تکنیک ترکیب تصویر بیوفیزیکی برای استخراج و نقشه برداری در مقیاس جهانی از زمین های بایر

خلاصه

از آنجایی که زمین‌های بایر نقش کلیدی در تعامل بین پویایی پوشش زمین و سیستم آب و هوایی ایفا می‌کنند، یک روش کارآمد برای استخراج و نقشه‌برداری در مقیاس جهانی از زمین‌های بایر مهم است. پتانسیل تبعیض‌آمیز شاخص‌های خاک / برهنگی موجود با جمع‌آوری داده‌های مرجع توزیع‌شده در سطح جهانی متعلق به انواع پوشش اصلی زمین ارزیابی شد. شاخص های خاک/برهنگی موجود که در مقیاس محلی پارامتر شده اند در همه جا در سطح جهانی به طور رضایت بخشی کار نمی کنند. یک تکنیک جدید به نام ترکیب تصویر بیوفیزیکی (BIC) در این تحقیق با بهره‌برداری از سری‌های زمانی داده‌های چند طیفی برای ثبت ویژگی‌های زمین بایر در مقیاس جهانی به طور موثر پیشنهاد شده است. BIC یک تصویر ترکیبی رنگ کاذب است که از شاخص گیاهی تفاوت نرمال شده (NDVI)، بازتاب مادون قرمز موج کوتاه تشکیل شده است. و بازتاب سبز، که به طور خاص از بالاترین دوره فعالیت پوشش گیاهی با اجتناب از سیگنال های بارش برف فصلی انتخاب شدند. تضاد شدید بین زمین های بایر و پوشش گیاهی که توسط BIC به نمایش گذاشته شده است استخراج و نقشه برداری قوی از زمین های بایر را فراهم می کند و تفسیر بصری آن را تسهیل می کند. رویکرد طبقه بندی نظارت شده تصادفی مبتنی بر جنگل ها در BIC برای نقشه برداری از زمین های بایر جهانی استفاده شد. نقشه جدید پوشش زمین بایر جهانی در سال 2013 با دقت بالا تولید شد. مقایسه نقشه به دست آمده با نقشه موجود در همان سال، اختلاف قابل توجهی را بین دو نقشه به دلیل تنوع روش شناختی نشان داد. برای مقابله با این مشکل، روش نقشه برداری مبتنی بر BIC، با حساب ویژه ای از تغییرات فنولوژیکی سطح زمین،

کلید واژه ها:

زمین های بایر ; کامپوزیت تصویر بیوفیزیکی (BIC) ; مودیس ; جنگل های تصادفی ; تجسم ; نقشه برداری جهانی ؛ دستور کار 2030 برای توسعه پایدار

1. معرفی

زمین های بایر یکی از اکوسیستم های شکننده سطح زمین هستند. تعدادی از مشکلات اجتماعی و زیست محیطی مانند تخریب زمین، بیابان زایی، طوفان های گرد و غبار، خشکی، امنیت غذایی و فقر با زمین های بایر مرتبط است. برنامه 2030 سازمان ملل متحد برای توسعه پایدار با هدف دستیابی به جهانی خنثی از تخریب زمین تا سال 2030 است. یکی از اهداف توسعه پایدار این دستور کار “حفاظت، بازسازی و ترویج استفاده پایدار از اکوسیستم های زمینی، مدیریت پایدار جنگل ها، مبارزه با بیابان زایی، و تخریب زمین را متوقف و معکوس کند و از دست دادن تنوع زیستی را متوقف کند. دستور کار همچنین بر اهمیت روش‌ها و شاخص‌های مبتنی بر علمی برای پایش و ارزیابی میزان بیابان‌زایی و تخریب زمین تمرکز دارد [ 1]].

زمین های بایر یکی از منابع اصلی غبارهای جوی هستند [ 2 ، 3 ، 4 ]. ذرات معلق گرد و غبار با پراکندگی و جذب تشعشعات خورشیدی و اصلاح ساختار و خواص ابرها بر بودجه تابش زمین تأثیر می گذارد [ 5 ، 6 ، 7 ]. آنها منابع آلودگی هوا هستند و همچنین مسئول بیماری های قلبی عروقی و تنفسی هستند [ 8 ، 9 ، 10]]. پایش اراضی بایر برای درک بهتر پویایی پوشش زمین و تعامل آن با سیستم آب و هوایی مهم است. همچنین برای دستیابی به اهداف توسعه پایدار از طریق مبارزه با بیابان زایی و تخریب زمین و ترویج مدیریت پایدار زمین مهم است.

سنجش از دور ماهواره ای به دلیل توانایی رصد منظم و پوشش وسیع منطقه، نقش کلیدی در پایش زمین های بایر در مقیاس جهانی ایفا می کند. شاخص‌های خاک/برهنگی به عنوان ترکیبی از باندهای طیفی متعدد از تصاویر ماهواره‌ای برای تشخیص از راه دور، تبعیض و نقشه‌برداری از زمین‌های بایر در مقیاس محلی استفاده شده‌اند. راجرز و کرنی [ 11 ] شاخص تفاوت نرمال شده خاک (NDSI) را با استفاده از باندهای مادون قرمز موج کوتاه (Swir) و مادون قرمز نزدیک (Nir) همانطور که در رابطه (1) نشان داده شده است، پیشنهاد کردند. NDSI برای کاهش تنوع امضا در عدم اختلاط باتلاق ساحلی با استفاده از تصاویر Landsat TM در نظر گرفته شده است.

NDSI = Swir - Nir Swir + Nir

(1)

ژائو و چن [ 12 ] شاخص لختی تفاوت نرمال شده (NDBI) را به عنوان تفاوت نرمال شده بین امواج مادون قرمز موج کوتاه (Swir) و مادون قرمز حرارتی (Tir) (معادله (2)) برای تمایز مناطق خالی بر اساس تصاویر Landsat TM/ETM+ توسعه دادند. . NDBI برای نقشه برداری از مناطق برهنه در یک منطقه ساحلی در چین استفاده شد.

NDBI = Swir - تیر پیچ + تیر

(2)

لی و چن [ 13 ] شاخص برهنگی را با ترکیب روشنایی مبتنی بر تبدیل کلاهک منگوله‌ای و NDBI پیشنهاد کردند و برای نقشه‌برداری از مناطق خاک برهنه در دلتای رودخانه مروارید در جنوب چین استفاده شد. شکل دیگری از شاخص تفاوت نرمال شده خاک (NDSI2) توسط دنگ و همکاران استفاده شد. [ 14 ] به عنوان تفاوت نرمال شده بین بازتاب مادون قرمز موج کوتاه (Swir) و سبز (سبز) (معادله (3)). NDSI2 بر اساس تصاویر Landsat TM برای افزایش اطلاعات خاک در حالی که سرکوب مواد غیرقابل نفوذ و مناطق پوشش گیاهی در نظر گرفته شده بود، و در چند شهرستان در ایالات متحده اعمال شد.

NDSI 2 = چرخش - سبز چرخش + سبز

(3)

با این حال، تمام شاخص های خاک برهنه همانطور که در بالا توضیح داده شد برای شناسایی و نقشه برداری از زمین های بایر منحصراً در مقیاس محلی استفاده شد. تحقیقات بسیار محدودی در مورد سنجش از دور پوشش زمین بایر در مقیاس جهانی یافت شده است. پایگاه های داده اخیری که اطلاعات زمین های بایر را در مقیاس جهانی ارائه می دهند عبارتند از: طیف رادیومتر تصویربرداری با وضوح متوسط (MODIS) نوع پوشش زمین محصول 2013 (MCD12Q1، [ 15 ])، پوشش جهانی زمین توسط سازمان های نقشه برداری ملی (GLCNMO 2008، [ 16 ])، و آژانس فضایی اروپا (ESA) GlobCover 2009 [ 17]. محصول MCD12Q1 انواع پوشش زمین را با استفاده از یک الگوریتم طبقه بندی نظارت شده مبتنی بر مجموعه (درخت تصمیم) که با داده های آموزشی از 1860 سایت توزیع شده در سراسر مناطق زمینی تکمیل شده است، طبقه بندی می کند [15 ] . زمین بایر در محصول GLCNMO 2008 با مقایسه نتایج درختان تصمیم و روش‌های طبقه‌بندی نظارت شده مبتنی بر حداکثر احتمال با استفاده از داده‌های MODIS استخراج شد. GlobCover 2009 از روش خوشه‌بندی بدون نظارت و برچسب‌گذاری با داده‌های مرجع به عنوان روش پایه بر اساس داده‌های طیف‌سنج تصویربرداری با وضوح متوسط (MERIS) استفاده کرد.

برخلاف مقیاس محلی، زمین های بایر در مقیاس جهانی دارای طبیعت بسیار پویا با تغییرات مکانی و فصلی قابل توجه هستند. رطوبت، تاریکی و ناهمواری سطح زمین‌های بایر و پس‌زمینه‌ای که با آن تعامل دارند، در مقیاس جهانی به‌طور قابل‌توجهی متفاوت است. بنابراین، این مقاله با جمع‌آوری داده‌های مرجع توزیع‌شده در سطح جهانی، ارزیابی شاخص‌های خاک/برهنگی موجود را برای تبعیض زمین‌های بایر در مقیاس جهانی ارائه می‌کند. یک تکنیک ترکیب تصویر ویژه برای استخراج و نقشه برداری قوی از زمین های بایر در مقیاس جهانی با بهره برداری از سری های زمانی داده های MODIS توسعه داده شد. بر اساس تکنیک جدید ترکیب تصویر، نقشه جهانی پوشش زمین بایر سال 2013 تهیه شد.

2. روش شناسی

2.1. ایجاد کامپوزیت تصویر بیوفیزیکی (BIC)

محصول 8 روزه سطح 3 جهانی 500 متری نادیر (BRDF) – Adjusted Reflectance (NBAR) داده های سال 2013 موجود در سازمان زمین شناسی ایالات متحده (USGS) برای تولید استفاده شد. کامپوزیت تصویر بیوفیزیکی (BIC). ابتدا، شاخص گیاهی تفاوت نرمال شده (NDVI؛ [ 19 ، 20 ]) به عنوان تفاوت نرمال شده بین مادون قرمز نزدیک (Nir) و بازتاب قرمز (قرمز)، برای هر دوره 8 روزه در سطح جهانی محاسبه شد (معادله (4)).

