برآورد مکانی اندوخته کربن روی زمین جنگل های بلوط زاگرس با استفاده از رگرسیون کریجینگ، رگرسیون وزن دار جغرافیایی کریجینگ و تصاویر لندست ۸

Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 111

This Paper With 14 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_ESTJ-24-3_002

تاریخ نمایه سازی: 11 آبان 1401

Abstract:

زمینه و هدف: برآورد اندوخته کربن روی زمین برای مدیریت پایدار و اصولی جنگل ضروری است؛ از این رو انتخاب روش مناسب برای برآورد اندوخته کربن روی زمین جنگل اهمیت ویژه ای دارد. متداول­ترین روش­ برآورد، مدل­های رگرسیون خطی است که با استفاده از داده کمکی کم­هزینه، متغیر هدف را در مناطق وسیع برآورد می­کند. مدل­های اولیه رگرسیون  به دلیل ثابت بودن ضرایب رگرسیون در تمام نقاط، ناهمگنی و ساختار مکانی را در مدل­سازی لحاظ نمی­کنند. هدف مطالعه حاضر برآورد اندوخته کربن روی زمین جنگل با استفاده از رگرسیون کریجینگ و رگرسیون وزن­دار جغرافیایی کریجینگ و اطلاعات مستخرج از تصاویر لندست ۸ و مقایسه روش­ها است. روش بررسی: مطالعه در بخشی از جنگل­های زاگرس در استان کهگیلویه و بویراحمد انجام گرفت. در مجموع ۱۸۴ قطعه نمونه زمینی (۳۰ متر در ۳۰ متر) برداشت و با استفاده از روابط آلومتریک مقدار کربن روی زمین نمونه­ها محاسبه شد. در روند مدل­سازی از تصاویر لندست ۸ به­عنوان داده کمکی استفاده شد.  معیارهای ضریب تبیین، مجذور میانگین مربعات خطا جهت ارزیابی روش­ها استفاده شد. یافته­ ها: نتایج نشان داد روش رگرسیون وزن­دار جغرافیایی کریجینگ (۲۱ RMSE = و ۶۶/۰ = R۲) در مقایسه با رگرسیون کریجینگ (۲۸ RMSE =  و ۴۹/۰ = R۲) در برآورد اندوخته کربن روی زمین جنگل عملکرد مناسبی دارد. این روش می­تواند جایگزین مناسبی برای روش­های اولیه از جمله رگرسیون خطی باشد. بحث و نتیجه ­گیری: روش­های ترکیبی با در نظر گرفتن ناهمگنی و همبستگی مکانی می­تواند جایگزین مناسبی برای روش­های اولیه رگرسیونی با هدف برآورد اندوخته کربن روی زمین جنگل باشند.

Authors

سمیه ایزدی

دانش آموخته دکتری، دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، تهران، ایران.

هرمز سهرابی

دانشیار، دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، تهران، ایران. (مسوول مکاتبات)

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • Backéus, S., Wikström, P., Lämås, T., ۲۰۰۵. A model for ...
  • Azizi, Z., Hosseini, A., Iranmanesh , Y., ۲۰۱۵. Estimating Biomass ...
  • Safari, A., Sohrabi, H., Powell, S., Shataee, S., ۲۰۱۷. A ...
  • Bishop, T.F.A., Mcbratney, A.B., ۲۰۰۶. A comparison of prediction methods ...
  • Lu, D., ۲۰۰۶. The potential and challenge of remote sensing-based ...
  • Meng, Q., Cieszewski, C., Madden, M., ۲۰۰۹. Large area forest ...
  • Viana, H., Aranha, J., Lopes, D., Cohen, W.B., ۲۰۱۱. Estimation ...
  • Li, W., Niu, Z., Liang, X., Li, Z., Huang, N., ...
  • Sinha, S., Jeganathan, C., Sharma, L.K., Nathawat, M.S., ۲۰۱۵. A ...
  • Karl, J.W., ۲۰۱۰. Spatial Predictions of Cover Attributes of Rangeland ...
  • Hengl, T., Heuvelink, G.B.M., Rossiter, D.G., ۲۰۰۷. About regression-kriging: From ...
  • Ahadi, Z., Alavi, S.J., Hoseini, S.M., ۲۰۱۷. Beech forest site ...
  • Wu, C., Shen, H., Shen, A., Deng, J., Gan, M., ...
  • Gao, Y., Lu, D., Li, G., Wang, G., Chen, Q., ...
  • Kumar, S., Lal, R., Liu, D., ۲۰۱۲. A geographically weighted ...
  • Lloyd, C.D., ۲۰۱۰. Nonstationary models for exploring and mapping monthly ...
  • Propastin, P., ۲۰۱۰. Multiscale analysis of the relationship between topography ...
  • Propastin, P., ۲۰۱۲. Modifying geographically weighted regression for estimating aboveground ...
  • Van der Laan, C., Verweij, P.A., Quiñones, M.J., Faaij, A.P.C., ...
  • Chen, L., Ren, C., Zhang, B., Wang, Z., Xi, Y., ...
  • Brunsdon, C., Fotheringham, A.S., Charlton, M.E., ۱۹۹۶. Geographically Weighted Regression, ...
  • Kupfer, J.A., Farris, C.A. ۲۰۰۷. Incorporating spatial non-stationarity of regression ...
  • Harris, P., Fotheringham, A.S., Crespo, R., Charlton, M., ۲۰۱۰. The ...
  • Wang, K., Zhang, C., Li, W., ۲۰۱۲. Comparison of geographically ...
  • Liu, Y., Guo, L., Jiang, Q., Zhang, H., Chen, Y., ...
  • Sohrabi, H., Shirvani, A., ۲۰۱۲. Allometric equations for estimating standing ...
  • Kang, D., Dall’erba, S., ۲۰۱۶. Exploring the spatially varying innovation ...
  • Mishra, U., ۲۰۱۰. Predicting the Spatial Variation of the Soil ...
  • نمایش کامل مراجع