholar ] [ CrossRef ]
  18. فولر، RM; دورو، بی جی; گیلینگز، اس. شاخص‌های Amable، GS ترجیحات زیستگاه پرنده از بررسی‌های میدانی پرندگان و سنجش از دور پوشش زمین: مطالعه جنوب شرقی انگلستان با پیامدهای گسترده‌تری برای ارزیابی حفاظت و تنوع زیستی. زیست محیطی جهانی Biogeogr. 2005 ، 14 ، 223-239. [ Google Scholar ] [ CrossRef ]
  19. کوچینسکی، ال. Antczak، M. چکوفسکی، پ. گرزیبک، جی. جرزاک، ال. زابلوکی، پ. Tryjanowski، P. یک بررسی در مقیاس بزرگ از حشره کش خاکستری بزرگ Lanius در لهستان: تراکم پرورش، استفاده از زیستگاه و روند جمعیت. ان Zoologici Fennici 2010 ، 47 ، 67-78. [ Google Scholar ] [ CrossRef ]
  20. دیاز، م. Telleria، JL انتخاب زیستگاه و روندهای توزیع پرنده های ذرت در شبه جزیره ایبری. در اکولوژی و حفاظت از ذرت بونتینگ Miliaria Calandra ; Donald, P., Aebischer, NJ, Eds. JNCC: Peterborough, UK, 1997; صص 151-161. [ Google Scholar ]
  21. استوات، سی. بورالهو، آر. Araujo، M. عوامل موثر بر دانه بندی ذرت فراوانی Miliaria calandra در یک چشم انداز کشاورزی پرتغال. کشاورزی اکوسیستم. محیط زیست 2000 ، 77 ، 219-226. [ Google Scholar ] [ CrossRef ]
  22. برامبیلا، ام. گیدالی، ف. Negri، I. انجمن‌های زیستگاهی فصل تولید مثل ذرت در حال کاهش Emberiza calandra – یک شاخص بالقوه از غنای کلی bunting. Ornis Fennica 2009 ، 86 ، 41-50. [ Google Scholar ]
  23. بروتونز، ال. مانوسا، اس. استرادا، ج. مدل سازی اثرات طرح های آبیاری بر پراکنش پرندگان استپی در زمین های کشاورزی مدیترانه تنوع زیستی حفظ کنید. 2004 ، 13 ، 1039-1058. [ Google Scholar ] [ CrossRef ]
  24. مورنو-ماتئوس، دی. پدروکی، سی. Comin، حضور جوامع پرندگان FA در تالاب های کشاورزی اخیراً ایجاد شده در چشم اندازهای آبی مناطق نیمه خشک. تنوع زیستی حفظ کنید. 2009 ، 18 ، 811-828. [ Google Scholar ] [ CrossRef ]
  25. ریوز، اچ ام. کوچ، FG; Munro، RE نظارت بر زیستگاه قطب شمال و تولید غاز با تصاویر ماهواره ای. جی. وایلدل. مدیریت 1976 ، 40 ، 532-541. [ Google Scholar ] [ CrossRef ]
  26. کانن، RW; Knopf، FL; پتینگر، LR استفاده از داده‌های لندست برای ارزیابی زیستگاه‌های مرغ دشتی کوچک در اوکلاهما غربی. جی. وایلدل. مدیریت 1982 ، 46 ، 915-922. [ Google Scholar ] [ CrossRef ]
  27. Lauver، CL; Whistler, J. طبقه بندی سلسله مراتبی تصاویر Landsat TM برای شناسایی مناطق مرتع طبیعی و زیستگاه گونه های کمیاب. فتوگرام مهندس Remote Sens. 1993 , 59 , 627-634. [ Google Scholar ]
  28. شرلی، اس. یانگ، ز. هاچینسون، آر. الکساندر، جی. مک گریگال، ک. Betts، M. مدل‌سازی توزیع گونه‌ها برای مردم: تصاویر طبقه‌بندی‌نشده landsat TM وقوع پرنده را در وضوح‌های خوب پیش‌بینی می‌کنند. غواصان. توزیع کنید. 2013 ، 19 ، 855-866. [ Google Scholar ] [ CrossRef ]
  29. هوسکا، TR; جانسون، AP GloVis Ver. 8.17.1. ; اطلاعات عمومی سازمان زمین شناسی ایالات متحده سری محصولات 137; مرکز مشاهده و علم منابع زمین (EROS): Reston، VA، ایالات متحده آمریکا، 2012. [ Google Scholar ]
  30. Goslee، SC تجزیه و تحلیل داده های سنجش از راه دور در R: بسته لندست. J. Stat. نرم افزار 2011 ، 43 ، 1-25. [ Google Scholar ]
  31. تیم اصلی توسعه R، R: زبان و محیطی برای محاسبات آماری . بنیاد R برای محاسبات آماری: وین، اتریش، 2009.
