- همه نشریات
- نشریات علمی سازمان تحقیقات، آموزش و ترویچ کشاورزی
- مجلات ترویجی سازمان تحقیقات، آموزش و ترویج کشاورزی
- سایر نشریات سازمان تحقیقات، آموزش و ترویج کشاورزی
- نشریات علمی انجمن ها
- علوم آب و خاک
- علوم اقتصاد و ترویج کشاورزی
- علوم جنگل, مرتع و آبخیزداری
- علوم دامی و شیلات
- علوم زراعی و باغی
- علوم گیاهپزشکی
- علوم مهندسی و مکانیزاسیون کشاورزی
- نشریات با زبان انگلیسی
- نشریات با زبان فارسی
- نشریات دانشگاه آزاد اسلامی
- نشریات علمی
پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 283 |
| تعداد نشریات سازمان | 81 |
| تعداد شماره‌ها | 2,729 |
| تعداد مقالات | 31,077 |
| تعداد مشاهده مقاله | 28,895,606 |
| تعداد دریافت فایل اصل مقاله | 16,323,446 |
بررسی توانایی مدل‌های سنجش از دور آماری در تهیه نقشه درصد پوشش گیاهی مناطق بیابانی | ||
| پژوهش های آبخیزداری | ||
| مقاله 14، دوره 27، شماره 3 - شماره پیاپی 104، مهر 1393، صفحه 142-163 اصل مقاله (1.47 M) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/wmej.2014.106901 | ||
| نویسندگان | ||
| بهزاد رایگانی* 1؛ سوسن براتی قهفرخی2؛ مهدی ساعتی3 | ||
| 1استادیار بیابان زدایی دانشگاه محیط زیست | ||
| 2دانشجوی دکتری علوم مرتع دانشگاه صنعتی اصفهان | ||
| 3مدیر گروه نقشه برداری دانشگاه آزاد اسالمی واحد اردستان و دانشجوی دکتری نقشه برداری- سنجش از دور دانشگاه تهران | ||
| چکیده | ||
| اندازه‌گیری و پایش درصد پوشش گیاهی در بسیاری از مطالعات زیست‌محیطی از اهمیت خاصی برخوردار است. با آنکه تکنیک‌های سنجش از دوری در اندازه‌گیری این پارامتر موفق نشان داده‌اند، ولی هنوز هم سنجش از راه دور این پارامتر در نواحی بیابانی با مشکلات خاصی روبرو می‌باشد. در این تحقیق سعی شده است، با اندازه‌گیری‌های میدانی درصد پوشش گیاهی در یک ناحیه بیابانی، رابطه بازتاب در باندهای مختلف سنجنده LISSIII, TM و درصد پوشش گیاهی مورد بررسی قرار گیرد. مطابق با یافته‌های این تحقیق در صورت خطی در نظر گرفتن این رابطه، درصد پوشش گیاهی تنها با باند مادون قرمز نزدیک آنهم در سطح 5 درصد دو طرفه رابطه معنی‌داری نشان می‌دهد. در حالیکه در صورت غیرخطی فرض کردن این رابطه، تمامی باندها با درصد پوشش گیاهی رابطه معنی‌داری در سطح 1 درصد نشان خواهد داد. همچنین با توجه به نتایج حاصله مشخص گردید در صورت استفاده از یک معادله رگرسیونی چند متغیره خطی، می‌توان این رابطه را در تمامی سطوح معنی‌دار نمود و تا اندازه‌ی زیادی دقت مدل پیش‌بینی را بهبود بخشید. حتی مشاهده گردید با تغییر در نوع مدل رگرسیونی مورد استفاده و تبدیل آن به یک مدل رگرسیونی چند متغیره غیر خطی، می‌توان ضریب تعیین و ضریب همبستگی میان برآوردهای حاصله و اندازه‌گیری‌های میدانی درصد پوشش گیاهی را به طور محسوسی افزایش داد، به گونه‌ای که در این تحقیق در بهترین حالت ضریب همبستگی 917/0 و ضریب تعیین 841/0 میان برآوردهای پوشش گیاهی و مقادیر اندازه‌گیری شده آن بدست آمد. بر اساس نتایج حاصله در این تحقیق برای افزایش دقت مدلسازی و غیر خطی نمودن رابطه درصد پوشش گیاهی و بازتاب در باندهای ماهواره‌ای بهترین روش استفاده از شبکه عصبی مصنوعی می‌باشد. در این تحقیق با ورود داده‌ها در ساختار شبکه عصبی در دقت مدلسازی بهبود قابل ملاحظه‌ای ایجاد شد به گونه‌ای که ضریب تعیین در بهترین حالت حتی از 9/0 هم عبور کرد. همچنین بر اساس یکصد تکرار مدلسازی شبکه عصبی در این پژوهش می‌توانیم اشاره نماییم مدل شبکه عصبی با تابع شعاعی محور توان بهتری از شبکه عصبی با حسگر چند لایه‌ای در تعیین درصد پوشش گیاهی مناطق خشک به کمک تصاویر ماهواره‌ای دارد. | ||
| کلیدواژه‌ها | ||
| درصد پوشش گیاهی؛ سنجش از دور؛ رگرسیون چند متغیره؛ LISSIII؛ TM؛ شبکه عصبی مصنوعی | ||
| عنوان مقاله [English] | ||
| Assaying of ability of statistical models for remote sensed vegetation cover maping of desert areas | ||
| نویسندگان [English] | ||
| Behzad Rayegani1؛ Susan Barati Qahfarkhi2؛ Mehdi Saati3 | ||
| 1Assistant professor of desertification at University of Environment | ||
| 2Ph. D.,, student of Range Sciences, Isfahan University of Technology | ||
| 3Head of Department, Mapping, Islamic Azad University, Ardestan Branch, and Mapping-Remote Sensing Ph.D. student, University of Tehran | ||
| چکیده [English] | ||
| Measurement and monitoring of vegetation cover fraction is very important in many environmental studies. Although remote sensing techniques have shown successful to estimate the parameter, but still remote sensed measurements of it encounter to special problems in desert areas. In this research has tried, the relationship between reflections in the different bands of LISSIII and TM sensors and percentage of vegetation cover be investigated using field measurements of vegetation cover fraction in a desert area. Accordance with the findings of this research, if we consider the relationship linear, only correlation between the percentage of vegetation and the near-infrared band has shown significant at the 0.05 level (2-tailed). While if we consider it nonlinear, correlation between reflections of all bands and the percentage of vegetation cover have shown significant at the 0.01 level (2-tailed). Also according to the results was determined using a linear multivariate regression equation and using all the bands, it is possible to make the relationship significant at all levels and to improve accuracy of estimations of the model. Even was observed with the change in the type of used regression model and covert it to a non-linear multivariate regression model, it is possible to improve the correlation coefficient and the coefficient of determination between the observed and estimated vegetation cover percentage significantly, In a way that correlation coefficient and the coefficient of determination between the observed and estimated vegetation cover percentage at best condition is calculated 0.917 and 0.841 respectively. Based on the results obtained in this study to increase the accuracy of modeling the nonlinear relationship between percent vegetation cover and the band satellite reflections using artificial neural network is the best way. In this research using artificial neural networks increase the accuracy of modeling significantly, so that the the coefficient of determination was passed 0.9 at best. Also based on neural network modeling hundred repetitions of this research can be refer to a neural network with radial function has better accuracy of modeling than multi-layered neural network to determine the percentage of vegetation using satellite data in drylands. | ||
| کلیدواژه‌ها [English] | ||
| Vegetation cover percentage, Remote Sensing, Multivariate regression, LISSIII. TM, Artificial Neural | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 601 تعداد دریافت فایل اصل مقاله: 1,058 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب