تعداد نشریات | 44 |
تعداد شمارهها | 1,306 |
تعداد مقالات | 15,987 |
تعداد مشاهده مقاله | 52,407,098 |
تعداد دریافت فایل اصل مقاله | 15,167,259 |
پایش سریع تغییرات پوشش مانگرو با استفاده از الگوریتم ماشین بردار پشتیبان در پلتفرم محاسباتی گوگل ارث انجین (مطالعه موردی: جنگلهای حرا قشم) | ||
نشریه کاربرد سنجش از دور و سیستم اطلاعات جغرافیایی در علوم محیطی | ||
مقاله 2، دوره 2، شماره 2، خرداد 1401، صفحه 36-23 اصل مقاله (1.44 M) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
مصطفی مهدویفرد1؛ شاهین جعفری2؛ خلیل ولیزاده کامران* 3؛ صدرا کریم زاده4 | ||
1دانشآموخته کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده برنامهریزی و علوم محیطی، دانشگاه تبریز | ||
2دانشجوی کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده جغرافیا؛ دانشگاه تهران | ||
3گروه سنجش از دورو GIS دانشگاه تبریز | ||
4گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز | ||
چکیده | ||
جنگلهای مانگرو از مهمترین جنگلهای مناطق حارهای و نیمه حارهای هستند که در امتداد سواحل جزر و مدی یافت میشوند. این جنگلها یکی از آسیب پذیرترین اکوسیستمهای دریایی بهشمار میآیند که طی چندین سال تحت تأثیر فعالیتهای انسانی دستخوش تغییرات میشوند. بنابراین پایش سریع و به موقع آنها بایست در اهداف برنامهریزان زیست محیطی قرار گیرد. امروزه سنجش از دور بهعنوان ابزاری قدرتمند و بهروز جهت پایش سریع جنگلها شناخته شده است. هدف از این مطالعه بررسی تغییرات 30 ساله جنگلهای مانگرو دماغه شمالی جزیره قشم طی سالهای 1986، 2000 و 2020 است. براساس اهداف پژوهشی نقشه پوششی مانگرو با اعمال الگوریتم ماشین بردار پشتیبان بروی تصاویر لندست 5 و 8 در محیط آنی گوگل ارث انجین استخراج گردید. نتایج یررسی تغییرات 30 ساله حاکی از آن بود که جنگلهای مانگرو طی ادوار پژوهشی (1986 تا 2020) روندی افزایشی داشته است بدین صورتکه مساحت جنگلهای مانگرو در سال 1986 از 78/5130 هکتار به 87/5471 هکتار در سال 2000 رسیده است که در حقیقت به میزان 23/6% مساحت جنگلها افزایش داشته است. اما مساحت این جنگلها در سال 2020 به 13/5967 هکتار رسیده است که این میزان نسبت به مساحت یاد شده در سال 1986 به 02/14% افزایش یافته است. بطور کلی نتایج این پژوهش نشان میدهد که افزایش جنگلهای مانگرو طی ادوار مطالعاتی نتیجهی جنگلکاری مصنوعی توسط بومیان منطقه به منظور حفظ این اکوسیستم دریایی در منطقه بوده است که به تبع آن باعث رونق صنعت گردشگری در استان هرمزگان و حتی منطقه قشم شده است. آنچه که در پژوهش کنونی باعث تسریع فرایند پردازشی گردید، استفاده از الگوریتم ماشین بردار پشتیبان و سامانه آنلاین گوگل ارث انجین است. | ||
کلیدواژهها | ||
جنگل مانگرو؛ آشکارسازی تغییرات؛ گوگل ارث انجین؛ الگوریتم SVM؛ لندست؛ جزیره قشم | ||
سایر فایل های مرتبط با مقاله
|
||
مراجع | ||
Adi, W., & Sari, S. P. (2016). Detection of mangrove distribution in Pongok Island. Procedia Environmental Sciences, 33, 253-257.
Alatorre, L. C., Sánchez-Andrés, R., Cirujano, S., Beguería, S., & Sánchez-Carrillo, S. (2011). Identification of mangrove areas by remote sensing: The ROC curve technique applied to the northwestern Mexico coastal zone using Landsat imagery. Remote Sensing, 3(8), 1568-1583.
Bihamta, N., Soffianian, A. R., Fakheran, S., & Pourmanafi, S. (2019). Incorporating CART algorithm and i for mapping Mangrove using Landsat 8 imagery. Journal of Forest Research and Development, 5(4), 557-569.
