پایش عملیاتی زیستگاه ملخ های صحرایی با مشاهده زمین: یک ارزیابی

خلاصه

انبوه ملخ های صحرا به طور متناوب به محصولات و مراتع در شصت کشور از آفریقا تا غرب آسیا آسیب می رساند و امنیت غذایی 10 درصد از جمعیت جهان را تهدید می کند. در طول قرن بیستم، عملیات کنترل ملخ صحرا شروع به سازماندهی کرد و امروزه توسط سازمان غذا و کشاورزی (FAO) هماهنگ می شود که یک استراتژی پیشگیرانه مبتنی بر هشدار اولیه و واکنش سریع را ترویج می کند. این استراتژی مستلزم نظارت مداوم بر جمعیت ها و شرایط اکولوژیکی مطلوب برای توسعه آنها است. سنجش از دور ماهواره‌ای می‌تواند نظارتی تقریباً بی‌درنگ از این شرایط در مقیاس قاره فراهم کند. بنابراین، جامعه کنترل ملخ بیابانی به شناسایی قابل اعتماد پوشش گیاهی سبز در مناطق خشک و نیمه خشک به عنوان شاخصی از زیستگاه بالقوه ملخ بیابانی نیاز دارد. برای برآوردن این نیاز، یک تبدیل رنگ سنجی بر روی داده‌های SPOT-VEGETATION و MODIS برای تولید نقشه‌های سبز پویا ایجاد شده است. پس از ادغام آنها در فعالیت‌های کنترل ملخ روزانه، این تحقیق با هدف ارزیابی آن نقشه‌های سبز پویا از دیدگاه تولیدکنندگان و کاربران انجام شد. هشت ماتریس سردرگمی و مرزهای پارتو از نقشه های مرجع با وضوح بالا نماینده تنوع زمانی و مکانی زیستگاه های موریتانی به دست آمد. نقشه‌های سبزی پویا در مناطق پرورش تابستانی دقیق بودند (نمره F = 0.64-0.87)، اما دقت در مناطق پرورش زمستانه کاهش یافت (نمره F = 0.28-0.40). دقت با تکه تکه شدن چشم انداز مرتبط است (R پس از ادغام آنها در فعالیت‌های کنترل ملخ روزانه، این تحقیق با هدف ارزیابی آن نقشه‌های سبز پویا از دیدگاه تولیدکنندگان و کاربران انجام شد. هشت ماتریس سردرگمی و مرزهای پارتو از نقشه های مرجع با وضوح بالا نماینده تنوع زمانی و مکانی زیستگاه های موریتانی به دست آمد. نقشه‌های سبزی پویا در مناطق پرورش تابستانی دقیق بودند (نمره F = 0.64-0.87)، اما دقت در مناطق پرورش زمستانه کاهش یافت (نمره F = 0.28-0.40). دقت با تکه تکه شدن چشم انداز مرتبط است (R پس از ادغام آنها در فعالیت‌های کنترل ملخ روزانه، این تحقیق با هدف ارزیابی آن نقشه‌های سبز پویا از دیدگاه تولیدکنندگان و کاربران انجام شد. هشت ماتریس سردرگمی و مرزهای پارتو از نقشه های مرجع با وضوح بالا نماینده تنوع زمانی و مکانی زیستگاه های موریتانی به دست آمد. نقشه‌های سبزی پویا در مناطق پرورش تابستانی دقیق بودند (نمره F = 0.64-0.87)، اما دقت در مناطق پرورش زمستانه کاهش یافت (نمره F = 0.28-0.40). دقت با تکه تکه شدن چشم انداز مرتبط است (R هشت ماتریس سردرگمی و مرزهای پارتو از نقشه های مرجع با وضوح بالا نماینده تنوع زمانی و مکانی زیستگاه های موریتانی به دست آمد. نقشه‌های سبزی پویا در مناطق پرورش تابستانی دقیق بودند (نمره F = 0.64-0.87)، اما دقت در مناطق پرورش زمستانه کاهش یافت (نمره F = 0.28-0.40). دقت با تکه تکه شدن چشم انداز مرتبط است (R هشت ماتریس سردرگمی و مرزهای پارتو از نقشه های مرجع با وضوح بالا نماینده تنوع زمانی و مکانی زیستگاه های موریتانی به دست آمد. نقشه‌های سبزی پویا در مناطق پرورش تابستانی دقیق بودند (نمره F = 0.64-0.87)، اما دقت در مناطق پرورش زمستانه کاهش یافت (نمره F = 0.28-0.40). دقت با تکه تکه شدن چشم انداز مرتبط است (R² = 0.9): وضوح فضایی فعلی برای حل الگوهای تکه تکه پیچیده بسیار خشن باقی می ماند و بخش قابل توجهی (60٪) از خطا را به خود اختصاص می دهد. بهره برداری از تصاویر 100 متری PROBA-V در بهترین وضوح (100 متر) تشخیص پوشش گیاهی در زیستگاه تکه تکه شده را تا 20 درصد افزایش می دهد. یک نظرسنجی نشان داد که کاربران نهایی از محصول راضی هستند و به لطف تفسیری بصری، آن را برای نظارت مناسب می‌دانند که منجر به کارایی بیشتر می‌شود.

کلید واژه ها:

ملخ صحرا ; نقشه برداری زیستگاه ; ارزیابی دقت ; سوگیری رزولوشن

چکیده گرافیکی

1. معرفی

امنیت غذایی شصت کشور از شمال آفریقا تا هند اغلب توسط ملخ های صحرایی، Schistocerca gregaria (فورکسال، 1775) تهدید می شود. این آفت بدنام حشره [ 1 ] توانایی تشکیل دسته‌هایی از میلیاردها نفر را دارد که به محصولات و مراتع آسیب می‌رسانند. اثرات مخرب آنها منجر به پیامدهای اجتماعی-اقتصادی متعددی برای یک دهم جمعیت جهان می شود [ 2 ]. در طی آخرین تهاجم سال‌های 2003 تا 2005، انبوه ملخ‌های صحرا هشت میلیون نفر را تحت تأثیر قرار داده‌اند که عمدتاً در آفریقا هستند. خسارت برداشت محصول را از 80% تا 100% کاهش داد [ 3 ]. برای مهار این آفت 13 میلیون هکتار در 26 کشور سمپاشی شده است. هزینه ها، از جمله تامین غذا برای جمعیت آسیب دیده، در مجموع یک میلیارد دلار است [ 4].

ملخ‌های صحرایی یک فاز پلی‌فنیسم را نشان می‌دهند که در آن ویژگی‌های رفتاری، فیزیولوژیکی و مورفولوژیکی به دلیل تغییرات در تراکم جمعیت محلی تغییر می‌کند [ 5 ، 6 ]. سه پدیده متقابل وابسته و متقابل منجر به آن دگرگونی می‌شوند [ 7 ، 8 ]: ضرب، تمرکز جمعیت و gregarization. در این شرایط، افراد فاز انفرادی به سمت افراد فاز گروهی که حریص تر و متحرک تر هستند تغییر می کنند. آستانه تراکم سبز شدن با توجه به مراحل رشد متفاوت است و 250-500 ملخ بالغ در هکتار تخمین زده می شود [ 9]]. در طول دوره بهبودی، ملخ‌های بیابانی در مناطق خشک و نیمه‌خشک آفریقا، خاورمیانه و آسیای جنوب غربی که 16 میلیون کیلومتر مربع را پوشش می‌دهد، محدود ^{می‌شوند} . از سوی دیگر، در طول شیوع، ازدحام ملخ های صحرایی تا 29 میلیون کیلومتر مربع هجوم می آورند ^[ 10 ] .

کنترل ملخ صحرا بخشی از دستورات اولیه فائو است [ 11 ]. فائو یک استراتژی پیشگیرانه مبتنی بر هشدار اولیه و واکنش سریع را توصیه می کند. این استراتژی مستلزم اطلاعات به روز رسانی مداوم در مورد وضعیت جمعیت ملخ (بررسی های میدانی)، شرایط اکولوژیکی (پوشش گیاهی و رطوبت خاک) و اطلاعات تاریخی (موقعیت های مشابه در گذشته) است. بنابراین، فائو سرویس اطلاعات ملخ صحرا (DLIS) را برای اطمینان از هشدار اولیه در مورد شیوع احتمالی با نظارت دقیق بر شرایط جوی و اکولوژیکی و همچنین جمعیت ملخ ها راه اندازی می کند. پرورش ملخ های بیابانی به خاک مرطوب برای تخم گذاری و جوجه ریزی، و همچنین پوشش گیاهی سبز، تامین غذا و سرپناه نیاز دارد [ 12 ، 13] .]. در مناطق خشک، این شرایط با رویدادهای بارندگی تصادفی و غیرقابل پیش بینی بیش از 20 میلی متر [ 14 ] و سبز شدن پوشش گیاهی [ 15 ] همراه است. سیستم‌های رصد زمین می‌توانند این دو عامل را در سطح قاره به‌موقع رصد کنند. مکمل بررسی‌های میدانی، این فناوری حتی در مناطق دورافتاده، که غیرقابل دسترس یا ناامن هستند، ارزشمندتر است [ 16 ].

از آنجایی که وضوح فضایی فعلی ماهواره‌های تجاری برای تشخیص مستقیم ملخ‌ها کافی نیست [ 17 ]، بیشتر تلاش‌های تحقیقاتی به نقشه‌برداری از زیستگاه بالقوه آنها اختصاص یافته است. در دهه 1970، سنجش از دور دیدگاه‌های جدیدی را برای نقشه‌برداری از زیستگاه ترجیحی ملخ بیابانی و همچنین نظارت بر مناطق تکثیر ملخ بیابانی به ارمغان آورد [ 18 ]. تصاویر از اسکنر چندطیفی (MSS) در لندست به صورت بصری و با استفاده از پردازش تصویر دیجیتال برای نظارت بر زیستگاه ملخ تجزیه و تحلیل شد [ 19 ، 20]]. این تصاویر با موفقیت پوشش گیاهی و نظارت بر دینامیک فتوسنتزی را شناسایی کردند. شاخص تفاوت عادی شده گیاهی (NDVI) به شدت برای پیوند پوشش گیاهی و وقوع ملخ استفاده شده است. سینها و چاندرا [ 21 ] یک رویکرد بصری برای بررسی رابطه مناطق NDVI بالا با فعالیت ملخ اتخاذ کردند. بعدها، Hielkema و همکاران. [ 22 ] نشان داد که شاخصی بر اساس NDVI با بارندگی و هجوم ملخ در منطقه ای که بخش هایی از مالی، نیجر و الجزایر را پوشش می دهد بین آوریل و نوامبر 1980 مرتبط است. Tappan et al. [ 23] روشی را برای شناسایی شرایط مطلوب برای انکوباسیون تخم ملخ صحرا و ملخ سنگالی بر اساس تصاویر پوشش محلی از NOAA-AVHRR ارائه کرد. آنها به این نتیجه رسیدند که وقوع مقادیر بالای NDVI با ظهور پوشش گیاهی مطابقت دارد که می‌توان از آن برای نظارت بر مناطق تکثیر ملخ‌ها استفاده کرد. دسپلند و همکاران [ 24 ] از تصاویر ماهواره‌ای NOAA-AVHRR برای ارتباط فراوانی و توزیع فضایی منابع در مقیاس چشم‌انداز با سوابق تاریخی شیوع بیماری‌ها استفاده کرد. آنها همچنین تفاوت در پاسخ طیفی پوشش گیاهی در حال رشد در نزدیکی دریای سرخ را در مقایسه با موریتانی نشان دادند. چرلت و همکاران [ 25] یک آستانه NDVI 0.14 را برای تمایز پوشش گیاهی از خاک لخت پیشنهاد کرد. این آستانه روی موزاییکی از تصاویر SPOT-VGT اعمال می شود که کل منطقه توزیع ملخ بیابانی را پوشش می دهد. این تکنیک با تشخیص همگن ترین رویدادها نتیجه قابل قبولی را به همراه داشت. با این حال، در مناطق خاصی، مناطق مساعد با چنین آستانه حذف می شوند، به ویژه مناطقی که دارای پوشش گیاهی کم با شاخص سطح برگ کم هستند. به منظور کاهش این حذفیات، تصاویر TERRA-MODIS 250 متری با تصاویر SPOT-VEGETATION 1 کیلومتری همراه شده اند [ 26]]. این ترکیب به لطف وضوح فضایی بالاتر MODIS باعث کاهش خطاهای حذف می شود. علاوه بر این، خطاهای کمیسیون به لطف باند مادون قرمز متوسط MODIS (MIR) کاهش یافت. به نظر می رسد تشخیص پوشش گیاهی برای نقشه برداری زیستگاه ملخ های بیابانی با NDVI محدودیت هایی را نشان می دهد [ 26 ، 27 ، 28 ، 29 ]. این حتی در مناطق رکود، که در آن حساسیت NDVI به پس‌زمینه خاک حیاتی می‌شود، محدودتر است [ 27 ]. در واقع، برخی از خاک های لخت دارای ویژگی های طیفی در رنگ قرمز (R) و مادون قرمز (IR) هستند که مقادیر NDVI غیرقابل تفکیک از پوشش گیاهی کم را القا می کند [ 24 ، 26]]. از نظر عملیاتی، آنها به آلارم‌های کاذب تبدیل می‌شوند، یعنی شناسایی پوشش گیاهی در جایی که وجود ندارد، که باید حذف شود تا اطلاعات دقیق به واحدهای ملی کنترل ملخ صحرا ارائه شود [26 ] .

پکل و همکاران با همکاری فائو . [ 30 ] به نیاز به یک شاخص پوشش گیاهی قابل اعتماد در مناطق خشک اشاره کرد. آنها یک رویکرد چند زمانی کاملاً خودکار مبتنی بر تبدیل رنگ سنجی برای تمایز مناطق پوشش گیاهی در زمان واقعی ارائه کردند. برای اطمینان از تمایز قوی پوشش گیاهی سبز، سه باند طیفی ترکیب می شوند: قرمز (R)، مادون قرمز نزدیک (NIR) و MIR. مورد دوم، به ویژه حساس به محتوای آب در خاک و پوشش گیاهی، اطلاعات تکمیلی را برای دو باند دیگر به ارمغان می آورد [ 31]. با توجه به محدودیت های NDVI در مناطق خشک و نیمه خشک و محدودیت های فضای رنگی RGB، یک تبدیل رنگ سنجی برای نمایش بازتاب ها به فضای رنگی HSV (رنگ، اشباع و مقدار) اعمال شد. در این فضای رنگی، رنگ به عنوان یک شاخص طیفی کیفی ظاهر می شود و تغییرات زمانی آن را می توان به عنوان تغییر پوشش زمین تعبیر کرد [ 32 ]. روش تشخیص مبتنی بر مجموعه‌ای از آستانه‌ها است که به طور مشترک از رنگ و NDVI برای تشخیص پوشش گیاهی از غیر گیاهی استفاده می‌کنند ( یعنی، سایر انواع پوشش زمین). آستانه ها از طریق یک رویکرد تجربی و آماری که بر یک نمونه گیری جامع (با تفسیر عکس) از پیکسل های توزیع شده به صورت مکانی و زمانی متکی است، شناسایی شدند. در صورت عضویت مبهم به یک کلاس یا کلاس دیگر، مسیر پیکسل زمانی تعریف شده توسط _شیب Hue ، تفاوت بین مقادیر رنگ فعلی و قبلی، تعلق یک پیکسل به کلاس گیاهی را ارزیابی می کند. در واقع، انتظار می‌رود پیکسل‌های خاک به طور مداوم در اطراف مقدار واقعی خود با توجه به نسبت سیگنال به نویز نوسان کنند، در حالی که پیکسل‌های گیاهی با رشد پوشش گیاهی به تدریج به منطقه بدون ابهام مهاجرت می‌کنند. تبدیل رنگ سنجی و قوانین تصمیم گیری بر روی تصاویر ترکیبی میانگین 10 روزه اعمال می شود [ 33]. محصول نهایی به لطف یک زمان سنج که تعداد دهه هایی را که یک پیکسل به عنوان پوشش گیاهی برچسب گذاری شده است، یکپارچه می کند ( شکل 1 ). جدول رنگی امکان شناسایی شهودی و مستقیم پوشش گیاهی زودگذر (قرمز)، فصلی (سبز روشن) و چند ساله (سبز تیره) را فراهم می کند. این به طور عملیاتی و تقریباً در زمان واقعی یک نقشه پویا پوشش گیاهی کاربرپسند را ارائه می دهد که هر 10 روز یک بار در کل منطقه ملخ بیابانی به روز می شود. مناطقی که در یک تا دو دهه گذشته پوشش گیاهی در آنها سبز شده است برای ملخ های بیابانی مهم ترین هستند، زیرا آنها پوشش گیاهی یک ساله را که سبز می شود ترجیح می دهند. مناطقی که در طول زمان به طور مداوم سبز هستند احتمالاً از پوشش گیاهی چند ساله (واحه ها، جنگل ها و غیره) تشکیل شده است.) که کمتر برای ملخ های صحرایی مناسب هستند. مناطق بزرگ به هم پیوسته مهمتر از پیکسل های جدا شده هستند. اجرای عملیاتی این روش محصولاتی را برای بهبود نظارت و هشدار اولیه ملخ صحرا در آفریقا و آسیا ارائه می دهد که به نقشه های سبز پویا معروف هستند. از ژوئیه 2010، این نقشه ها به طور رایگان در DevCoCastportal در دسترس مراکز ملی کنترل ملخ (NLCCs) و FAO هستند. اخیراً، رنیر و همکاران. [ 34 ] یک شاخص پیری پوشش گیاهی پویا برای پایش در زمان واقعی زیستگاه ملخ های صحرایی با MODIS به منظور شناسایی مناطقی که احتمالاً توسط ملخ ها رها می شوند، توسعه داد.

هدف این مقاله ارزیابی دقت در مکان و زمان محصول نقشه سبزی پویا است که توسط Pekel و همکاران توسعه یافته است. [ 30]. برای این منظور، چندین جنبه از کارایی محصول را برای نقشه‌برداری از زیستگاه بالقوه ملخ بررسی می‌کند. اول، یک ارزیابی دقت سنتی، دقت تولیدکنندگان و کاربران را با استفاده از مقایسه دیوار به دیوار محصول با نقشه‌های مرجع مشتق‌شده از داده‌های 30 متری Landsat کمیت می‌کند. دوم، اثر تفکیک مکانی و تکه تکه شدن زیستگاه بر دقت مورد مطالعه قرار گرفته است. به طور خاص، سه وضوح مورد بررسی قرار می گیرد: 1-km (SPOT-VEGETATION)، 250-m (MODIS) و 100-m (PROBA-V). آنها با وضوح سنسورهای گذشته، فعلی و بالقوه برای برنامه مطابقت دارند. در نهایت، یک نظرسنجی کاربر نهایی، تناسب را برای هدف و ادغام نقشه‌های سبز پویا در فعالیت‌های نظارت و کنترل ارزیابی می‌کند.

2. مواد

2.1. منطقه مطالعه

این مطالعه بر موریتانی متمرکز است که 1,030,700 کیلومتر ^{مربع را} در شمال غربی آفریقا پوشش می دهد ( شکل 2 ) بین 15-27 درجه شمالی و 15-17 درجه غربی. صحرا شمال را پوشش می دهد و ساحل با جنوب کشور مرز دارد. پوشش گیاهی علفی و بوته ای در منطقه نیمه خشک رشد می کند، در حالی که پوشش گیاهی پراکنده بر منطقه خشک غالب است. آب و هوا با یک فصل بارانی کوتاه که در ماه های ژوئیه تا سپتامبر رخ می دهد، و همچنین یک شیب شمالی-جنوبی از میانگین بارندگی سالانه [ 35 ] مشخص می شود.

شکل 1. محصولات نقشه سبز پویا برای موریتانی در دو تاریخ متضاد: ( الف ) دهه دوم فوریه 2011. و ( ب ) دهه اول سپتامبر 2011. ( ج ) کد رنگ زمان سنج. این تغییرپذیری مکانی-زمانی پوشش گیاهی و پاسخ پوشش گیاهی به بارندگی فصلی را نشان می‌دهد. این محصول با زمان سنج خود مناطقی را که باید مورد بررسی قرار گیرند (رنگ های گرم) را مشخص می کند زیرا اخیراً سبز شدن پوشش گیاهی برای ملخ ها مناسب شده است، زیرا آنها پوشش گیاهی تازه را ترجیح می دهند. برعکس، مناطق تیره رنگ علاقه کمتری به ملخ ها دارند.

از لحاظ تاریخی، دامداری فعالیت غالب است (80 درصد فعالیت های کشاورزی و 22 درصد از تولید ناخالص ملی) [ 36 ] و به دنبال آن کشاورزی محصول و بهره برداری از منابع جنگلی برای قطع درختان و انرژی [ 37 ، 38 ] قرار دارد. کشاورزی بیشتر در جنوب کشور انجام می‌شود و محصولات آبی به اطراف رودخانه سنگال محدود می‌شوند [ 39 ]. در شمال، فعالیت های شبانی تحت سلطه شتر و گوسفندان است. محصولات زراعی فقط در واحه ها یافت می شوند.

2.2. داده های ماهواره ای و مجموعه داده های مرجع

ارزیابی دقت به مجموعه داده‌های مستقلی از حقیقت زمینی متکی است تا با نقشه برای اعتبارسنجی مقایسه شود. تصاویر با وضوح بالا معمولاً به عنوان پراکسی برای داده های حقیقت زمینی گرفته می شوند، زیرا یک نمونه گیری قوی اغلب با داده های واقعی درجا دشوار است [ 40 ]. در این مطالعه، هر دو منبع داده با هم ترکیب شدند.

اول، یک مجموعه داده حقیقت زمینی در نتیجه بررسی میدانی در جنوب غربی موریتانی در طول ماه اوت و سپتامبر 2012 جمع‌آوری شد. روش‌های زیادی برای تخمین تراکم پوشش گیاهی توسعه یافته‌اند [ 41 ، 42 ]. به دلیل مناطق بزرگ برای پوشش، تراکم پوشش گیاهی در اینجا توسط ترانسکت های نقطه ای برآورد شد [ 43 ]. تراکم با درصد نقاط عمودی پیش‌بینی شده صلب که با پوشش گیاهی مواجه می‌شوند تعیین شد: درختان، بوته‌ها، درختچه‌ها و علف‌ها. نقاط به طور منظم در فواصل متری در امتداد یک ترانسکت 100 متری پخش شدند.

شکل 2. موریتانی و شش حوزه اکولوژیکی آن. دو مشاهدات در چهار سایت مطالعه یک نمونه گیری مکانی-زمانی قوی را تضمین می کند. مناطق تولید مثل تابستانه دامنه جنوبی زیر موازی 18 را پوشش می دهد. در بهار و زمستان ملخ ها در نواحی مساعد شمال و نواحی مرکز غرب تولید مثل می کنند.

دوم، تصاویر Landsat با وضوح بالا در چهار منطقه مورد علاقه که با توجه به تقسیم قلمرو موریتانی در واحدهای همگن اکولوژیکی [ 44 ] انتخاب شده بودند، دانلود شد ( شکل 2 ). در بایگانی لندست موجود، هشت تصویر Landsat-5 TM بدون ابر انتخاب شدند: دو تصویر در هر سایت در تاریخ های بارانی و فصل خشک در مناطق مربوطه برای نظارت بر ملخ بیابانی (جدول 1 ) . نمونه‌های آموزشی پوشش گیاهی و غیر گیاهی بر اساس تفسیر عکس، دانش تخصصی مناطق، نقشه‌های پوشش اراضی موجود و اطلاعات بررسی دقیق پایگاه داده رامسس (سیستم شناسایی و پایش محیط زیست شیستوسرکا) تولید شد.ramses مشاهدات میدانی جمع آوری شده توسط تیم های بررسی ملخ از سال 1988 را جمع آوری می کند و اطلاعاتی در مورد پوشش گیاهی (گونه، تراکم، مراحل فنولوژیکی و غیره )، ملخ (تراکم، مراحل و غیره ) و سایر پارامترهای فیزیکی مرتبط برای رشد ملخ، مانند رطوبت خاک ارائه می کند. . سپس، طبقه‌بندی حداکثر احتمال نظارت شده پرکاربرد برای باندهای TM قرمز، مادون قرمز نزدیک و متوسط مادون قرمز برای تولید نقشه‌های گیاهی باینری مرجع اعمال شد ( شکل 3).). همانطور که الگوریتم بر اساس پیکسل اجرا شد، از اطلاعات بافتی و متنی غافل شد و یک اثر نمک و فلفل مشخصه بر روی نقشه ها تأثیر گذاشت. برای مقابله با این موضوع، چهار فیلتر بازکننده مورفولوژیکی 3×3 (یکی عمودی، یکی افقی و یکی در هر جهت مورب) بر روی نقشه‌های طبقه‌بندی شده اعمال شد.

در نهایت، نقشه‌های سبز پویا مربوط به داده‌های مرجع، علاوه بر نقشه‌هایی که دوره مبارزات میدانی را پوشش می‌دهند، از پورتال DevCoCast دانلود شدند.

شکل 3. درصد پوشش گیاهی در نقشه های مرجع جمع آوری شده در 250 متر: ( الف ) مرکز-غرب 20 فوریه 2010; ( ب ) مرکز-غرب 19 نوامبر 2010; ( ج ) تیجیکجا جنوبی 21 ژانویه 2010; ( د ) تیجیکجا جنوبی 29 ژوئیه 2009; ( ه ) Chemama 20 فوریه 2010; ( f ) Chemama 19 نوامبر 2010; ( g ) نما جنوبی 17 فوریه 2010; ( ح ) نما جنوبی 12 اکتبر 2009.

جدول 1. ویژگی های تصاویر برای هشت سایت مطالعه از جمله تاریخ اکتساب تصاویر Landsat و نقشه های سبز پویا (DGM) همراه با منطقه پوشش گیاهی (منطقه گیاهی). در فصل خشک و در نواحی شمالی غالب طبقه غیر گیاهی زیاد است.

3. روش ها

این روش بر دو جزء اصلی متکی است: (1) ارزیابی کمی از دقت نقشه ها. و (2) ارزیابی تناسب و قابلیت استفاده آن توسط کاربران. در مولفه اول ( شکل 4 )، نقشه های سبزی دیوار به دیوار با استفاده از نقشه های پوشش گیاهی مرجع با وضوح بالا که در 250 متر تخریب شده اند، اعتبارسنجی می شوند. به دلیل نمونه‌گیری مجدد، نقشه‌های پوشش گیاهی مرجع با وضوح بالا که در 250 متر تخریب شدند، اطلاعات تراکم پوشش گیاهی پیوسته را ارائه کردند. بنابراین داده‌های درجا با نقشه‌های سبزی ترکیب شدند تا آستانه تراکم پوشش گیاهی بهینه برای اعمال بر روی نقشه‌های مرجع تخریب شده شناسایی شود. نقشه‌های با وضوح بالا در مرحله دوم برای ارزیابی وضوح پایین و ارتباط دقت با تکه‌تکه شدن چشم‌انداز خدمت کردند.

3.1. ارزیابی دقت سنتی

نقشه های سبزی ابتدا با استفاده از ماتریس های سردرگمی [ 45 ] اعتبارسنجی شدند. ماتریس سردرگمی یک ماتریس مربع است که نقشه طبقه بندی شده را با داده های مرجع مقایسه می کند. مقادیر مورب نشان دهنده توافق بین مرجع و طبقه بندی است، در حالی که مقادیر غیر قطری نشان دهنده خطاها هستند. معیارهای دقت سنتی از ماتریس خطا، یعنی خطاهای حذف (OE) و خطاهای کمیسیون (CE)، دقت کلی (OA)، آمار کاپا (κ) و امتیاز F 1 [ ₄₆، 47 ، 48 ، به دست آمدند. 49 ].

دقت کلی (OA) احتمال دسته بندی دقیق پیکسل های انتخاب شده به صورت تصادفی را بیان می کند. آمار کاپا، جایگزینی برای OA، توافق تصادفی را در نظر می گیرد [ 47 ، 50 ]. نسبت توافق را پس از تصحیح توافق تصادفی اندازه گیری می کند [ 51 ].

OA = \sum ک i = 1 n من من n

(1)

κ = \sum ک i = 1 n من من - \sum ک i = 1 n من + n + من n 2 - \sum ک i = 1 n من + n + من

(2)

که در آن n مقدار مشاهده است، n _ii توافقات مورب بین ردیف i و ستون i و n _i + و n _+ i به ترتیب مجموع حاشیه های ردیف i و ستون i هستند . برای یک کلاس خاص، خطای حذف میزان پیکسل هایی است که به اشتباه باقی مانده اند، در حالی که خطای کمیسیون، نرخ پیکسل هایی است که به اشتباه وارد شده اند. این دو نوع خطا به ترتیب به دقت سازنده و کاربر (1-PA و 1-UA) مرتبط هستند. امتیاز F [ 48] یک شاخص دقت سنتز است که به عنوان میانگین هارمونیک دقت تولید کننده و دقت کاربر تفسیر می شود [ 52 ]. این مطالعه از امتیاز F ₁ محاسبه شده به صورت زیر استفاده کرد:

اف 1 -امتیاز = 2 \times UA \times PA UA + PA

(3)

شکل 4. نمودار جریان ارزیابی دقت. تجزیه و تحلیل منحنی ROC ساخته شده با نقشه های سبزی و مشاهده درجا امکان تعریف آستانه پوشش گیاهی بهینه برای تشخیص را فراهم می کند. سپس این آستانه برای نقشه‌های مرجع پوشش گیاهی پیوسته که در 250 متر تخریب شده‌اند، اعمال شد تا ماتریس‌های سردرگمی برای نقشه‌های سبزی بدست آید. مرز پارتو نیز به لطف نقشه های مرجع پیوسته پوشش گیاهی محاسبه شد، که امکان شناسایی بخشی از خطا را تنها به دلیل وضوح تشخیص می داد.

ماتریس‌های سردرگمی از مقایسه دیوار به دیوار نقشه‌های سبز پویا با نقشه‌های مرجع مربوطه با وضوح بالا که به شبکه وضوح MODIS تنزل داده شده‌اند، به دست آمدند. با این حال، به دلیل نمونه‌گیری مجدد، نقشه‌های مرجع دارای مقیاس میدان پیوسته هستند (درصد پیکسل‌های گیاهی 30 متری در پیکسل 250 متری). برای تولید یک نقشه مرجع با وضوح پایین باینری باید یک آستانه اعمال شود. به جای استفاده از قانون اکثریت، شناسایی برش بهینه بر روی منحنی مشخصه عملکرد گیرنده (ROC) متکی بود. تجزیه و تحلیل منحنی ROC برای دو کلاس، نرخ مثبت واقعی (TPR) را در محور y و نرخ مثبت کاذب معادل آنها (FPR) را در محور x برای هر نقطه برش ممکن ترسیم می کند [53 ]]. سطح زیر منحنی (AUC) یک اندازه گیری واحد از احتمال را ارائه می دهد که طبقه بندی کننده یک نمونه مثبت انتخاب شده به طور تصادفی را بالاتر از یک نمونه منفی تصادفی انتخاب می کند [54 ] . مقدار AUC بین 0.5 و 1 است، 0.5 مربوط به سطح دقت به دست آمده توسط شانس تصادفی است. برای ساخت منحنی ROC، تراکم پوشش گیاهی هر ترانسکت به کلاس خود که توسط نقشه‌های سبزی شناسایی می‌شود مرتبط بود و دقت در مقادیر برش با فاصله منظم ارزیابی شد. برای شناسایی مقدار برش بهینه، این مطالعه از شاخص Youden استفاده می کند که فاصله تا خط هویت (مورب) را به حداکثر می رساند [ 55 ].

3.2. تأثیر تفکیک فضایی بر دقت

3.2.1. مرز پارتو

ماتریس های سردرگمی تأثیر متنی پیکسل های مختلط را بر دقت محصول در نظر نمی گیرند [ 40 ]. علاوه بر این، هنگام اعتبارسنجی یک محصول با وضوح درشت با یک نقشه مرجع با وضوح بالا، فرض تفکیک فضایی برابر بین مرجع و محصول نقض می‌شود. روش مرزی پارتو جایگزینی برای مقابله با این کاستی ها است. تعداد پیکسل‌های با وضوح پایین که چندین کلاس را پوشش می‌دهند، ارتباط نزدیکی با ویژگی‌های زمین (داده‌های مرجع) دارد و تابعی از شکل، اندازه و الگوهای فضایی آنها است [ 56 ، 57 ]. تفاوت در وضوح فضایی بین داده های با وضوح بالا و پایین به عنوان سوگیری با وضوح پایین [ 40] نامیده می شود.]. سوگیری قطعنامه اشتباهات حذفی و اجرایی را به عنوان اهداف متضاد تعیین می کند. به طور موثر، خطای باقی مانده پس از طبقه بندی را نمی توان اجتناب کرد. هر گونه تلاش برای کاهش خطاهای کارمزد به طور حتم منجر به افزایش خطاهای حذف و بالعکس خواهد شد. بنابراین، در فضای دو بعدی OE/CE، ناحیه ای با دقت غیرقابل دسترسی محدود شده توسط مرز پارتو، خطاها را به دلیل تفکیک مکانی و روش جدا می کند. مرز پارتو حداکثر مقادیر دقت کاربر و تولید کننده را که می توانست به طور مشترک به دست آورد را تعیین می کند و چنین حد پایینی را به عنوان یک مرز نشان می دهد. سودمندی آن قبلا برای ارزیابی طبقه بندی های مختلف نشان داده شده است، به عنوان مثال، مناطق سوخته [ 58 ]، محصولات برفی [ 59 ] و شناسایی زمین های زراعی [ 60 ]]. برای ایجاد مرز پارتو، نقشه مرجع با وضوح بالا به اندازه پیکسل با وضوح پایین تنزل داده می شود. هر مقدار پیکسل جدید مربوط به درصد پیکسل های با وضوح بالا در کلاس مورد علاقه است. مجموعه ای از محصولات با وضوح پایین با آستانه گذاری نقشه مرجع با وضوح پایین به دست می آید. برای هر آستانه تعیین درصدی که یک پیکسل به عنوان پوشش گیاهی در نظر گرفته می شود، جفت نرخ خطای کارآمد OE/CE محاسبه می شود. خطی که همه این نقاط را به هم می‌پیوندد، مرز پارتو یک مرجع با وضوح بالا خاص را به یک اندازه پیکسل با وضوح پایین تعریف شده مشخص می‌کند. فاصله بین محصول و مرز نشان دهنده عملکرد روش است. سطح زیر منحنی جواب کارآمد دقت الگوریتم تشخیص را نشان می دهد.

مرز پارتو برای هشت تصویر مرجع Landsat در سه وضوح ایجاد شد: 1-km، 250-m و 100-m، که به ترتیب با وضوح فضایی SPOT-VEGETATION، MODIS و PROBA-V (در نادر) مطابقت دارد. این وضوح تصویر پشتیبان، حسگرهای فعلی و بالقوه آینده مورد استفاده برای محصول را نشان می دهد. برای محاسبه اشتباه ثبت در روی هم قرار دادن شبکه‌های وضوح پایین و بالا [ 40 ]، 100 تغییر تصادفی در محدوده +/-0.5 پیکسل از داده‌های با وضوح پایین ایجاد شد. واریانس مربوط به خطاهای حذف و کمیسیون برای یکی از سایت های آزمایش محاسبه شد.

در نهایت، پیشرفت‌های بالقوه ادغام تصاویر 100 متری PROBA-V در زنجیره پردازش مورد بررسی قرار گرفت. مرزهای پارتو برای وضوح فضایی 100 متر برای هشت تصویر مرجع به دست آمد. کاهش پتانسیل منطقه غیرقابل دسترس (PRUR) برای هر تصویر محاسبه شد :

PRUR من = 100 \times (1 - غیر قابل دسترسی منطقه حوزه در 100 متر برای تصویر من غیر قابل دسترسی منطقه حوزه در 250 متر برای تصویر من)

(4)

3.2.2. ساختار زیستگاه

ساختار زیستگاه یکی از عوامل اولیه دخیل در ترویج ازدحام در بین ملخ های فاز انفرادی است [ 61 ]. از آنجایی که راه حل کارآمد مرز تحت تأثیر اندازه پیکسل است، توزیع چشم انداز پوشش گیاهی نیز باید بر دقت تأثیر بگذارد. بنابراین، هرچه وضوح پیکسل‌های با درصد پوشش گیاهی درشت‌تر باشد، تأثیر سوگیری وضوح قوی‌تر و تشخیص پوشش گیاهی دقیق‌تر است [ 40 ]. الگوهای منظر با توزیع آماری اندازه و شکل تکه‌ها و آرایش فضایی آنها توصیف می‌شوند. تعداد زیادی معیار و شاخص برای توصیف ترکیب و پیکربندی منظر توسعه داده شده است [ 62]. در این مطالعه، تکه تکه شدن چشم انداز با استفاده از نسبت تراکم لبه (ED) مورد مطالعه قرار گرفت. ED فاصله خطی مرز را با واحد سطح اندازه می گیرد. نسبت بزرگ نشان می دهد که پیکسل های کلاس مورد نظر (در اینجا، پوشش گیاهی) معمولاً به لبه ها نزدیک هستند. مونود [ 63 ] دو حالت برای پوشش گیاهی در محیط صحرا تعریف کرد: پراکنده (پیوسته) و منقبض (ناپیوسته). در محیط های خشک تر، پوشش گیاهی منقبض می شود و خود را در وادی ها یا فرورفتگی ها محدود می کند، جایی که توپوگرافی آب را متمرکز می کند. به طور کلی، پوشش گیاهی منقبض با ED بالاتر از پوشش گیاهی منتشر مشخص می شود.

3.3. نظرسنجی کاربر نهایی

افسران ملی اطلاعات ملخ بیست کشور به پرسشنامه تهیه شده توسط FAO DLIS پاسخ دادند. این بررسی به دنبال ارزیابی تناسب و ادغام نقشه سبز پویا در فرآیند تصمیم گیری برای تفسیر وضعیت اکولوژیکی و برنامه ریزی عملیات میدانی و گزارش است. همچنین نقشه‌های سبزی را با سایر داده‌های ماهواره‌ای مورد استفاده برای تجزیه و تحلیل (مثلاً تخمین‌های بارندگی) مقایسه کرد.

4. نتایج

4.1. ارزیابی دقت

برای مقابله با تفاوت وضوح فضایی بین داده های مرجع و محصول، وضوح مکانی مرجع اغلب برای مطابقت با محصول تجمیع می شود. برای تعیین آستانه درصد کلاس مناسب، از تحلیل منحنی ROC استفاده شد ( شکل 5 ). شاخص Youden 47 درصد از تراکم پوشش گیاهی را به عنوان مقدار برش بهینه تعیین کرد. علاوه بر این، سطح زیر منحنی به 84.9٪ می رسد که در مقایسه با یک طبقه بندی تصادفی (50٪) دقت خوبی دارد.

با در نظر گرفتن مقدار برش بهینه، ماتریس های سردرگمی برای هشت مورد محاسبه شد ( جدول 2 ). به طور کلی، دقت کلی به دلیل تطابق زیاد بین پیکسل های غیر گیاهی، حدود 95٪ است. آمار کاپا حاکی از توافق کم تغییر است. خطاهای بزرگی برای طبقه پوشش گیاهی در فصل خشک و همچنین در فصل بارندگی برای مناطق خشک (آتار و تیکجیکجا) مشاهده می شود. این خطاها با در نظر گرفتن مناطق پرآب در فصل بارندگی (نما و الگ) به شدت کاهش می یابد. در واقع، آنها شیب دقت شمال به جنوب را شبیه به بارش باران نشان می دهند.

شکل 5. منحنی ROC برای تراکم پوشش گیاهی مزرعه ( n = 113). بهترین مقدار برش (به رنگ قرمز) مربوط به درصد بهینه پوشش گیاهی برای تشخیص است. شاخص یودن J آستانه ای را که بیشتر در محاسبه ماتریس های خطا مورد استفاده قرار می گیرد، مشخص می کند. AUC 84.9% نشان دهنده عملکرد خوب در مقایسه با یک طبقه بندی تصادفی است.

جدول 2. اندازه گیری های دقت برای هشت ماتریس سردرگمی و متریک تراکم لبه مربوطه. دقت کلی بالا مشاهده می شود، اما به شدت تحت تاثیر توافق پیکسل های غیر گیاهی است. در طول فصل خشک، خطاهای حذف و اجرا برای هر صحنه به 60٪ تا 70٪ نزدیک می شود، اما در طول باران، خطاها با توجه به گرادیان بارش شمال به جنوب کاهش می یابد. ED، چگالی لبه؛ OE، خطای حذف؛ CE، خطای کمیسیون

نقشه‌های سبز پویا بیشتر با روش مرزی پارتو ( شکل 6 ) در 1 کیلومتر، 250 متر و 100 متر، مطابق با وضوح فضایی SPOT-VEGETATION، MODIS و PROBA-V مورد تجزیه و تحلیل قرار گرفتند. در ارتفاع 250 متری، به نظر می رسد که منطقه غیرقابل دسترس تأثیر قابل توجهی دارد و 60 درصد از خطاها در طول فصل خشک را تشکیل می دهد. تأثیر آن همراه با عرض جغرافیایی در طول فصل بارانی کاهش می یابد. واریانس مرز پارتو ناشی از عدم قطعیت در هنگام روی هم قرار دادن دو شبکه همیشه زیر 0.01 است و بنابراین ناچیز است.