  32. رابوس، بی. ایندر، م. راث، ا. باملر، آر. ماموریت توپوگرافی رادار شاتل – کلاس جدیدی از مدل‌های ارتفاعی دیجیتالی که توسط رادارهای فضایی به دست آمده است. ISPRS J. Photogramm. Remote Sens. 2003 , 57 , 241-262. [ Google Scholar ] [ CrossRef ]
  33. الیور، تی. روی، دی بی. هیل، جی کی. بریتون، تی. توماس، سی دی مناظر ناهمگن باعث ثبات جمعیت می شود. Ecol. Lett. 2010 ، 13 ، 473-484. [ Google Scholar ] [ CrossRef ]
  34. جارویس، ا. رویتر، اچ. نلسون، ا. گوارا، E. SRTM پر از سوراخ برای گلوب نسخه 4. در پایگاه داده 90 متری CGIAR-CSI SRTM. در دسترس آنلاین: http://srtm.csi.cgiar.org (دسترسی در 12 نوامبر 2009).
  35. بوتنر، جی. فرانک، ج. جفرین، جی. ماری، ال. ماوچا، جی. Soukup, T. پروژه پوشش زمین CORINE 2000. ERSeL eProc. 2004 ، 3 ، 331-346. [ Google Scholar ]
  36. Saveraid, EH; دبینسکی، دی.م. کیندچر، ک. Jakubauskas، ME مقایسه داده های ماهواره ای و متغیرهای چشم انداز در پیش بینی وقوع گونه های پرنده در اکوسیستم بزرگ یلوستون، ایالات متحده. Landsc. Ecol. 2001 ، 16 ، 71-83. [ Google Scholar ] [ CrossRef ]
  37. سنت لوئیس، وی. Pidgeon، AM; کلیتون، MK; لاک، BA; باش، دی. Radeloff، بافت تصویر ماهواره ای VC و شاخص پوشش گیاهی تنوع زیستی پرندگان را در صحرای چیهواهوان نیومکزیکو پیش بینی می کند. اکوگرافی 2009 ، 32 ، 468-480. [ Google Scholar ] [ CrossRef ]
  38. هورنینگ، ن. رابینسون، جی. استرلینگ، ای. ترنر، دبلیو. اسپکتور، اس. سنجش از دور برای اکولوژی و حفاظت . انتشارات دانشگاه آکسفورد: آکسفورد، انگلستان، 2010; صص 108-111. [ Google Scholar ]
  39. چی، جی. چهبونی، ع. Huete، AR؛ کر، YH; سروشیان، س. شاخص گیاهی اصلاح شده با خاک. سنسور از راه دور محیط. 1994 ، 48 ، 119-126. [ Google Scholar ] [ CrossRef ]
  40. لامبین، EF; ارلیش، دی. فضای شاخص دمای سطح و پوشش گیاهی برای تجزیه و تحلیل تغییر پوشش و پوشش زمین. بین المللی J. Remote Sens. 1996 ، 17 ، 463-487. [ Google Scholar ] [ CrossRef ]
  41. Quattrochi، DA; سنجش از دور مادون قرمز حرارتی Luvall، JC برای تجزیه و تحلیل فرآیندهای اکولوژیکی چشم انداز: روش ها و کاربردها. Landsc. Ecol. 1999 ، 14 ، 577-598. [ Google Scholar ] [ CrossRef ]
  42. کر، جی تی؛ Ostrovsky، M. از فضا تا گونه: کاربردهای اکولوژیکی برای سنجش از دور. Trends Ecol. تکامل. 2003 ، 18 ، 299-305. [ Google Scholar ] [ CrossRef ]
  43. سوبرینو، جی. Jiménez-Muñoz، JC; Paolini، L. بازیابی دمای سطح زمین از Landsat TM 5. Remote Sens. Environ. 2004 ، 90 ، 434-440. [ Google Scholar ] [ CrossRef ]
  44. ناسا، باند 6 تبدیل به دما. در کتاب راهنمای کاربران داده های علمی لندست 7 ; سازمان هوانوردی و فضایی ملی: Greenbelt، MD، ایالات متحده آمریکا، 2009; صص 117-120.
  45. گوستافسون، ای جی. پارکر، GR; Backs, SE ارزیابی الگوی فضایی زیستگاه حیات وحش: مطالعه موردی ترکیه وحشی (Meleagris gallopavo). صبح. Midl. نات 1994 ، 131 ، 24-33. [ Google Scholar ] [ CrossRef ]
  46. Fauth، PT; گوستافسون، ای جی. Rabenold، KN با استفاده از معیارهای چشم انداز برای مدل سازی زیستگاه منبع برای مهاجران نوتروپیک در غرب میانه ایالات متحده. Landsc. Ecol. 2000 ، 15 ، 621-631. [ Google Scholar ] [ CrossRef ]
  47. دی اسمیت، ام جی; Goodchild، MF; Longley، آمار مبتنی بر شبکه PA. در تجزیه و تحلیل جغرافیایی: راهنمای جامع اصول، تکنیک ها و ابزارهای نرم افزاری ؛ Troubador Publishing Ltd.: Leicester, UK, 2007; صص 194-199. [ Google Scholar ]
  48. Vander Haegen، WM; دوبلر، اف سی; پیرس، DJ Shrubsteppe پرنده پاسخ به زیستگاه و متغیرهای چشم انداز در شرق واشنگتن، ایالات متحده آمریکا. حفظ کنید. Biol. 2000 ، 14 ، 1145-1160. [ Google Scholar ] [ CrossRef ]
  49. ادواردز، جی ال. لین، MA; نیلسن، ES قابلیت همکاری پایگاه‌های اطلاعاتی تنوع زیستی: اطلاعات تنوع زیستی در هر دسکتاپ. Science 2000 , 289 , 2312-2314. [ Google Scholar ] [ CrossRef ]
  50. سالیوان، BL; چوب، CL; ایلیف، ام جی; بانی، RE; فینک، دی. Kelling، S. eBird: یک شبکه رصد پرندگان مبتنی بر شهروند در علوم زیستی. Biol. کنسر. 2009 ، 142 ، 2282-2292. [ Google Scholar ] [ CrossRef ]
  51. بروتونز، ال. هراندو، اس. استرادا، جی. پدروکی، وی. مارتین، JL اطلس پرندگان پرورش کاتالان (CBBA): جنبه های روش شناختی و مفاهیم زیست محیطی. Revista Catalana d’Ornitologia 2008 ، 24 ، 118-137. [ Google Scholar ]
  52. کیت، تی. بیوند، ر. پبسما، ای. Rowlingson، B. Rgdal: Bindings for the Geospatial Data Abstraction Library. بسته R نسخه 0.6-25. 2010. در دسترس آنلاین: http://cran.r-project.org/web/packages/rgdal/index.html (دسترسی در 25 فوریه 2010)،.
  53. لیندسی، جی. وایت باکس، ابزارهای تحلیل جغرافیایی ؛ گروه جغرافیا، دانشگاه گوئلف: گوئلف، انتاریو، کانادا، 2009. موجود آنلاین: موجود آنلاین: http://www.uoguelph.ca/~hydrogeo/ Whitebox/ (در 29 دسامبر 2009 قابل دسترسی است).
  54. Cimmery, V. راهنمای کاربر برای SAGA. نسخه 2.0، 2007 . در دسترس آنلاین: http://saga-gis.org/ (دسترسی در 15 ژانویه 2010).
  55. Gagné, M. انتقال به لینوکس اوبونتو ; آموزش پیرسون: رودخانه فوقانی سادل، نیوجرسی، ایالات متحده آمریکا، 2006. [ Google Scholar ]
  56. Hosmer، DW; Lemeshow, S. Applied Logistic Regression , 2nd ed.; John Wiley & Sons, Inc.: New York, NY, USA, 2000. [ Google Scholar ]
  57. آکایک، اچ. نظریه اطلاعات به عنوان بسط اصل احتمال حداکثری . پتروف، BN، Csaki، F.، ویرایش. Akademiai Kiado: بوداپست، مجارستان، 1973; ص 267-281. [ Google Scholar ]
  58. براونر، ن. Shacham, M. نقش دامنه و دقت متغیر مستقل در رگرسیون داده ها. صبح. Inst. شیمی. مهندس J. 1998 , 44 , 603-611. [ Google Scholar ] [ CrossRef ]
  59. O’Brien، RM احتیاط در مورد قوانین سرانگشتی برای عوامل تورم واریانس. کیفیت مقدار 2007 ، 41 ، 673-690. [ Google Scholar ] [ CrossRef ]
  60. کوهن، جی. ضریب توافق برای مقیاس های اسمی. آموزش. اقدامات روانی 1960 ، 20 ، 37-46. [ Google Scholar ] [ CrossRef ]
  61. Deleo، JM Receiver Operating Characteristic Laboratory (ROCLAB): نرم افزاری برای توسعه استراتژی های تصمیم گیری که عدم قطعیت را در بر می گیرد. در مجموعه مقالات دومین سمپوزیوم بین المللی مدلسازی و تحلیل عدم قطعیت، کالج پارک، MD، 25-28 آوریل 1993. IEEE Computer Society Press: College Park, MD, USA, 1993; صص 318-325. [ Google Scholar ]
  62. بارالدی، ع. Parmiggiani، F. بررسی ویژگی‌های بافتی مرتبط با پارامترهای آماری ماتریس هم‌وقوع سطح خاکستری. IEEE Trans. Geosci. Remote Sens. 1995 , 33 , 293-304. [ Google Scholar ] [ CrossRef ]
  63. سئوآن، جی. بوستامانت، جی. دیاز-دلگادو، آر. نقش های رقابتی برای چشم انداز، پوشش گیاهی، توپوگرافی و آب و هوا در مدل های پیش بینی کننده توزیع پرندگان. Ecol. مدل. 2004 ، 171 ، 209-222. [ Google Scholar ] [ CrossRef ]
  64. کارائو، اچ. Caetano، M. اثر مقیاس بر معیارهای منظر. در مجموعه مقالات سمپوزیوم بین المللی سنجش از دور محیط زیست، بوئنوس آیرس، آرژانتین، 8-12 آوریل 2002.
  65. وایتد، دی. گالاتوویچ، اس. تستر، JR. شیک، ک. لهتینن، آر. Husveth، J. اهمیت عوامل محلی و منطقه ای در پیش بینی حفاظت موثر: استراتژی های برنامه ریزی برای جوامع پرندگان تالاب در مناظر کشاورزی و شهری. Landsc. شهری. برنامه ریزی کنید. 2000 ، 49 ، 49-65. [ Google Scholar ] [ CrossRef ]
  66. مارتی راگو، ایکس. Lescrauwaet، A.-K. بورگ، ام. Valls, M. Indicators Guidelines: To Approved a Indicator-based Approach to Evaluate Sustainable Development Sustainable ساحلی . دولت کاتالونیا: بارسلونا، اسپانیا، 2007. [ Google Scholar ]
  67. سئوآن، جی. بوستامانت، جی. آیا نقشه‌های پوشش گیاهی موجود برای پیش‌بینی توزیع پرندگان کافی است؟ Ecol. مدل. 2004 ، 175 ، 137-149. [ Google Scholar ] [ CrossRef ]

ضمیمه

جدول
جدول A1. مقادیر ضریب تورم واریانس (VIF) برای 9 متغیر توضیحی. VIF افزایش واریانس را در یک ضریب رگرسیون اندازه گیری می کند که ناشی از چند خطی بودن است (همبستگی زیاد دو متغیر توضیحی بیشتر).

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370