Bihamta Toosi, N., Soffianian, A. R., Fakheran, S., Pourmanafi, S., Ginzler, C., & T Waser, L. (2020). Land Cover Classification in Mangrove Ecosystems Based on VHR Satellite Data and Machine Learning—An Upscaling Approach. Remote Sensing, 12(17), 2684.
Brown, M.I., Pearce, T., Leon, J., Sidle, R., & Wilson, R. (2018). Using remote sensing and traditional ecological knowledge (TEK) to understand mangrove change on the Maroochy River, Queensland, Australia. Applied Geography, 94, 71-83.
Chen, B., Xiao, X., Li, X., Pan, L., Doughty, R., Ma, J., . . . Wu, Z. (2017). A mangrove forest map of China in 2015: Analysis of time series Landsat 7/8 and Sentinel-1A imagery in Google Earth Engine cloud computing platform. ISPRS Journal of Photogrammetry and Remote Sensing, 131, 104-120.
Chen, P., Liew, S. C., Lim, R., & Kwoh, L. K. (2011). Mapping coastal ecosystems of an offshore landfill island using WorldView-2 high resolution satellite imagery. Paper presented at the Proceedings of the 34th International Symposium on Remote Sensing of Environment, Sydney, Australia.
Dan, T., Chen, C., Chiang, S., & Ogawa, S. (2016). MAPPING AND CHANGE ANALYSIS IN MANGROVE FOREST BY USING LANDSAT IMAGERY. ISPRS Annals of Photogrammetry, Remote Sensing & Spatial Information Sciences, 3(8).
Jafarnia, S., Oladi, J., Hoojati, S., & Mir Akhor Loo, K. (2016). Status and change detection of Mangrove forest in Qeshm Island using satellite imagery from 1988 to 2008. Journal of Environmental Science and Technology, 18(1), 177-191. (In Persian)
Jensen, J. R. (1986). Introductory digital image processing: a remote sensing perspective. Retrieved from
Jhonnerie, R., Siregar, V. P., Nababan, B., Prasetyo, L. B., & Wouthuyzen, S. (2015). Random forest classification for mangrove land cover mapping using Landsat 5 TM and ALOS PALSAR imageries. Procedia Environmental Sciences, 24, 215-221.
Jia, M., Zhang, Y., Wang, Z., Song, K., & Ren, C. (2014). Mapping the distribution of mangrove species in the Core Zone of Mai Po Marshes Nature Reserve, Hong Kong, using hyperspectral data and high-resolution data. International Journal of Applied Earth Observation and Geoinformation, 33, 226-231.
Jones, T.G., Glass, L., Gandhi, S., Ravaoarinorotsihoarana, L., Carro, A., Benson, L., . . . Cripps, G. (2016). Madagascar’s mangroves: Quantifying nation-wide and ecosystem specific dynamics, and detailed contemporary mapping of distinct ecosystems. Remote Sensing, 8(2), 106.
Hoa, N. H. (2016). Using Landsat imagery and vegetation indices differencing to detect mangrove change: A case in Thai Thuy district, Thai Binh province. J. For. Sci. Technol, 5, 59-66.
Gilman, E. L., Ellison, J., Duke, N. C., & Field, C. (2008). Threats to mangroves from climate change and adaptation options: a review. Aquatic botany, 89(2), 237-250.
Giri, C., Long, J., Abbas, S., Murali, R. M., Qamer, F. M., Pengra, B., & Thau, D. (2015). Distribution and dynamics of mangrove forests of South Asia. Journal of environmental management, 148, 101-111.
Giri, C., Pengra, B., Zhu, Z., Singh, A., & Tieszen, L. L. (2007). Monitoring mangrove forest dynamics of the Sundarbans in Bangladesh and India using multi-temporal satellite data from 1973 to 2000. Estuarine, coastal and shelf science, 73(1-2), 91-100.
Kanniah, K. D., Sheikhi, A., Cracknell, A. P., Goh, H. C., Tan, K. P., Ho, C. S., & Rasli, F. N. (2015). Satellite images for monitoring mangrove cover changes in a fast growing economic region in southern Peninsular Malaysia. Remote Sensing, 7(11), 14360-14385.
Khoorani, A., Biniaz, M., & Amiri, H. R. (2015). Investigating the changes of mangrove forests between Khamir port and Gheshmiseland and its correlation with climatic elements. Journal of Aquatic Ecology, 5(2), 100-111. (In Persian)
Kuenzer, C., Bluemel, A., Gebhardt, S., Quoc, T. V., & Dech, S. (2011). Remote sensing of mangrove ecosystems: A review. Remote Sensing, 3(5), 878-928.
Mafi Gholami, D., Baharlouii, M., & Mahmoudi, B. (2018). Erosion and accretion monitoring in mangrove forests using remote sensing and Digital Shoreline Analysis System (DSAS)(Case study: Hara Biosphere reserve). Journal of Environmental Studies, 43(4), 633-646. doi:10.22059/jes.2018.225288.1007381 (In Persian)
Mahendra, W., Jamaluddin , I., & Kamal , M. (2019). Mangroves Change Detection using Support Vector Machine Algorithm on Google Earth Engine (A Case Study in Part of Gulf of Bone, South Sulawesi, Indonesia). The 40th Asian Conference on Remote Sensing, 1-8.
Mather, P. M., & Koch, M. (2011). Computer processing of remotely-sensed images: an introduction: John Wiley & Sons.
Toosi, N. B., Soffianian, A. R., Fakheran, S., Pourmanafi, S., Ginzler, C., & Waser, L. T. (2019). Comparing different classification algorithms for monitoring mangrove cover changes in southern Iran. Global Ecology and Conservation, 19, e00662.
Mehrabian, A., Naqinezhad, A., Mahiny, A. S., Mostafavi, H., Liaghati, H., & Kouchekzadeh, M. (2009). Vegetation mapping of the Mond protected area of Bushehr province (south‐west Iran). Journal of integrative plant biology, 51(3), 251-260.
Midekisa, A., Holl, F., Savory, D. J., Andrade-Pacheco, R., Gething, P. W., Bennett, A., & Sturrock, H. J. (2017). Mapping land cover change over continental Africa using Landsat and Google Earth Engine cloud computing. PloS one, 12(9), e0184926.
Olagoke, A., Proisy, C., Féret, J.-B., Blanchard, E., Fromard, F., Mehlig, U., . . . Berger, U. (2016). Extended biomass allometric equations for large mangrove trees from terrestrial LiDAR data. Trees, 30(3), 935-947.
Pham, L. T., & Brabyn, L. (2017). Monitoring mangrove biomass change in Vietnam using SPOT images and an object-based approach combined with machine learning algorithms. ISPRS Journal of Photogrammetry and Remote Sensing, 128, 86-97.
Pimple, U., Simonetti, D., Sitthi, A., Pungkul, S., Leadprathom, K., Skupek, H., . . . Towprayoon, S. (2018). Google earth engine based three decadal landsat imagery analysis for mapping of mangrove forests and its surroundings in the trat province of Thailand.
Shi, T., Liu, J., Hu, Z., Liu, H., Wang, J., & Wu, G. (2016). New spectral metrics for mangrove forest identification. Remote Sensing Letters, 7(9), 885-894.
Son, N.-T., Chen, C.-F., Chang, N.-B., Chen, C.-R., Chang, L.-Y., & Thanh, B.-X. (2014). Mangrove mapping and change detection in Ca Mau Peninsula, Vietnam, using Landsat data and object-based image analysis. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(2), 503-510.
Toosi, N. B., Soffianian, A. R., Fakheran, S., Pourmanafi, S., Ginzler, C., & Waser, L. T. (2019). Comparing different classification algorithms for monitoring mangrove cover changes in southern Iran. Global Ecology and Conservation, 19, e00662.
Viana, C. M., Oliveira, S., Oliveira, S. C., & Rocha, J. (2019). Land use/land cover change detection and urban sprawl analysis Spatial modeling in GIS and R for earth and environmental sciences (pp. 621-651): Elsevier.
Wang, L., Silván-Cárdenas, J. L., & Sousa, W. P. (2008). Neural network classification of mangrove species from multi-seasonal Ikonos imagery. Photogrammetric Engineering & Remote Sensing, 74(7), 921-927.
Wang, T., Zhang, H., Lin, H., & Fang, C. (2016). Textural–spectral feature-based species classification of mangroves in Mai Po Nature Reserve from Worldview-3 imagery. Remote Sensing, 8(1), 24.
Zhang, C., Kovacs, J. M., Liu, Y., Flores-Verdugo, F., & Flores-de-Santiago, F. (2014). Separating mangrove species and conditions using laboratory hyperspectral data: A case study of a degraded mangrove forest of the Mexican Pacific. Remote Sensing, 6(12), 11673-11688.
Zhang, H., Wang, T., Liu, M., Jia, M., Lin, H., Chu, L., & Devlin, A. T. (2018). Potential of combining optical and dual polarimetric SAR data for improving mangrove species discrimination using rotation forest. Remote Sensing, 10(3), 467. | ||
آمار تعداد مشاهده مقاله: 401 تعداد دریافت فایل اصل مقاله: 317 |