شکل 6. مرزهای پارتو برای هشت نقشه مرجع و مرزهای شبیه سازی شده برای سنسورهای SPOT-VEGETATION (1000 متر)، MODIS (250 متر) و PROBA-V (100 متر). در محصول 250 متری فعلی، منطقه غیرقابل دسترسی تا 60 درصد از خطاها را تشکیل می دهد. ( الف ) آتار، فصل خشک؛ ب ) آتار، فصل بارانی. ( ج ) Tidjikja، فصل خشک؛ ( د ) Tidjikja، فصل بارانی. ( ه ) الگ، فصل خشک؛ ( و ) الگ، فصل بارانی; ( ز ) نما، فصل خشک؛ ( ح ) نما، فصل بارانی.

متریک چگالی لبه برای هر نقشه مرجع محاسبه شد ( جدول 1 ). ED که هم پیچیدگی و هم شکل زیستگاه را منعکس می کند، به صورت خطی با دقت (R2 = 0.9) همبستگی دارد ⁽شکل 7 ) . دقت طبقه بندی پایین (نمره F ₁ < 0.5) برای مناطق با مناظر تکه تکه (> 200 متر در هکتار) رخ می دهد. در مقابل، لکه های پوشش گیاهی بزرگ (<150 متر در هکتار) با دقت بالاتری نقشه برداری می شوند.

شکل 7. ( الف ) تکه تکه شدن زیستگاه شاخصی از دقت به دست آمده است. هرچه قطعه قطعه شدن بیشتر باشد، میزان دقت کمتر است. ( ب ) کاهش شبیه‌سازی شده ناحیه غیرقابل دسترس برای تفکیک مکانی 100 متر مطابق با وضوح PROBA-V. در یک زیستگاه تکه تکه شده، یک محصول در 100 متر می تواند سوگیری با وضوح پایین را تا 20٪ کاهش دهد.

بهبود ادغام تصاویر 100 متری PROBA-V در زنجیره پردازش با کاهش بالقوه منطقه غیرقابل دسترسی تخمین زده شد. نتایج از این دیدگاه پشتیبانی می کند که وضوح فضایی به طور بحرانی دقت نقشه برداری را محدود می کند ( شکل 7 ). PRUR به طور خطی با ED مرتبط است (R ² = 0.97): هر چه زیستگاه تکه تکه تر باشد، کاهش پتانسیل بیشتر است. در زیستگاه های تکه تکه شده، مانند آتار، یک محصول در 100 متر می تواند سوگیری وضوح پایین را تا 20٪ کاهش دهد.

4.2. ارزیابی کاربر نهایی

افسران اطلاعات ملی یک پرسشنامه آنلاین را پر کرده اند. نتایج بررسی نشان می‌دهد که نقشه‌های سبز پویا با موفقیت کاربران را مورد خطاب قرار می‌دهند ( شکل 8 ). آنها نشان دادند که نقشه‌های سبز پویا در مقایسه با تصاویر بازتابی و محصولات تخمینی بارندگی قابل دانلود و تجزیه و تحلیل آسان هستند. با این حال، کاربران در مورد به موقع بودن محصول ابراز نگرانی کردند.

شکل 8. نتایج نظرسنجی کاربران. افسران اطلاعات ملی عموماً از ارائه عملیاتی محصولات سنجش از راه دور برای پایش ملخ صحرا در کشورهای خود راضی هستند (پرسشنامه آنلاین، آوریل 2012).

5. بحث

ارزیابی دقیق دقیق یک محصول سنجش از دور عملیاتی برای اطلاع کاربران از محدودیت‌های محصول به منظور اطمینان از استفاده حساس ضروری است. تنوع معیارهای دقت بین و درون سایتی اهمیت سوگیری با وضوح پایین را نشان می دهد که تا 60٪ از خطاها را تشکیل می دهد. اهمیت آن به طور قابل توجهی در مناطق پرآب در طول فصل باران کاهش می یابد. نتایج نشان داد که F ₁اندازه گیری متناسب با چگالی لبه کاهش می یابد. فواصل زیاد تا مرز پارتو ممکن است نشان دهنده عملکرد پایین الگوریتم باشد. با این حال، در مناطق کمتر تکه تکه شده، این فاصله کاهش می یابد، که نشان دهنده عملکرد بالا است. یک بازرسی بصری از نقشه‌های سبزی نشان داد که بیشتر خطاها با پیکسل‌های مختلط مرتبط هستند و مناطقی که باید بررسی شوند به درستی علامت‌گذاری می‌شوند، حتی اگر الگوهای فضایی آنها به طور دقیق حل نشده باشد. علاوه بر این، ممکن است خطاهای برون زا که نتایج را آلوده می کنند، مانند اشتباهات طبقه بندی در نقشه های مرجع، و همچنین اختلاف در مقایسه تصاویر روزانه Landsat و کامپوزیت های 10 روزه MODIS شناسایی کنند. علاوه بر این، ولد بابا [ 64] نتیجه گرفت که حتی تصاویر با وضوح بالا، مانند Landsat، برای تشخیص پوشش گیاهی در محیط‌های خاص صحرا و ساحلی-صحرای نامناسب هستند. تأثیر افزایش وضوح فضایی PROBA-V هم تداوم و هم بهبود سیستم نظارت فعلی را تضمین می کند. یک مزیت عمده در مناطق خشک مرتبط با مناطق تولید مثل زمستانه خواهد بود.

به نظر می رسد سوگیری وضوح به اندازه پیکسل و توزیع پوشش گیاهی در چشم انداز حساس باشد. ارتباط بین اندازه گیری دقت و تکه تکه شدن نشان داده شده است. ساختار فضایی پوشش گیاهی منعکس کننده ویژگی های غیرزیست یک اکوسیستم است و بر عملکرد و همچنین رفتار و پویایی حیوانات تأثیر می گذارد [ 65 ، 66 ]. علاوه بر این، این امر به ویژه برای نظارت بر ملخ صحرا مهم است. در واقع، شرایط هواشناسی و ساختار زیستگاه دو عامل اصلی دخیل در جمع آوری ملخ های منفرد هستند: مهاجرت باند لارو، که عمدتاً توسط باد هدایت می شود، تحت تأثیر تراکم پوشش گیاهی و الگوهای فضایی است [67 ] . علاوه بر این، دسپلند و سیمپسون [ 68] ارتباط بین تکه تکه شدن چشم‌انداز و وقوع ملخ را نشان داد: در طول سال‌های پرورش خوب، منابع فراوان‌تر و پراکنده‌تر هستند. در این خط، ولد بابا و شمشیر [ 69 ] فراوانی و تجمع بیشتری از Panicum turgidum را در مناطقی که اغلب فعال هستند نسبت به یک منطقه به ندرت فعال یافتند. با این حال، پیوند بین پوشش گیاهی و توزیع ملخ به مقیاس مشاهده بستگی دارد [ 24 ]. در مقیاس یک گیاه منفرد، توزیع پوشش گیاهی بر رشد سبزه‌ها تأثیر می‌گذارد: در یک زیستگاه تکه تکه، ملخ‌های بیابانی منفرد می‌مانند و دسته‌هایی تشکیل نمی‌شوند [ 1 ، 70 ، 71]]. برعکس، در مقیاس بزرگ، الگوهای پوشش گیاهی بر تکثیر، تمرکز و مهاجرت تأثیر می گذارد [ 72 ، 73 ]. پوشش گیاهی سبز به تکثیر ملخ کمک می کند و باعث می شود تعداد آنها رشد کند. هنگامی که پوشش گیاهی وارد فاز پیری می شود، به تکه های کوچکتری منقبض می شود که در آن حشرات مهاجر برای تغذیه جمع می شوند [ 7 ، 74 ]. تحریک متقابل ناشی از تجمع افراد انفرادی در مناطق منابع منجر به گروهی شدن می شود [ 68 , 74 , 75 , 76]. بنابراین، تکه تکه شدن زیستگاه، جمعیت ملخ ها را متمرکز می کند، شانس تماس (و gregarization) را افزایش می دهد و به نفع رشد مجدد است. در موریتانی، توزیع پوشش گیاهی در طول فصل متفاوت است، و انقباض پوشش گیاهی تنها در طول سال‌های پرورش ملخ خوب ظاهر می‌شود [ 24 ]، زیرا این امر به سبزی شدن کمک می‌کند.

برای اندازه گیری تأثیر عملیاتی این یافته ها، چرخه زیستی جغرافیایی ملخ و مناطق مرتبط با آن باید در نظر گرفته شود. نقشه های سبز پویا امکان تشخیص پوشش گیاهی قابل اعتماد را در مناطق پرورش تابستانی فراهم می کند. به گفته اولد بابا و شمشیر [ 69]، جنوب و جنوب غربی نشان دهنده اصلی ترین اگر نه تنها منطقه پرورش است. شناسایی زیستگاه بالقوه در آن دوره و بررسی مناطق شناسایی شده، تعداد ملخ های پراکنده شده را ارزیابی می کند. لکه های کوچک نقش فرعی دارند، مگر در پایان فصل بارندگی که جمعیت زیاد شده و در آنجا جمع می شوند. تشخیص ها در مناطق تولید مثل زمستان و پاییز دقت کمتری دارند: تعداد زیادی تکه تکه تکه حذف شده است. این مناطق عمدتاً زیست‌توپ‌های بقا (وادی‌های کوچک، دشت‌های سیلابی و فرورفتگی‌ها) هستند، نه بیوتوپ‌های gregarization. با این وجود، اینها برای تولید مثل ملخ صحرا و در نتیجه برای نظارت بر پویایی آن، اساسی هستند. حتی اگر ارزیابی بر موریتانی متمرکز باشد، انتظار می‌رود که یافته‌های مشابهی در مناطق پراکنده مشاهده شود، به‌ویژه در کشورهایی با آب و هوای مشابه. مانند سودان، یمن، اریتره و پاکستان که دوگانگی فصلی قوی دارند. از آنجایی که به نظر می رسد تکه تکه شدن زیستگاه در مقیاس چشم انداز باعث افزایش شیوع بیماری می شود [24 ]، به نظر می رسد که این محصول برای نظارت بر مناطق بزرگ تولید مثل مناسب تر از مناطق پرجمعیت است.

در دو سال، محصول نقشه سبز پویا به یک جزء بسیار مهم از خدمات هشدار اولیه ملخ ارائه شده توسط NLCCs و FAO DLIS (سطوح ملی و جهانی) تبدیل شده است. در واقع، نقشه ها به صورت عملیاتی توسط NLCCها برای اولویت بندی مناطقی در بیابان که نیاز به نظارت دارند، برای برنامه ریزی بررسی های زمینی و هدایت تیم های بررسی و کنترل استفاده می شود. جدول رنگی مربوطه، مناسب ترین مناطق برای ملخ صحرا را نشان می دهد. به این ترتیب می توان مناطق وسیع و وسیع بیابان را که باید از نظر هجوم ملخ های صحرایی بررسی شود کاهش داده و به صرفه جویی قابل توجهی در هزینه، زمان و تلاش منجر می شود. این نقشه ها همچنین برای تأیید پاسخ پوشش گیاهی به بارندگی شناخته شده یا تخمین زده شده در بیابان و برای اطمینان از مناسب بودن شرایط اکولوژیکی برای پرورش ملخ، بقا و مهاجرت استفاده می شود. این محصول اطلاعات مفیدی را برای درک وضعیت فعلی ملخ و نحوه رشد آن ارائه می دهد. این امر به ویژه در مناطقی که به دلیل دور بودن، ناامنی یا صعب العبور بودن توسط تیم های زمینی قابل بررسی نیستند بسیار مهم است. برای تیم های زمینی در این زمینه، نقشه های سبز پویا یک منبع و ابزار ارزشمند برای تعیین مناطق بالقوه پوشش گیاهی سبز در محدوده وسیع بیابان است. همچنین به پیش‌بینی‌کنندگان ملخ در فائو کمک می‌کند تا پیش‌بینی‌های دقیق‌تری از مقیاس و زمان تکثیر و مهاجرت ملخ‌های صحرایی انجام دهند و هشدارهای اولیه را به جامعه بین‌المللی ارائه دهند. نقشه‌های سبز پویا در بولتن‌های ملخ ده‌گانه، دو هفته‌ای و ماهانه که توسط NLCCs تهیه و در وزارتخانه‌ها، آژانس‌های ملی، موسسات تحقیقاتی، سازمان‌های غیردولتی، سفارت‌ها و اهداکنندگان توزیع می‌شود، گنجانده شده است. عموم مردم و سایر اشخاص ذینفع. تجزیه و تحلیل نقشه ها در بولتن ماهانه ملخ صحرای فائو و همچنین هشدارها، به روز رسانی ها و هشدارهای صادر شده توسط DLIS منعکس شده و در دسترس نزدیک به 200 کشور عضو و اهدا کننده قرار گرفته است. چنین جذب سریع و گسترده ای توسط کاربران را می توان به تعاملات متعدد بین کاربران و تولیدکنندگان در طول مرحله توسعه نسبت داد.

6. نتیجه گیری

هدف این مقاله ارزیابی ارتباط محصول نقشه سبزی پویا برای نظارت عملیاتی نزدیک به زمان واقعی زیستگاه ملخ بیابانی است. روش بر اساس یک تبدیل رنگ سنجی و مجموعه ای از آستانه های تعریف شده توسط نمونه گیری آماری است. این مطالعه استحکام محصول را در زیستگاه‌های ملخ بیابانی تأیید کرد، اما اشاره کرد که در مناطقی با پوشش گیاهی کم‌تر قابل اعتماد است، عمدتاً به دلیل محدودیت‌های تکنولوژیکی وضوح فضایی حسگر. اعتبارسنجی مناسب بودن آن را برای نظارت بر پاسخ پوشش گیاهی فصلی در طول فصل بارانی مربوط به زیستگاه تولید مثل تابستان، که مهمترین مورد برای پایش است، تأیید کرد. با این وجود، امکان نقشه برداری دقیق از لکه های پوشش گیاهی ناشی از بارندگی های پراکنده بیشتر را نمی دهد. اهمیت تکه تکه شدن چشم انداز نیز برجسته شده است: هر چه پوشش گیاهی پراکنده تر باشد، تشخیص قوی تر است. این قطعنامه به شدت بر تشخیص لکه های گیاهی منقبض شده تأثیر می گذارد. پیش‌بینی می‌شود با استفاده از نسل بعدی ماهواره‌ها این نقص برطرف شود. ارزیابی دقت نشان داده است که سنسور PROBA-V به طور قابل توجهی دقت محصول را افزایش می دهد. وضوح فضایی بهبود یافته آن تا 20 درصد سوگیری تفکیک پذیری در مناطق تکه تکه شده را کاهش می دهد و امکان تبعیض بهتر پوشش گیاهی را فراهم می کند. مزیت عمده در مناطق خشک مرتبط با مناطق تولید مثل زمستانه خواهد بود. با معرفی نقشه های سبز پویا، برنامه های ملی ملخ در کشورهای آسیب دیده کارآمدتر و مقرون به صرفه تر شده است. هرچه پوشش گیاهی پراکنده تر باشد، تشخیص قوی تر است. این قطعنامه به شدت بر تشخیص لکه های گیاهی منقبض شده تأثیر می گذارد. پیش‌بینی می‌شود با استفاده از نسل بعدی ماهواره‌ها این نقص برطرف شود. ارزیابی دقت نشان داده است که سنسور PROBA-V به طور قابل توجهی دقت محصول را افزایش می دهد. وضوح فضایی بهبود یافته آن تا 20 درصد سوگیری تفکیک پذیری در مناطق تکه تکه شده را کاهش می دهد و امکان تبعیض بهتر پوشش گیاهی را فراهم می کند. مزیت عمده در مناطق خشک مرتبط با مناطق تولید مثل زمستانه خواهد بود. با معرفی نقشه های سبز پویا، برنامه های ملی ملخ در کشورهای آسیب دیده کارآمدتر و مقرون به صرفه تر شده است. هرچه پوشش گیاهی پراکنده تر باشد، تشخیص قوی تر است. این قطعنامه به شدت بر تشخیص لکه های گیاهی منقبض شده تأثیر می گذارد. پیش‌بینی می‌شود با استفاده از نسل بعدی ماهواره‌ها این نقص برطرف شود. ارزیابی دقت نشان داده است که سنسور PROBA-V به طور قابل توجهی دقت محصول را افزایش می دهد. وضوح فضایی بهبود یافته آن تا 20 درصد سوگیری تفکیک پذیری در مناطق تکه تکه شده را کاهش می دهد و امکان تبعیض بهتر پوشش گیاهی را فراهم می کند. مزیت عمده در مناطق خشک مرتبط با مناطق تولید مثل زمستانه خواهد بود. با معرفی نقشه های سبز پویا، برنامه های ملی ملخ در کشورهای آسیب دیده کارآمدتر و مقرون به صرفه تر شده است. پیش‌بینی می‌شود با استفاده از نسل بعدی ماهواره‌ها این نقص برطرف شود. ارزیابی دقت نشان داده است که سنسور PROBA-V به طور قابل توجهی دقت محصول را افزایش می دهد. وضوح فضایی بهبود یافته آن تا 20 درصد سوگیری تفکیک پذیری در مناطق تکه تکه شده را کاهش می دهد و امکان تبعیض بهتر پوشش گیاهی را فراهم می کند. مزیت عمده در مناطق خشک مرتبط با مناطق تولید مثل زمستانه خواهد بود. با معرفی نقشه های سبز پویا، برنامه های ملی ملخ در کشورهای آسیب دیده کارآمدتر و مقرون به صرفه تر شده است. پیش‌بینی می‌شود با استفاده از نسل بعدی ماهواره‌ها این نقص برطرف شود. ارزیابی دقت نشان داده است که سنسور PROBA-V به طور قابل توجهی دقت محصول را افزایش می دهد. وضوح فضایی بهبود یافته آن تا 20 درصد سوگیری تفکیک پذیری در مناطق تکه تکه شده را کاهش می دهد و امکان تبعیض بهتر پوشش گیاهی را فراهم می کند. مزیت عمده در مناطق خشک مرتبط با مناطق تولید مثل زمستانه خواهد بود. با معرفی نقشه های سبز پویا، برنامه های ملی ملخ در کشورهای آسیب دیده کارآمدتر و مقرون به صرفه تر شده است. وضوح فضایی بهبود یافته آن تا 20 درصد سوگیری تفکیک پذیری در مناطق تکه تکه شده را کاهش می دهد و امکان تبعیض بهتر پوشش گیاهی را فراهم می کند. مزیت عمده در مناطق خشک مرتبط با مناطق تولید مثل زمستانه خواهد بود. با معرفی نقشه های سبز پویا، برنامه های ملی ملخ در کشورهای آسیب دیده کارآمدتر و مقرون به صرفه تر شده است. وضوح فضایی بهبود یافته آن تا 20 درصد سوگیری تفکیک پذیری در مناطق تکه تکه شده را کاهش می دهد و امکان تبعیض بهتر پوشش گیاهی را فراهم می کند. مزیت عمده در مناطق خشک مرتبط با مناطق تولید مثل زمستانه خواهد بود. با معرفی نقشه های سبز پویا، برنامه های ملی ملخ در کشورهای آسیب دیده کارآمدتر و مقرون به صرفه تر شده است.

منابع

کولت، ام. دسپلند، ای. سیمپسون، اس جی. Krakauer، DC مقیاس های فضایی سبز شدن ملخ های صحرایی. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 1998 ، 95 ، 13052-13055. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Steedman, A. Locust Handbook ; موسسه، منابع طبیعی توسعه خارج از کشور: لندن، بریتانیا، 1988. [ Google Scholar ]
برادر، ال. جیبو، اچ. فی، FG; Ould Babah، MA; غوط، س. لازار، PM; نگوالا، ام. به سوی پاسخی مؤثرتر به ملخ‌های صحرا و تأثیرات آنها بر امنیت غذایی، معیشت و فقر. ارزیابی چندجانبه مستقل کمپین ملخ صحرا 2003-2005 . سازمان غذا و کشاورزی (FAO): رم، ایتالیا، 2006. [ Google Scholar ]
بلاینه، YT مدیریت آفات آفتی در جهان در حال توسعه: چالشی برای جمعیت روستایی، معضلی برای جامعه بین المللی. J. Orthoptera Res. 2005 ، 14 ، 187-195. [ Google Scholar ] [ CrossRef ]
Uvarov، BP Grasshoppers and Locust ; انتشارات دانشگاه کمبریج: کمبریج، بریتانیا، 1966. [ Google Scholar ]
لکوک، ام. Mestre, J. La Surveillance des Sautériaux du Sahel ; CIRAD/PRIFAS: مونپلیه، فرانسه، 1988; جلد 2، ص. 32. [ Google Scholar ]
رافی، جی. پوپوف، جی. فرآیندهای زیست محیطی و رفتاری در شیوع ملخ بیابانی. طبیعت 1968 ، 219 ، 446-450. [ Google Scholar ] [ CrossRef ]
هی، اس. سنجش از دور و کنترل بیماری: گذشته، حال و آینده. ترانس. R. Soc. تروپ پزشکی هیگ 1997 ، 91 ، 105-106. [ Google Scholar ] [ CrossRef ]
دورانتون، جی اف. Lecoq, M. Le Criquet Pèlerin au Sahel ; Ministère des Affaires Étrangères des Pays-Bas et CIRAD/PRIFAS: Montpellier, France, 1990; جلد 6، ص. 84.
پوپوف، GB Etude Écologique des Biotopes du Criquet pèlerin Schistocerca Gregaria (Forskål، 1775) در Afrique Nord Occidentale. Mise en Évidence et Description des Unités Territoriales Écologiquement Homogènes ; CIRAD-PRIFAS: مونپلیه، فرانسه، 1991; پ. 744. [ Google Scholar ]
الیوت، دیدگاه CCH FAO در مورد آفات مهاجر ؛ بخش تولید و حفاظت گیاهی (AGPP)، سازمان غذا و کشاورزی (FAO): رم، ایتالیا، 1999. [ Google Scholar ]
پوپوف، GB مطالعات اکولوژیکی در مورد تخمگذاری توسط ازدحام ملخ صحرا (Schistocerca Gregaria Forskal) در شرق آفریقا . مرکز تحقیقات ضد ملخ: لندن، انگلستان، 1958. [ Google Scholar ]
Uvarov، BP عامل خشکی در بوم‌شناسی ملخ‌های صحرایی و ملخ‌های دنیای قدیم. در پژوهش زون خشک ; یونسکو: پاریس، فرانسه، 1957; جلد 8، ص 164–198. [ Google Scholar ]
Noy-Meir، A. اکوسیستم های بیابانی: محیط زیست و تولیدکنندگان. آنو. کشیش اکول. سیستم 1973 ، 4 ، 25-51. [ Google Scholar ] [ CrossRef ]
Bennet, L. توسعه و خاتمه طاعون 1968 ملخ صحرا Scistocerca gregaria (Forksal) (Orthoptera, Acrididae). گاو نر انتومول. Res. 1976 ، 66 ، 511-552. [ Google Scholar ] [ CrossRef ]
Cressman، K. Dynamic Greenness Maps، گزارش مختصری در مورد استفاده برای Desert Losut هشدار اولیه . سازمان غذا و کشاورزی (FAO): رم، ایتالیا، 2012. [ Google Scholar ]
Kibasa, R. استفاده از تصویر SPOT 5 برای شناسایی حضور ملخ . مؤسسه بین‌المللی علوم زمین اطلاعات و رصد زمین: Enschede، هلند، 2006. [ Google Scholar ]
Hielkema, J. نظارت بر محیط زیست ماهواره ای برای پیش بینی آفات مهاجر توسط فائو: سیستم ARTEMIS. فیلوس ترانس. R. Soc. B Biol. علمی 1990 ، 328 ، 705-717. [ Google Scholar ] [ CrossRef ]
Pedgley، DE آزمایش امکان سنجی تشخیص مکان های پرورش ملخ توسط ماهواره. گزارش نهایی به ناسا در مورد ERTS-1، آزمایش . COPR: لندن، بریتانیا، 1973. [ Google Scholar ]
Hielkema, J. کاربرد داده های Landsat در بررسی و کنترل ملخ صحرا . سازمان غذا و کشاورزی (FAO): رم، ایتالیا، 1977. [ Google Scholar ]
Sinha، PP; چاندرا، اس. تحلیل بصری تصاویر ماهواره ای زمین با اشاره به رشد و پوسیدگی پوشش گیاهی در راجستان غربی. گیاه پروت. گاو نر 1987 ، 39 ، 29-31. [ Google Scholar ]
Hielkema، JU; رافی، جی. تاکر، سی جی ارزیابی شرایط اکولوژیکی مرتبط با طغیان طاعون ملخ صحرای 1980/81 در غرب آفریقا با استفاده از داده های ماهواره ای محیطی. بین المللی J. Remote Sens. 1986 ، 7 ، 1609-1622. [ Google Scholar ] [ CrossRef ]
Tappan، GG; مور، دی جی؛ Knausenberger، WI نظارت بر زیستگاه ملخ یک ملخ در آفریقای ساحلی با استفاده از GIS و فناوری سنجش از دور. بین المللی جی. جئوگر. Inf. سیستم 1991 ، 5 ، 123-135. [ Google Scholar ] [ CrossRef ]
دسپلند، ای. روزنبرگ، جی. سیمپسون، SJ ساختار چشم انداز و ازدحام ملخ: نمای چشمی ماهواره ای. اکوگرافی 2004 ، 3 ، 381-391. [ Google Scholar ] [ CrossRef ]
چرلت، م. ماتوکس، پ. بارتولوم، ای. مشارکت Defourny، P. SPOT-VEGETATION در پایش زیستگاه ملخ صحرا. در مجموعه مقالات کنفرانس VEGETATION 2000، دریاچه Maggiore، ایتالیا، 3-6 آوریل 2000. ص 247-257.
Ceccato, P. سیستم هشدار اولیه عملیاتی با استفاده از SPOT-VGT و TERRA-MODIS برای پیش بینی شیوع ملخ بیابانی. در مجموعه مقالات دومین کنفرانس بین المللی کاربران VEGETATION، آنتورپ، بلژیک، 24-26 مارس 2005. ص 24-26.
Huete، AR نفوذ خاک در طیف تاج پوشش گیاهی سنجش از دور. در مقدمه ای بر فیزیک و تکنیک های سنجش از دور ; اسرار، گ.، ویرایش; Wiley-Interscience: نیویورک، نیویورک، ایالات متحده آمریکا، 1987; صص 107-141. [ Google Scholar ]
Gutman، GG درباره استفاده از داده‌های جهانی بلندمدت بازتاب زمین و شاخص‌های پوشش گیاهی به دست آمده از رادیومتر پیشرفته با وضوح بسیار بالا. جی. ژئوفیس. Res. 1999 ، 104 ، 6141-6255. [ Google Scholar ]
هولبن، بی. ویژگی های تصاویر ترکیبی با حداکثر ارزش از داده های AVHRR زمانی. بین المللی J. Remote Sens. 1986 ، 7 ، 1417-1434. [ Google Scholar ] [ CrossRef ]
پکل، جی اف. سکاتو، پ. وانکاتسم، سی. کرسمن، ک. وانبوگارت، ای. Defourny، P. توسعه و استفاده از تبدیل رنگ سنجی چند زمانی برای نظارت بر پوشش گیاهی در زیستگاه ملخ بیابانی. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2010 , 4 , 318-326. [ Google Scholar ] [ CrossRef ]
سکاتو، پ. گوبرون، ن. فلاس، اس. پینتی، بی. تارانتولا، اس. طراحی یک شاخص طیفی برای تخمین محتوای آب گیاهی از داده‌های سنجش از دور (بخش 1: رویکرد نظری). سنسور از راه دور محیط. 2002 ، 82 ، 188-197. [ Google Scholar ] [ CrossRef ]
پکل، جی اف. کرسمن، ک. سکاتو، پ. وانکاتسم، سی. ون بوگارت، ای. Defourny، P. توسعه و کاربرد تبدیل رنگ سنجی چند زمانی برای نظارت بر پوشش گیاهی در زیستگاه ملخ بیابانی. در مجموعه مقالات MultiTemp 2009 – پنجمین کارگاه بین المللی در مورد تجزیه و تحلیل تصاویر سنجش از راه دور چند زمانی، Mistic، CT، ایالات متحده آمریکا، 28-30 ژوئیه 2009.
وانکاتسم، سی. پکل، جی اف. بوگارت، پ. Defourny، P. Mean Compositing، یک استراتژی جایگزین برای تولید سنتزهای زمانی. مفاهیم و ارزیابی عملکرد برای سری های زمانی SPOT VEGETATION. بین المللی J. Remote Sens. 2007 ، 28 ، 5123-5141. [ Google Scholar ] [ CrossRef ]
رنیر، سی. والدنر، اف. ژاک، دی سی; بابا ابه، MA; کرسمن، ک. Defourny، P. یک شاخص پیری گیاهی پویا برای پایش زیستگاه ملخ بیابانی در زمان واقعی با MODIS. Remote Sens. 2015 ، 7 ، 7545–7570. [ Google Scholar ] [ CrossRef ]
Ozer, P. Les lithomÉtÉores en rÉgion sahÉlienne: Un Indicateur Climatique de la dÉsertification. Ph.D. پایان نامه، دانشگاه لیژ، لیژ، بلژیک، 2000. [ Google Scholar ]
Thys، E. پینزون، جی. براون، من؛ Slayback، DA ترکیب سن و جنسی نشخوارکنندگان کوچک در بازارهای نواکشوت، موریتانی. شکمبه کوچک. Res. 1996 ، 20 ، 1133-1135. [ Google Scholar ] [ CrossRef ]
Thiam، A. علل الگوی فضایی خطر تخریب زمین در جنوب موریتانی با استفاده از تصاویر چندزمانی AVHRR-NDVI و داده‌های میدانی. تخریب زمین توسعه دهنده 2003 ، 14 ، 133-142. [ Google Scholar ] [ CrossRef ]