NDVI = نیر - قرمز نیر + قرمز

(4)

سپس کامپوزیت حداکثر ارزش (MVC) NDVI از پشته تصاویر 8 روزه تهیه شد. در مجموع، 46 موزاییک جهانی از تصاویر NDVI 8 روزه موجود برای سال 2013 برای ایجاد تصویر نهایی NDVI MVC استفاده شد. برای هر پیکسل در مقیاس جهانی، دوره داده های 8 روزه که NDVI در آن حداکثر بود نیز ثبت شد. مقادیر موج کوتاه مادون قرمز (Swir) و بازتاب سبز از نظر پیکسلی از همان دوره زمانی که NDVI در حداکثر بود، گرفته شد. به عبارت دیگر بازتاب Swir و Green از بالاترین دوره فعالیت پوشش گیاهی انتخاب شدند. به این ترتیب یک تصویر سه لایه (Swir، NDVI و Green) به دست آمد. BIC تصویر ترکیبی رنگ کاذب (FCC) است که توسط داده های Swir، NDVI و Green انتخاب شده به ترتیب به عنوان باندهای قرمز (R)، سبز (G) و آبی (B) ساخته شده است. رنگ RGB نمایش داده شده توسط BIC به ترتیب مربوط به مناطق بایر/شهری، پوشش گیاهی و برف/آب است. به دلیل نمایش اجزای اصلی بیوفیزیکی سطح زمین، آن را به عنوان ترکیب تصویر بیوفیزیکی (BIC) نامیدند. روش استخراج کامپوزیت تصویر بیوفیزیکی (BIC) با استفاده از داده های سری زمانی MODIS دوره 8 روزه در زیر نشان داده شده است.شکل 1 .

2.2. ارزیابی شاخص‌های خاک/برهنگی

با استفاده از تمام داده‌های محصول MCD43A4 در سال 2013، شاخص‌های خاک / لختی موجود (NDSI، NDSI2 و NDBI) برای هر دوره 8 روزه محاسبه شد. داده های حرارتی مورد نیاز برای محاسبه NDBI از محصولات MODIS MODTBGA و MYDTBGA [ 21 ] به دست آمد. بر اساس محصولات MODTBGA و MYDTBGA، با استفاده از تمام داده های حرارتی (باند 20، 3.660-3.840 میکرومتر) موجود در وضوح روزانه 1 کیلومتر در شبکه سینوسی (نسخه 6) سال 2013، کامپوزیت های حداکثر ارزش 8 روزه (MVCs) حرارتی داده ها تهیه شد. داده‌های حرارتی به وضوح 500 متر نمونه‌برداری شدند و همراه با داده‌های مادون قرمز موج کوتاه مبتنی بر محصول MCD43A4 (باند 7، 2105-2155 نانومتر) برای محاسبه NDBI برای هر دوره 8 روزه استفاده شد.

از روی پشته موزاییک های جهانی 8 روزه شاخص های خاک/ لختی، مقادیر آماری سالانه (حداقل و حداکثر) محاسبه و برای تجزیه و تحلیل بیشتر استفاده شد. پتانسیل تمایز شاخص های موجود در مقیاس جهانی با داده های مرجع ارزیابی شد. توانایی تمایز شاخص‌های خاک/برهنگی با یک طبقه‌بندی‌کننده تصادفی جنگل‌های غیرخطی [ 22 ، 23 ] مبتنی بر ماتریس‌های سردرگمی محاسبه‌شده با داده‌های اعتبارسنجی ارزیابی شد.

داده های مرجع توزیع شده جهانی در سال 2013 متعلق به چهار نوع پوشش اصلی زمین، آب/برف (دائمی)، پوشش گیاهی (جنگل، درختچه، علفی، و زمین های زراعی)، ساخته شده شهری و زمین های بایر، با تفسیر بصری از تصاویر ترکیبی ماهانه با رنگ واقعی مبتنی بر MODIS و تصاویر مبتنی بر Google Earth. در مجموع ~ 500 چند ضلعی مرجع متعلق به هر کلاس جمع آوری شد. از حدود 500 چند ضلعی مرجع هر کلاس، 5000 نقطه که در داخل چند ضلعی ها قرار می گیرند به طور تصادفی استخراج و به عنوان داده مرجع استفاده شد. از بین 5000 نقطه مرجع هر کلاس، 3750 امتیاز به‌عنوان داده‌های آموزشی به‌طور تصادفی انتخاب شد و 1250 نقطه باقی‌مانده به‌عنوان داده اعتبارسنجی استفاده شد. توزیع داده های نقاط مرجع مورد استفاده در تحقیق در شکل 2 نشان داده شده است.

2.3. نقشه برداری جهانی از زمین های بایر

اراضی بایر در تحقیق به عنوان اراضی دارای خاک، شن و ماسه یا صخره‌هایی تعریف می‌شوند که در طول هر زمانی از سال‌های اخیر تحت پوشش بیش از 10 درصد پوشش گیاهی از هر نوع، مانند جنگل‌ها، درختچه‌ها/علف‌ها و محصولات زراعی قرار نگرفته باشند. سال، و فاقد مواد مصنوعی مانند سطح ساخته شده و غیر قابل نفوذ هستند. بنابراین، اراضی بایر به زمین های بایر دائمی در یک دوره زمانی سالانه اطلاق می شود. به دلایل عملی، تا 10 درصد پوشش فضایی توسط پوشش گیاهی در اراضی بایر گنجانده شده است. این تعریف شامل زمین‌های بایر و بایر نیز می‌شود که در هر زمانی از سال بیش از 10 درصد پوشش گیاهی نداشته باشند. زمین‌های بایر یا با پوشش گیاهی کم که در این تحقیق تعریف شده‌اند، مشابه تعریفی است که محصول MCD12Q1 تحت طرح طبقه‌بندی بین‌المللی ژئوسفر-بیوسفر (IGBP) استفاده می‌کند.

BIC تنها داده ورودی برای تبعیض و نقشه برداری از زمین های بایر در تحقیق بود. طبقه‌بندی‌کننده جنگل‌های تصادفی – یک روش طبقه‌بندی نظارت‌شده که از تجمع بوت استرپ (Bagging) برای تشکیل مجموعه‌ای از درختان با جستجوی زیرفضاهای تصادفی از داده‌های داده‌شده، و بهترین تقسیم گره‌ها با به حداقل رساندن همبستگی بین درخت‌ها استفاده می‌کند. انواع عمده پوشش زمین با پشتیبانی از داده های مرجع با این حال، از آنجایی که تمایز زمین‌های بایر از مناطق ساخته‌شده شهری در مقیاس جهانی با داده‌های چند طیفی چالش برانگیز است، نقشه پوشش شهری مبتنی بر داده‌های نورهای شبانه که در مطالعه قبلی تولید شده بود [24] برای پنهان کردن فضای شهری استفاده شد . مناطق ساخته شده در برآورد زمین های بایر مبتنی بر BIC.

دقت نقشه جهانی پوشش زمین بایر تولید شده در این تحقیق با محاسبه ماتریس سردرگمی با داده های اعتبارسنجی ارزیابی شد. نتایج طبقه بندی با معیارهای آماری مانند دقت کلی و ضریب کاپا [ 25 ] ارزیابی شد. علاوه بر این، نقشه به دست آمده با محصول نوع پوشش زمین MODIS موجود (MCD12Q1V051) در سال مربوطه نیز مقایسه شد. تغییرات درصد پوشش زمین بایر برآورد شده توسط دو نقشه در هر قاره نیز مقایسه شد.

3. نتایج و بحث

3.1. عملکرد شاخص های خاک/برهنگی

عملکرد شاخص‌های خاک / لختی موجود با انجام یک تجزیه و تحلیل تفکیک غیر خطی ارزیابی شد. جنگل‌های تصادفی یک طبقه‌بندی‌کننده غیرخطی است که می‌تواند با جستجو در فضاهای فرعی تصادفی داده‌های داده شده، تعاملات بسیار غیرخطی را مدیریت کند. ماتریس‌های سردرگمی ( شکل 3 ) محاسبه‌شده بین پیش‌بینی‌های تصادفی جنگل‌ها و داده‌های اعتبارسنجی، نتایج رضایت‌بخشی را نشان ندادند، زیرا بسیاری از نقاط بایر و پوشش گیاهی توسط شاخص‌های خاک/برهنگی موجود به اشتباه طبقه‌بندی شدند.

شاخص‌های خاک/برهنگی موجود بیشتر با محاسبه دقت کلی و ضریب کاپا مورد ارزیابی قرار گرفتند ( جدول 1 ). در میان شاخص‌های خاک/برهنگی موجود آزمایش‌شده، حداکثر NDSI ( شکل 3 ب) و حداقل NDBI ( شکل 3 e) نتایج بهتری را با دقت کلی (ضریب کاپا) 0.65 (0.54) و 0.62 (0.49) ارائه کردند. .

شاخص‌های خاک/برهنگی موجود (NDSI، NDSI2 و NDBI) به گونه‌ای طراحی شدند که به طور مستقیم با پوشش زمین بایر متناسب باشند. وسعت پوشش زمین بایر با فصل یک سال متفاوت است. به عنوان مثال، همان منطقه پر از خاک برهنه در فصل خشک ممکن است در فصل مرطوب به طور کامل توسط علفی پوشیده شود. بنابراین، انتخاب داده های زمانی مناسب برای تشخیص زمین های بایر بسیار مهم است. یک دوره زمانی مناسب را می توان به صورت محلی برای تشخیص بهتر زمین های بایر شناخت. با این حال، دانستن چنین دوره های زمانی مناسب در مقیاس جهانی به دلیل تغییرات نامنظم زمین های بایر هم از نظر مکانی و هم از نظر فصلی پیچیده است. بنابراین، در این ارزیابی از معیارهای آماری سالانه (مقادیر حداقل و حداکثر) شاخص‌های خاک/ لختی استفاده شد. همه این شاخص ها از بازتاب مادون قرمز موج کوتاه (Swir) به عنوان یکی از داده های ورودی استفاده می کنند. با این حال، شاخص‌های (NDSI و NDBI) که از بازتاب مادون قرمز نزدیک (Nir) و دمای روشنایی مادون قرمز حرارتی (Tir) استفاده می‌کردند، بهتر از شاخصی که از بازتاب سبز (NDSI2) استفاده می‌کردند، عمل کردند.

3.2. BIC و عملکرد آن

BIC مربوط به سطح زمین جهانی در شکل 4 نشان داده شده است . BIC به خوبی زمین های بایر را از پوشش گیاهی و مناطق برفی/آبی متمایز کرده است. تضاد شدید بین پوشش گیاهی (سبز)، زمین بایر (قرمز) و برف/آب (آبی) نمایش داده شده توسط BIC برای استخراج دقیق و نقشه برداری از زمین های بایر جهانی بسیار مهم است.

BIC در یک منطقه گذار بین زمین بایر و پوشش گیاهی کم ( شکل 4 ب) همچنین زمین های بایر را به طور موثر با مقادیر بازتاب قرمز بزرگتر و سبز کمتر از پوشش گیاهی و مناطق برف/آب متمایز کرده است. تعیین کمیت اراضی بایر در یک منطقه انتقالی متشکل از پوشش گیاهی کم، دشوارتر از مناطق بایر اشباع شده است که تضاد بین اجزای سبز و قرمز BIC بسیار زیاد است.

عملکرد BIC برای تبعیض زمین‌های بایر در مقیاس جهانی با محاسبه ماتریس سردرگمی با داده‌های اعتبارسنجی که برای آموزش مدل جنگل‌های تصادفی مورد استفاده قرار نگرفتند، ارزیابی شد. ماتریس سردرگمی ( شکل 5 ) نشان می دهد که BIC بهبود قابل توجهی را در شاخص های موجود ( شکل 3 ) در مورد تبعیض زمین های بایر ارائه کرده است.

عملکرد BIC برای تبعیض اراضی بایر با محاسبه دقت کلی و ضریب کاپا بیشتر تأیید شد. BIC بالاترین دقت کلی (0.86) و ضریب کاپا (0.80) را در بین شاخص های مورد آزمایش قرار داد ( جدول 1 ).

شاخص‌های خاک / لختی موجود برای شناسایی خاک در معرض یا پیکسل‌های لخت با استفاده از یک تصویر واحد (بدون استفاده از مجموعه داده‌های سری زمانی) در یک منطقه مطالعه کوچک به دست آمد. برعکس، BIC از سه باند (NDVI، Swir و Green) با در نظر گرفتن تغییرات فنولوژیکی سطح زمین استفاده می کند. BIC نمایانگر صحنه ای است که در طول بالاترین فعالیت پوشش گیاهی یا سبزترین دوره مشاهده شده است. به این معنی که حتی اگر منطقه ای به مدت یک ماه دارای پوشش گیاهی باشد و در 11 ماه دیگر پوشش گیاهی به طور کامل در منطقه وجود نداشته باشد، در زمره پوشش گیاهی قرار می گیرد نه به عنوان زمین بایر. این معیار برای نقشه برداری از زمین های بایر از چند جهت حائز اهمیت است. به عنوان مثال، زمین های زراعی معمولاً به صورت زمین های بایر در طی چند روز تا چند ماه در سال دیده می شوند. با این حال، استخراج و نمایش سبزترین صحنه دوره توسط BIC قادر است زمین های زراعی را در گروه پوشش گیاهی طبقه بندی کند. بیشترین تاریخ فعالیت پوشش گیاهی با توجه به موقعیت جغرافیایی متفاوت است. انتخاب مقادیر پیکسل بر اساس بالاترین NDVI سبزترین صحنه را نشان می دهد که معمولاً توسط بارش برف فصلی آلوده نمی شود. تهیه کامپوزیت بدون برف فصلی یکی دیگر از ملاحظات تبعیض و نقشه برداری از اراضی بایر است زیرا در بیشتر مکان ها بارش برف فصلی از چند روز تا چند ماه در سال متغیر است. BIC همچنین برای تفسیر بصری زمین های بایر مفید است. پوشش کسری اراضی بایر (پوشش گیاهی) قرمزی (سبزی) BIC را تعیین می کند. انتخاب مقادیر پیکسل بر اساس بالاترین NDVI سبزترین صحنه را نشان می دهد که معمولاً توسط بارش برف فصلی آلوده نمی شود. تهیه کامپوزیت بدون برف فصلی یکی دیگر از ملاحظات تبعیض و نقشه برداری از اراضی بایر است زیرا در بیشتر مکان ها بارش برف فصلی از چند روز تا چند ماه در سال متغیر است. BIC همچنین برای تفسیر بصری زمین های بایر مفید است. پوشش کسری اراضی بایر (پوشش گیاهی) قرمزی (سبزی) BIC را تعیین می کند. انتخاب مقادیر پیکسل بر اساس بالاترین NDVI سبزترین صحنه را نشان می دهد که معمولاً توسط بارش برف فصلی آلوده نمی شود. تهیه کامپوزیت بدون برف فصلی یکی دیگر از ملاحظات تبعیض و نقشه برداری از اراضی بایر است زیرا در بیشتر مکان ها بارش برف فصلی از چند روز تا چند ماه در سال متغیر است. BIC همچنین برای تفسیر بصری زمین های بایر مفید است. پوشش کسری اراضی بایر (پوشش گیاهی) قرمزی (سبزی) BIC را تعیین می کند. تهیه کامپوزیت بدون برف فصلی یکی دیگر از ملاحظات تبعیض و نقشه برداری از اراضی بایر است زیرا در بیشتر مکان ها بارش برف فصلی از چند روز تا چند ماه در سال متغیر است. BIC همچنین برای تفسیر بصری زمین های بایر مفید است. پوشش کسری اراضی بایر (پوشش گیاهی) قرمزی (سبزی) BIC را تعیین می کند. تهیه کامپوزیت بدون برف فصلی یکی دیگر از ملاحظات تبعیض و نقشه برداری از اراضی بایر است زیرا در بیشتر مکان ها بارش برف فصلی از چند روز تا چند ماه در سال متغیر است. BIC همچنین برای تفسیر بصری زمین های بایر مفید است. پوشش کسری اراضی بایر (پوشش گیاهی) قرمزی (سبزی) BIC را تعیین می کند.

3.3. نقشه جهانی پوشش زمین بایر

نقشه جهانی پوشش زمین بایر تولید شده از طریق تحقیق در شکل 6 نشان داده شده است . مطالعه قبلی [ 24 ] بر اساس ماسک ساخته شده شهری بر اساس تخمین های BIC از زمین های بایر در حین تولید نقشه نهایی استفاده شد.

نقشه پوشش زمین بایر تولید شده در این تحقیق با محصول موجود MCD12Q1V051 در سال 2013 مقایسه شد. با این حال، این دو نقشه تنوع فضایی قابل توجهی را در هر قاره نشان می دهد ( شکل 7 ).

اختلاف درصد پوشش زمین بایر بین این دو نقشه به ترتیب 1.42، 0.90، 1.92، 12.16 درصد و 0.27 درصد در آفریقا، اوراسیا، آمریکای شمالی، اقیانوسیه و آمریکای جنوبی است. بیشترین اختلاف (12.16٪) مشاهده شده در اقیانوسیه با مقایسه آن با BIC بیشتر مورد بررسی قرار گرفت. در اقیانوسیه، MCD12Q1 2013 پوشش بسیار کم زمین های بایر را تخمین زد که توسط BIC دیده نمی شود. بیشتر پیکسل های قرمز مربوط به زمین های بایر در شکل 8 a توسط نقشه MCD12Q1 2013 از قلم افتاده است ( شکل 8 ب).

با استفاده از داده‌های 5000 نقطه مرجع جمع‌آوری‌شده در تحقیق، معیارهای آماری (دقت کلی و ضریب کاپا) طبقه‌بندی‌های دو برچسبی (باران و غیرباران) برای نقشه به‌دست‌آمده و نقشه MCD12Q1 ما محاسبه شد. همانطور که در جدول 2 نشان داده شده است ، دقت کلی و ضریب کاپا نقشه به دست آمده بسیار بیشتر از نقشه MCD12Q1 موجود است.

4. نتیجه گیری

این مقاله سه موضوع عمده را برای مقابله با استخراج و نقشه برداری در مقیاس جهانی از زمین های بایر ارائه می کند: (1) ارزیابی شاخص های موجود برای نقشه برداری از زمین های بایر. (2) توسعه روشی برای نقشه برداری جهانی از زمین های بایر و ارزیابی دقت آن. و (iii) مقایسه نتایج نقشه برداری با سایر محصولات موجود در سطح جهانی. تنوع بالای زمین‌های بایر از نظر مقیاس فصلی و مکانی چالش‌های زیادی را برای تعیین کمیت پوشش زمین بایر در مقیاس جهانی ایجاد می‌کند. شاخص‌های خاک/برهنگی موجود که منحصراً در مقیاس محلی به دست می‌آیند و پارامتر می‌شوند، نمی‌توانند ویژگی‌های بسیار پویایی زمین‌های بایر را در همه جای جهان به طور رضایت‌بخش نشان دهند. ویژگی‌های عجیب زمین‌های بایر جهانی با توسعه یک تکنیک ترکیب‌بندی تصویر خاص که از سبزترین اطلاعات صحنه از یک سری زمانی از داده‌های ماهواره‌ای چندطیفی استفاده می‌کند، ثبت شد. تصاویر حاصل به نام ترکیب تصویر بیوفیزیکی (BIC) تضاد شدیدی از زمین‌های بایر از پوشش گیاهی و مناطق آب/برف ارائه کرد. دستیابی به چنین تضاد شدید یکی از پیشرفت های قابل توجه BIC است که برای تبعیض انواع زمین های بایر توزیع شده در سطح جهانی بسیار مهم است. پوشش زمین بایر در مقیاس جهانی با استفاده از یک طبقه‌بندی کننده نظارت شده غیرخطی (جنگل‌های تصادفی) در BIC استخراج و نقشه‌برداری شد. نقشه جهانی جدید زمین های بایر سال 2013 تهیه و با داده های مرجع اعتبار سنجی شد. مقايسه نقشه حاصل با نقشه موجود همان سال با تعاريف مشابه، اختلاف قابل توجهي را نشان داد. اختلاف زیاد بین تخمین‌های پوشش زمین بایر به دلیل تنوع روش‌شناختی، اهمیت رویکرد مبتنی بر BIC برای استانداردسازی برآوردهای مقیاس جهانی پوشش زمین لخت را برجسته می‌کند. از آنجایی که BIC دارای پایگاه قوی برای بازیابی زمین‌های بایر با در نظر گرفتن بالاترین دوره فعالیت گیاهی و اجتناب از سیگنال‌های برف‌های فصلی است، می‌تواند بر عدم قطعیت‌های مرتبط با کمیت پوشش زمین بایر غلبه کند. انتظار می رود که BIC به تجزیه و تحلیل تغییرات بیوفیزیکی فصلی و سالانه سطح زمین نیز کمک کند. اختلاف زیاد بین تخمین‌های پوشش زمین بایر به دلیل تنوع روش‌شناختی، اهمیت رویکرد مبتنی بر BIC برای استانداردسازی برآوردهای مقیاس جهانی پوشش زمین لخت را برجسته می‌کند. از آنجایی که BIC دارای پایگاه قوی برای بازیابی زمین‌های بایر با در نظر گرفتن بالاترین دوره فعالیت گیاهی و اجتناب از سیگنال‌های برف‌های فصلی است، می‌تواند بر عدم قطعیت‌های مرتبط با کمیت پوشش زمین بایر غلبه کند. انتظار می رود که BIC به تجزیه و تحلیل تغییرات بیوفیزیکی فصلی و سالانه سطح زمین نیز کمک کند. اختلاف زیاد بین تخمین‌های پوشش زمین بایر به دلیل تنوع روش‌شناختی، اهمیت رویکرد مبتنی بر BIC برای استانداردسازی برآوردهای مقیاس جهانی پوشش زمین لخت را برجسته می‌کند. از آنجایی که BIC دارای پایگاه قوی برای بازیابی زمین‌های بایر با در نظر گرفتن بالاترین دوره فعالیت گیاهی و اجتناب از سیگنال‌های برف‌های فصلی است، می‌تواند بر عدم قطعیت‌های مرتبط با کمیت پوشش زمین بایر غلبه کند. انتظار می رود که BIC به تجزیه و تحلیل تغییرات بیوفیزیکی فصلی و سالانه سطح زمین نیز کمک کند. از آنجایی که BIC دارای پایگاه قوی برای بازیابی زمین‌های بایر با در نظر گرفتن بالاترین دوره فعالیت گیاهی و اجتناب از سیگنال‌های برف‌های فصلی است، می‌تواند بر عدم قطعیت‌های مرتبط با کمیت پوشش زمین بایر غلبه کند. انتظار می رود که BIC به تجزیه و تحلیل تغییرات بیوفیزیکی فصلی و سالانه سطح زمین نیز کمک کند. از آنجایی که BIC دارای پایگاه قوی برای بازیابی زمین‌های بایر با در نظر گرفتن بالاترین دوره فعالیت گیاهی و اجتناب از سیگنال‌های برف‌های فصلی است، می‌تواند بر عدم قطعیت‌های مرتبط با کمیت پوشش زمین بایر غلبه کند. انتظار می رود که BIC به تجزیه و تحلیل تغییرات بیوفیزیکی فصلی و سالانه سطح زمین نیز کمک کند.

منابع

مجمع عمومی سازمان ملل متحد تغییر جهان ما: دستور کار 2030 برای توسعه پایدار ؛ ابتکار جهانی علیه جنایات سازمان یافته فراملی: ژنو، سوئیس، 2015. [ Google Scholar ]
پروسپرو، جی.ام. جینوکس، پی. تورس، او. نیکلسون، SE; خصوصیات زیست محیطی Gill، TE منابع جهانی گرد و غبار خاک جوی که با محصول جذب کننده آئروسل طیف سنج نقشه برداری ازن کل Nimbus 7 (TOMS) شناسایی شده است. کشیش ژئوفیس. 2002 ، 40 ، 1-2. [ Google Scholar ] [ CrossRef ]
انگلستر، اس. کوهفلد، KE; تگن، آی. هریسون، SP کنترل انتشار گرد و غبار توسط پوشش گیاهی و فرورفتگی های توپوگرافی: ارزیابی با استفاده از داده های فرکانس طوفان گرد و غبار. ژئوفیز. Res. Lett. 2003 . [ Google Scholar ] [ CrossRef ]
کیم، دی. چین، م. بیان، اچ. تان، Q. براون، من؛ ژنگ، تی. Kucsera, T. اثر لختی سطح پویا بر عملکرد منبع غبار، انتشار و توزیع. جی. ژئوفیس. Res. اتمس. 2013 ، 118 ، 871-886. [ Google Scholar ] [ CrossRef ]
Twomey، SA; پیپگراس، ام. Wolfe, TL ارزیابی تأثیر آلودگی بر آلبدو ابر جهانی. تلوس 1984 . [ Google Scholar ] [ CrossRef ]
چارلسون، RJ; شوارتز، SE; هیلز، جی.ام. Cess، RD; کوکلی، جی. هانسن، جی. هافمن، دی جی اجبار آب و هوا توسط ذرات معلق در هوا. Science 1992 , 255 , 423-430. [ Google Scholar ] [ CrossRef ] [ PubMed ]
هانسن، جی. ساتو، م. لاکیس، ا. Ruedy, R. آب و هوای گمشده. فیلوس ترانس. R. Soc. لندن. B Biol. علمی 1997 ، 352 ، 231-240. [ Google Scholar ] [ CrossRef ]
چین، م. دیهل، تی. جینوکس، پی. Malm، W. حمل و نقل بین قاره ای آلودگی و ذرات گرد و غبار: پیامدهایی برای کیفیت هوای منطقه ای. اتمس. شیمی. فیزیک 2007 ، 7 ، 5501-5517. [ Google Scholar ] [ CrossRef ]
سیتون، ای. گودن، دی. مک نی، دبلیو. دونالدسون، ک. آلودگی هوا و اثرات حاد سلامتی. Lancet 1995 ، 345 ، 176-178. [ Google Scholar ] [ CrossRef ]
Mills, NL; دونالدسون، ک. هادوک، PW; بون، NA; مک نی، دبلیو. Cassee، FR; Newby، DE اثرات نامطلوب قلبی عروقی آلودگی هوا. نات کلین تمرین کنید. قلب و عروق. پزشکی 2009 ، 6 ، 36-44. [ Google Scholar ] [ CrossRef ] [ PubMed ]
راجرز، ع. Kearney، MS کاهش تنوع امضا در صحنه‌های نقشه‌بردار موضوعی مرداب ساحلی با استفاده از شاخص‌های طیفی. بین المللی J. Remote Sens. 2004 , 25 , 2317-2335. [ Google Scholar ] [ CrossRef ]
ژائو، اچ. Xiaoling، C. استفاده از شاخص لختی تفاوت نرمال شده در نگاشت سریع مناطق خالی از TM/ETM+. در مجموعه مقالات IGARSS ’05، سئول، کره، 25-19 ژوئیه 2005.
لی، اس. چن، X. یک شاخص خاک لخت جدید برای نقشه برداری سریع مناطق در حال توسعه با استفاده از داده های LANDSAT 8. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2014 ، 40 ، 139-145. [ Google Scholar ] [ CrossRef ]
دنگ، ی. وو، سی. لی، ام. Chen, R. RNDSI: نسبت شاخص تفاوت نرمال شده خاک برای سنجش از دور محیط های شهری/حومه شهری. بین المللی J. Appl. زمین Obs. Geoinf. 2015 ، 39 ، 40-48. [ Google Scholar ] [ CrossRef ]
فریدل، MA; سولا مناشه، د. تان، بی. اشنایدر، ا. رامانکوتی، ن. سیبلی، ا. Huang, X. MODIS مجموعه 5 پوشش جهانی زمین: اصلاحات الگوریتم و خصوصیات مجموعه داده های جدید. سنسور از راه دور محیط. 2010 ، 114 ، 168-182. [ Google Scholar ] [ CrossRef ]
تطیشی، ر. Hoan، NT; کوبایاشی، تی. الساعده، ب. تانا، جی. Phong، DX تولید داده‌های پوشش زمین جهانی–GLCNMO2008. جی. جئوگر. جئول 2014 ، 6 ، 99-123. [ Google Scholar ] [ CrossRef ]
آرینو، او. راموس-پرز، جی جی. کالوگیرو، وی. بونتمپس، اس. دفورنی، پی. Van Bogaert، E. نقشه پوشش زمین جهانی برای سال 2009 (GlobCover 2009). PANGEA 2009 . [ Google Scholar ] [ CrossRef ]
Schaaf، CB; گائو، اف. استراهلر، ق. لوچت، دبلیو. لی، ایکس. تسانگ، تی. روی، دی. اولین BRDF عملیاتی، محصولات بازتابی آلبدو نادر از MODIS. سنسور از راه دور محیط. 2002 ، 83 ، 135-148. [ Google Scholar ] [ CrossRef ]
راس، ج.، جونیور؛ هاس، آر. شل، جی. Deering، D. نظارت بر سیستم های پوشش گیاهی در دشت های بزرگ با ERTS . ناسا: واشنگتن، دی سی، ایالات متحده آمریکا، 1974.
Tucker، CJ Red و ترکیبات خطی مادون قرمز عکاسی برای نظارت بر پوشش گیاهی. سنسور از راه دور محیط. 1979 ، 8 ، 127-150. [ Google Scholar ] [ CrossRef ]
MODTBGA MODIS/Terra Thermal Bands Daily L2G-Lite Global 1km SIN Grid V006. در دسترس به صورت آنلاین: http://doi.org/10.5067/MODIS/MODTBGA.006 (در 29 نوامبر 2016 قابل دسترسی است).
بریمن، ال. فریدمن، جی اچ. اولشن، RA; سنگ، CJ طبقه بندی و رگرسیون درختان ; Wadsworth: Belmont، CA، USA، 1984. [ Google Scholar ]
بریمن، L. جنگل های تصادفی. ماخ فرا گرفتن. 2001 ، 45 ، 5-32. [ Google Scholar ] [ CrossRef ]
Sharma, RC; تطیشی، ر. هارا، ک. قره چلو، س. Iizuka، K. نقشه برداری جهانی از مناطق ساخته شده شهری در سال 2014 با ترکیب داده های چند طیفی MODIS با داده های نور شبانه VIIRS. بین المللی جی دیجیت. زمین 2016 ، 23 ، 1-17. [ Google Scholar ] [ CrossRef ]
کوهن، ج. ضریب توافق برای مقیاس های اسمی. آموزش. روانی Meas. 1960 ، 20 ، 37-46. [ Google Scholar ] [ CrossRef ]

شکل 1. روش استخراج کامپوزیت تصویر بیوفیزیکی (BIC) با استفاده از سری زمانی داده های MODIS دوره 8 روزه. مقادیر بازتاب مادون قرمز موج کوتاه (Swir) و سبز (سبز) از همان داده های دوره زمانی انتخاب می شوند که شاخص گیاهی تفاوت عادی شده (NDVI) حداکثر بود.

شکل 2. توزیع جغرافیایی داده های نقاط مرجع مورد استفاده در تحقیق.

شکل 3. عملکرد متمایز بر اساس ماتریس سردرگمی شاخص‌های خاک/برهنگی موجود: ( الف ) شاخص تفاوت نرمال شده خاک (NDSI-حداقل). ( ب ) شاخص تفاوت نرمال شده خاک (NDSI-Maximum). ( ج ) شاخص تفاوت نرمال شده خاک (NDSI2-حداقل). ( د ) شاخص تفاوت نرمال شده خاک (NDSI2-Maximum). ( ه ) شاخص لختی تفاوت عادی شده (NDBI-حداقل). و ( f ) شاخص لختی تفاوت نرمال شده (NDBI-Maximum).

شکل 4. کامپوزیت تصویر بیوفیزیکی (BIC) در این تحقیق توسعه یافته است که تضاد بین زمین های بایر (قرمز)، پوشش گیاهی (سبز)، و برف/آب (آبی) را نشان می دهد: (الف) نمایش داده شده در سطح زمین جهانی. و ( ب ) روی ناحیه انتقال (چند ضلعی سیاه) متشکل از پوشش گیاهی و زمین های بایر بزرگنمایی شده است.

شکل 5. ماتریس سردرگمی طبقه بندی بر اساس BIC انواع عمده پوشش زمین.

شکل 6. نقشه پوشش زمین بایر تولید شده از طریق تحقیق: ( الف ) بر روی سطح زمین نمایش داده شده است. و ( ب ) روی ناحیه گذار (چند ضلعی سیاه) متشکل از پوشش گیاهی کم بزرگنمایی شده است.

شکل 7. برآورد تغییرات پوشش زمین بایر توسط دو نقشه برای هر قاره.

شکل 8. گم شدن زمین های بایر واقعی توسط محصول MCD12Q1: ( الف ) BIC سال 2013. و ( ب ) پوشش زمین بایر برآورد شده توسط محصول MCD12Q1V051 در سال 2013.

جدول 1. ارزیابی پتانسیل تمایز شاخص های مختلف بر اساس دقت کلی و ضریب کاپا.

جدول 2. مقایسه نقشه های پوشش زمین بایر با استفاده از دقت کلی و ضریب کاپا.

© 2016 توسط نویسندگان؛ دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC-BY) (http://creativecommons.org/licenses/by/4.0/) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

خلاصه

1. معرفی