نیانگ، ای جی؛ اوزر، ا. اوزر، پی. پنجاه سال تکامل چشم انداز در جنوب غربی موریتانی با استفاده از عکس های هوایی. J. محیط خشک. 2008 ، 72 ، 97-107. [ Google Scholar ] [ CrossRef ]
اولد احمدو، کالیفرنیا؛ یاسودا، ح. وانگ، ک. هاتوری، ک. ویژگی های بارش در شمال موریتانی و پیوندهای آن با دمای سطح دریا. J. محیط خشک. 2008 ، 72 ، 2243-2250. [ Google Scholar ] [ CrossRef ]
بوشتی، ال. فلاس، اس. Brivio, P. تجزیه و تحلیل تضاد بین حذف و کمیسیون در محصولات موضوعی دوگانه با وضوح فضایی کم: مرز پارتو. سنسور از راه دور محیط. 2004 ، 91 ، 280-292. [ Google Scholar ] [ CrossRef ]
بائر، HL تجزیه و تحلیل آماری چاپارال و سایر جوامع گیاهی با استفاده از نمونه های ترانسکت. اکولوژی 1943 ، 24 ، 45-60. [ Google Scholar ] [ CrossRef ]
McIntyre, G. برآورد تراکم گیاه با استفاده از ترانسکت خط. جی. اکول. 1953 ، 41 ، 319-330. [ Google Scholar ] [ CrossRef ]
Buckner، DL Point-Intercept Sampling در مطالعات پوشش گیاهی: به حداکثر رساندن عینیت و تکرارپذیری . انجمن آمریکایی برای استخراج و احیای سطحی: دنور، CO، ایالات متحده آمریکا، 1985. [ Google Scholar ]
Babah Ebbe, M. Biogéographie du Criquet pèlerin, Schistocerca gregaria Forskål, 1775: Identification, CaractÉrisation et Originalité d’un Foyer Grégarigène en Centrale, Moritanie. Ph.D. پایان نامه، École Pratique des Hautes Études de Paris، EPHE، پاریس، فرانسه، 2008. [ Google Scholar ]
Congalton، RG مروری بر ارزیابی دقت طبقه‌بندی داده‌های سنجش از دور. سنسور از راه دور محیط. 1991 ، 37 ، 35-46. [ Google Scholar ] [ CrossRef ]
Stehman، SV انتخاب و تفسیر معیارهای دقت طبقه بندی موضوعی. سنسور از راه دور محیط. 1997 ، 89 ، 77-89. [ Google Scholar ] [ CrossRef ]
کوهن، جی. ضریب توافق برای مقیاس های اسمی. آموزش. روانی Meas. 1960 ، 20 ، 37-46. [ Google Scholar ] [ CrossRef ]
لوئیس، دی. گیل، WA الگوریتم ترتیبی برای آموزش طبقه‌بندی‌کننده‌های متن. انجمن ACM SIGIR 1994 ، 29 ، 10. [ Google Scholar ]
Labatut، V. Cherifi, H. اندازه گیری دقت برای مقایسه طبقه بندی کننده ها. در مجموعه مقالات پنجمین کنفرانس بین المللی فناوری اطلاعات، لاس وگاس، NV، ایالات متحده آمریکا، 7-9 آوریل 2008.
Congalton، RG; مید، RA یک روش کمی برای آزمایش سازگاری و صحت در تفسیر عکس. فتوگرام مهندس Remote Sens. 1983 ، 49 ، 69-74. [ Google Scholar ]
روزنفیلد، جی اچ. Fitzpatrick-Lins, K. ضریب توافق به عنوان معیاری برای دقت طبقه بندی موضوعی. فتوگرام مهندس Remote Sens. 1986 , 52 , 223-227. [ Google Scholar ]
ویتن، آی اچ. Frank, E. Data Mining: Practical Machine Learning Tools and Techniques , 2nd ed.; مورگان کافمن: برلینگتون، MA، ایالات متحده آمریکا، 2005. [ Google Scholar ]
تسوایگ، MH; Campbell, G. Receiver-Operating Clinical Medicine (ROC) Plots: A Fundamental Evaluation Tool in. Clin. شیمی. 1993 ، 39 ، 561-577. [ Google Scholar ] [ PubMed ]
Fawcett, T. مقدمه ای بر منحنی های اپراتور گیرنده. تشخیص الگو Lett. 2006 ، 27 ، 861-874. [ Google Scholar ] [ CrossRef ]
Youden، WJ Index برای رتبه بندی تست های تشخیصی. سرطان 1950 ، 3 ، 32-35. [ Google Scholar ] [ CrossRef ]
اوا، اچ. لامبین، E. سنجش از راه دور سوزاندن زیست توده در مناطق گرمسیری: مسائل نمونه برداری و رویکرد چند حسگر. سنسور از راه دور محیط. 1998 ، 64 ، 292-315. [ Google Scholar ] [ CrossRef ]
مایو، پی. Lambin، E. برآورد مساحت جنگل های استوایی از داده های تفکیک فضایی درشت: یک تابع تصحیح دو مرحله ای برای خطاهای متناسب ناشی از تجمع فضایی. سنسور از راه دور محیط. 1995 ، 53 ، 1-15. [ Google Scholar ] [ CrossRef ]
مالینس، جی. Koutsias, N. مقایسه ده روش طبقه بندی برای نقشه برداری منطقه سوخته در یک محیط مدیترانه با استفاده از داده های ماهواره ای Landsat TM. بین المللی J. Remote Sens. 2012 ، 33 ، 4408-4433. [ Google Scholar ] [ CrossRef ]
پپه، م. بوشتی، ال. Brivio، PA; Rampini، A. مقایسه عملکرد طبقه‌بندی‌کننده‌های فازی و واضح بر روی تصاویر سنجش از دور: موردی از طبقه‌بندی برف. بین المللی J. Remote Sens. 2010 , 31 , 6189-6203. [ Google Scholar ]
وینترو، ای. دسبروس، آ. Bégué، A.; ترائوره، اس. بارون، سی. نقشه برداری منطقه زراعی در غرب آفریقا با استفاده از طبقه بندی چشم انداز سری های زمانی MODIS و مقایسه با محصولات زمین جهانی موجود. بین المللی J. Appl. زمین Obs. Geoinf. 2012 ، 14 ، 83-93. [ Google Scholar ] [ CrossRef ]
شمشیر، جی. لکوک، ام. سیمپسون، پلیفنیسم فاز SJ و مدیریت پیشگیرانه ملخ. J. حشره Physiol. 2010 ، 56 ، 949-957. [ Google Scholar ] [ CrossRef ] [ PubMed ]
مک گریگال، ک. تگیل، اس. Cushman, SA متریک‌های سطح: جایگزینی برای معیارهای پچ برای تعیین کمیت ساختار منظر. Landsc. Ecol. 2009 ، 24 ، 433-450. [ Google Scholar ]
Monod, T. Modes “Contracté” et “Diffus” de la vegÉtation Saharienne ; چاپ نابو: چارلستون، WV، ایالات متحده آمریکا، 1954; جلد 3. [ Google Scholar ]
Ould Babah, MA BiogÉographie du Criquet pÈlerin en Moritanie. Fonctionnement D’une Aire GrégarigÈne et EnsÉquences Sur L’organisation de la Surveillance et de la Lutte Anti-Acridienne ; سازمان غذا و کشاورزی (فائو): رم، ایتالیا، 2003; پ. 122. [ Google Scholar ]
تیلمن، دی. Kareiva، P. اکولوژی فضایی: نقش فضا در دینامیک جمعیت و تعاملات بین گونه ای. مونوگرافی در زیست شناسی جمعیت ; انتشارات دانشگاه پرینستون: پرینستون، نیوجرسی، ایالات متحده آمریکا، 1997; جلد 30، ص. 368. [ Google Scholar ]
هوپر، DU; Vitousek، PM Ecosystem اثرات ترکیب و تنوع گیاهان را بر فرآیندهای اکوسیستم پردازش می کند. علوم 1997 ، 277 ، 1302-1305. [ Google Scholar ] [ CrossRef ]
Culmsee, H. عملکردهای زیستگاهی پوشش گیاهی در رابطه با رفتار ملخ بیابانی Schistocerca gregaria (Forskal) (Acrididae: Orthoptera) – مطالعه ای در موریتانی (غرب آفریقا). Phytocoenologia 2002 ، 32 ، 645-664. [ Google Scholar ] [ CrossRef ]
دسپلند، ای. سیمپسون، SJ الگوهای پوشش گیاهی در مقیاس کوچک در محیط والدین بر وضعیت فاز جوجه کشی ملخ صحرا تأثیر می گذارد. فیزیول. انتومول. 2000 ، 25 ، 74-81. [ Google Scholar ] [ CrossRef ]
Ould Babah، MA; شمشیر، GA پیوند زدن ملخ به الگوهای توزیع منابع محلی. محیط زیست انتومول. 2004 ، 33 ، 1577-1583. [ Google Scholar ] [ CrossRef ]
دسپلند، ای. کولت، ام. سیمپسون، SJ فرآیندهای مقیاس کوچک در تشکیل ازدحام ملخ بیابانی: چگونه الگوهای پوشش گیاهی بر پرورش gregarization تأثیر می گذارد. Oikos 2000 , 88 , 652-662. [ Google Scholar ]
شاخص Despland، E. Fractal نقش جمع شدن پوشش گیاهی را در ازدحام ملخ نشان می دهد. کارکرد. Ecol. 2003 ، 17 ، 315-322. [ Google Scholar ] [ CrossRef ]
پوپوف، جی. اطلس زیستگاه پرورش ملخ صحرایی ; سازمان غذا و کشاورزی سازمان ملل متحد: رم، ایتالیا، 1997. [ Google Scholar ]
Pedgley, DE Desert Locust Forecasting Manual ; مرکز تحقیقات آفات خارج از کشور: لندن، انگلستان، 1981; جلد 2. [ Google Scholar ]
کندی، JS رفتار ملخ صحرا (Schistocerca gregaria (Forsk.)) (Orthopt.) در یک مرکز شیوع. ترانس. R. Entomol. Soc. لندن. 1939 ، 89 ، 385-542. [ Google Scholar ] [ CrossRef ]
بوآیچی، آ. سیمپسون، اس جی. Roessingh, P. تاثیر ریزساختار محیطی بر وضعیت فاز رفتاری و توزیع ملخ بیابانی Schistocerca gregaria. فیزیول. انتومول. 1996 ، 21 ، 247-256. [ Google Scholar ] [ CrossRef ]
دسپلند، ای. Simpson, SJ نقش توزیع غذا و کیفیت تغذیه در تغییر فاز رفتاری در ملخ صحرا. انیمیشن. رفتار 2000 ، 59 ، 643-652. [ Google Scholar ] [ CrossRef ] [ PubMed ]

© 2015 توسط نویسندگان; دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (http://creativecommons.org/licenses/by/4.0/) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب