دوره 14، شماره 1 - ( بهار و تابستان 1405 )
جلد 14 شماره 1 صفحات 43-29 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Fazeli E, Fallah A, Shabani M, Tafazoli M. (2026). Modeling Aboveground Carbon Storage of Urban Trees Using Sentinel-2 Imagery and Machine Learning Algorithms. Ecol Iran For. 14(1), 29-43. doi:10.61882/ifej.2026.603
URL: http://ifej.sanru.ac.ir/article-1-603-fa.html
URL: http://ifej.sanru.ac.ir/article-1-603-fa.html
فاضلی الهام، فلاح اصغر، شعبانی مرتضی، تفضلی محیا.(1405). مدلسازی ذخیره کربن رویزمینی درختان شهری با استفاده از دادههای Sentinel-2 و الگوریتمهای یادگیری ماشین بوم شناسی جنگل های ایران (علمی- پژوهشی) 14 (1) :43-29 10.61882/ifej.2026.603
الهام فاضلی1، اصغر فلاح*1 
، مرتضی شعبانی2، محیا تفضلی1
، مرتضی شعبانی2، محیا تفضلی1
1- گروه جنگلداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
2- گروه آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
2- گروه آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
چکیده: (898 مشاهده)
چکیده مبسوط
مقدمه و هدف: افزایش غلظت گازهای گلخانهای بهویژه دیاکسیدکربن (CO₂)، عامل اصلی گرمایش جهانی و تغییرات اقلیمی است. جنگلهای شهری بهعنوان بخشی از زیرساخت سبز، نقشی حیاتی در جذب و ترسیب این کربن ایفا میکنند. با این حال، برآورد دقیق ذخیره کربن رویزمینی درختان شهری با روشهای سنتی میدانی، پرهزینه، زمانبر و محدود در مقیاس است. در مقابل، تلفیق دادههای سنجش از دور و مدلهای یادگیری ماشین، رویکردی نوین، سریع و مقرون بهصرفه را برای پایش در مقیاس وسیع فراهم میآورد. هدف اصلی این پژوهش، برآورد ذخیره کربن رویزمینی درختان شهر ساری با استفاده از شاخصهای پوشش گیاهی استخراجشده از تصاویر ماهواره Sentinel-2 و مقایسه عملکرد چهار الگوریتم یادگیری ماشین شامل جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM)، k نزدیکترین همسایه (KNN) و مدل خطی تعمیمیافته (GLM) بود.
مواد و روشها: این مطالعه در محدوده سه منطقه شهری ساری (با مجموع مساحت تقریبی ۲۹۷۰ هکتار) انجام شد. با نمونهبرداری انتخابی، ۱۵۰ قطعه نمونه (۵۰ قطعه در هر منطقه) برداشت گردید (در بلوارها با روش خطی و در میادین با روش قطعات نمونه دایرهای). در هر قطعه، قطر برابر سینه (DBH) و ارتفاع تمامی درختان اندازهگیری و موقعیتها با GPS ثبت شدند. زیتوده تنه با استفاده از رابطه آلومتریک مبتنی بر DBH، ارتفاع، ضریب شکل (0/5) و چگالی چوب محاسبه و ذخیره کربن با ضرب آن در ضریب 0/47 برآورد شد. از مجموعه تصاویر بدون ابر ماهواره Sentinel-2 (بازه 2022-2021) برای استخراج طیف وسیعی از شاخصهای پوشش گیاهی شامل شاخصهای مرسوم (مانند NDVI، EVI)، شاخصهای مبتنی بر باند Red-Edge (مانند S2REP، REIP، NDRE) و تبدیلات طیفی (مانند TCB، TCW) در پلت فرم Google Earth Engine استفاده گردید. پس از غربال گری متغیرها (حذف متغیرهای با همبستگی پیرسون بالاتر از 0/8)، فرآیند مدل سازی انجام شد. عملکرد مدلهای RF، SVM، KNN و GLM با استفاده از اعتبارسنجی متقاطع ۱۰-تایی ارزیابی و دقت آنها با معیارهای ضریب تبیین (R²)، جذر میانگین مربعات خطا (RMSE) و میانگین خطای مطلق (MAE) سنجیده شد. اهمیت نسبی متغیرها نیز در هر مدل محاسبه گردید. کلیه تحلیلها در محیط نرمافزار R انجام شد.
یافتهها: میانگین ذخیره کربن رویزمینی در منطقه یک شهر ساری بهطور معنی داری بیشتر از دو منطقه دیگر بود. مدل RF بهطور چشمگیری از سایر مدلها بهتر عمل کرد و بالاترین دقت و کمترین خطا را نشان داد. نمودار مقادیر مشاهده شده در مقابل پیشبینی شده برای RF تطابق نزدیکی با خط ۱:۱ داشت و باقیماندههای آن بهطور متقارن حول صفر پراکنده بودند که نشان دهنده عدم سوگیری سیستماتیک بود. مدل SVM با وجود داشتن دقت قابل قبول در برخی تکرارها، ناپایدار بود و پراکندگی زیادی در معیارهای خطا نشان داد. مدلهای KNN و GLM عملکرد ضعیفتری داشتند و تمایل شدیدی به کمبرآوردی مقادیر بالای ذخیره کربن از خود نشان دادند. بررسی اهمیت متغیرها در تمامی مدلها حاکی از نقش کلیدی شاخصهای مبتنی بر باند رد اِج بود. شاخص S2REP در تمام چهار مدل بالاترین اهمیت نسبی را در پیشبینی ذخیره کربن داشت. پس از آن، شاخصهای REIP، NDRE و EVI در رتبههای بعدی قرار گرفتند.
نتیجهگیری: این پژوهش نشان میدهد که تلفیق شاخصهای طیفی پیشرفته Sentinel-2 (بهویژه شاخصهای مبتنی بر Red-Edge) با الگوریتم یادگیری ماشین جنگل تصادفی، روشی دقیق و کارآمد برای برآورد و پایش مکانی ذخیره کربن روی زمینی درختان در محیط پیچیده و ناهمگن شهری ساری است. برتری RF ناشی از توانایی آن در مدلسازی روابط غیرخطی پیچیده، مدیریت دادههای پرت و ارائه نتایج با قابلیت تعمیمپذیری بالا است. نقش محوری شاخص S2REP، بر اهمیت اطلاعات طیفی مرتبط با محتوای کلروفیل و ساختار فیزیولوژیک پیشرفته درختان نسبت به شاخصهای سبزینگی مرسوم در برآورد ذخیره کربن تاکید دارد. به مدیران و برنامهریزان شهری پیشنهاد میشود که از این چارچوب بهعنوان ابزاری عملیاتی برای پایش دورهای پتانسیل ترسیب کربن فضای سبز، شناسایی نقاط قوت و ضعف، اولویتدهی به حفاظت از درختان بالغ (مانند چنارهای کهنسال) و ارزیابی اثربخشی پروژههای توسعه فضای سبز در راستای کاهش کربن استفاده کنند. برای مطالعات آینده، ادغام دادههای چند منبعی (مانند LiDAR هوابرد برای استخراج ساختار عمودی تاج، دادههای راداری Sentinel-1 و متغیرهای محیطی ریزمقیاس)، توسعه مدلهای اجماعی و تطبیق مدل برای گونههای درختی مختلف پیشنهاد میگردد تا دقت و قابلیت اطمینان برآوردها در سطح کلانشهرها افزایش یابد.
مقدمه و هدف: افزایش غلظت گازهای گلخانهای بهویژه دیاکسیدکربن (CO₂)، عامل اصلی گرمایش جهانی و تغییرات اقلیمی است. جنگلهای شهری بهعنوان بخشی از زیرساخت سبز، نقشی حیاتی در جذب و ترسیب این کربن ایفا میکنند. با این حال، برآورد دقیق ذخیره کربن رویزمینی درختان شهری با روشهای سنتی میدانی، پرهزینه، زمانبر و محدود در مقیاس است. در مقابل، تلفیق دادههای سنجش از دور و مدلهای یادگیری ماشین، رویکردی نوین، سریع و مقرون بهصرفه را برای پایش در مقیاس وسیع فراهم میآورد. هدف اصلی این پژوهش، برآورد ذخیره کربن رویزمینی درختان شهر ساری با استفاده از شاخصهای پوشش گیاهی استخراجشده از تصاویر ماهواره Sentinel-2 و مقایسه عملکرد چهار الگوریتم یادگیری ماشین شامل جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM)، k نزدیکترین همسایه (KNN) و مدل خطی تعمیمیافته (GLM) بود.
مواد و روشها: این مطالعه در محدوده سه منطقه شهری ساری (با مجموع مساحت تقریبی ۲۹۷۰ هکتار) انجام شد. با نمونهبرداری انتخابی، ۱۵۰ قطعه نمونه (۵۰ قطعه در هر منطقه) برداشت گردید (در بلوارها با روش خطی و در میادین با روش قطعات نمونه دایرهای). در هر قطعه، قطر برابر سینه (DBH) و ارتفاع تمامی درختان اندازهگیری و موقعیتها با GPS ثبت شدند. زیتوده تنه با استفاده از رابطه آلومتریک مبتنی بر DBH، ارتفاع، ضریب شکل (0/5) و چگالی چوب محاسبه و ذخیره کربن با ضرب آن در ضریب 0/47 برآورد شد. از مجموعه تصاویر بدون ابر ماهواره Sentinel-2 (بازه 2022-2021) برای استخراج طیف وسیعی از شاخصهای پوشش گیاهی شامل شاخصهای مرسوم (مانند NDVI، EVI)، شاخصهای مبتنی بر باند Red-Edge (مانند S2REP، REIP، NDRE) و تبدیلات طیفی (مانند TCB، TCW) در پلت فرم Google Earth Engine استفاده گردید. پس از غربال گری متغیرها (حذف متغیرهای با همبستگی پیرسون بالاتر از 0/8)، فرآیند مدل سازی انجام شد. عملکرد مدلهای RF، SVM، KNN و GLM با استفاده از اعتبارسنجی متقاطع ۱۰-تایی ارزیابی و دقت آنها با معیارهای ضریب تبیین (R²)، جذر میانگین مربعات خطا (RMSE) و میانگین خطای مطلق (MAE) سنجیده شد. اهمیت نسبی متغیرها نیز در هر مدل محاسبه گردید. کلیه تحلیلها در محیط نرمافزار R انجام شد.
یافتهها: میانگین ذخیره کربن رویزمینی در منطقه یک شهر ساری بهطور معنی داری بیشتر از دو منطقه دیگر بود. مدل RF بهطور چشمگیری از سایر مدلها بهتر عمل کرد و بالاترین دقت و کمترین خطا را نشان داد. نمودار مقادیر مشاهده شده در مقابل پیشبینی شده برای RF تطابق نزدیکی با خط ۱:۱ داشت و باقیماندههای آن بهطور متقارن حول صفر پراکنده بودند که نشان دهنده عدم سوگیری سیستماتیک بود. مدل SVM با وجود داشتن دقت قابل قبول در برخی تکرارها، ناپایدار بود و پراکندگی زیادی در معیارهای خطا نشان داد. مدلهای KNN و GLM عملکرد ضعیفتری داشتند و تمایل شدیدی به کمبرآوردی مقادیر بالای ذخیره کربن از خود نشان دادند. بررسی اهمیت متغیرها در تمامی مدلها حاکی از نقش کلیدی شاخصهای مبتنی بر باند رد اِج بود. شاخص S2REP در تمام چهار مدل بالاترین اهمیت نسبی را در پیشبینی ذخیره کربن داشت. پس از آن، شاخصهای REIP، NDRE و EVI در رتبههای بعدی قرار گرفتند.
نتیجهگیری: این پژوهش نشان میدهد که تلفیق شاخصهای طیفی پیشرفته Sentinel-2 (بهویژه شاخصهای مبتنی بر Red-Edge) با الگوریتم یادگیری ماشین جنگل تصادفی، روشی دقیق و کارآمد برای برآورد و پایش مکانی ذخیره کربن روی زمینی درختان در محیط پیچیده و ناهمگن شهری ساری است. برتری RF ناشی از توانایی آن در مدلسازی روابط غیرخطی پیچیده، مدیریت دادههای پرت و ارائه نتایج با قابلیت تعمیمپذیری بالا است. نقش محوری شاخص S2REP، بر اهمیت اطلاعات طیفی مرتبط با محتوای کلروفیل و ساختار فیزیولوژیک پیشرفته درختان نسبت به شاخصهای سبزینگی مرسوم در برآورد ذخیره کربن تاکید دارد. به مدیران و برنامهریزان شهری پیشنهاد میشود که از این چارچوب بهعنوان ابزاری عملیاتی برای پایش دورهای پتانسیل ترسیب کربن فضای سبز، شناسایی نقاط قوت و ضعف، اولویتدهی به حفاظت از درختان بالغ (مانند چنارهای کهنسال) و ارزیابی اثربخشی پروژههای توسعه فضای سبز در راستای کاهش کربن استفاده کنند. برای مطالعات آینده، ادغام دادههای چند منبعی (مانند LiDAR هوابرد برای استخراج ساختار عمودی تاج، دادههای راداری Sentinel-1 و متغیرهای محیطی ریزمقیاس)، توسعه مدلهای اجماعی و تطبیق مدل برای گونههای درختی مختلف پیشنهاد میگردد تا دقت و قابلیت اطمینان برآوردها در سطح کلانشهرها افزایش یابد.
فهرست منابع
1. Alazmani, M., Hojjati, S.M., Waez-Mousavi, S.M., & Tafazoli, M. (2021). Effect of alder plantation age on soil carbon sequestration. Forest Research and Development, 7(2), 279-291. [In Persian]
2. Ali, A., Imran, M., Ali, A., & Khan, M.A. (2022). Evaluating Sentinel-2 red edge through hyperspectral profiles for monitoring LAI & chlorophyll content of Kinnow Mandarin orchards. Remote Sensing Applications: Society and Environment, 26, 100719. [DOI:10.1016/j.rsase.2022.100719]
3. Ali, H. & Mohammadi, J. (2023). Estimation of above-ground biomass of Arabdagh reforested stands, Golestan province using Sentinel-2 satellite data. Journal of Wood and Forest Science and Technology, 30(4), 93-110.
4. Ali, J., Haoran, W., Mehmood, K., Hussain, W., Iftikhar, F., Shahzad, F., Hussain, K., Qun, Y., & Zhongkui, J. (2025). Remote sensing and integration of machine learning algorithms for above-ground biomass estimation in Larix principis-rupprechtii Mayr plantations: a case study using Sentinel-2 and Landsat-9 data in northern China. Frontiers in Environmental Science, 13, 1577298. [DOI:10.3389/fenvs.2025.1577298]
5. Bolund, P., & Hunhammar, S. (1999). Ecosystem services in urban areas. Ecological Economics, 29(2), 293-301. [DOI:10.1016/S0921-8009(99)00013-0]
6. Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5-32. [DOI:10.1023/A:1010933404324]
7. Cannell, M. G. R. (2003). Carbon sequestration and biomass energy offset theoretical, potential and achievable capacities globally in Europe and UK, Biomass and Bioenergy, 24, 97-116. [DOI:10.1016/S0961-9534(02)00103-4]
8. Castillo, J. A. A., Apan, A. A., Maraseni, T. N., & Salmo III, S. G. (2017). Estimation and mapping of above-ground biomass of mangrove forests and their replacement land uses in the Philippines using Sentinel imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 134, 70-85. [DOI:10.1016/j.isprsjprs.2017.10.016]
9. Catani, F., Lagomarsino, D., Segoni, S. & Tofani, V. (2013). Landslide susceptibility estimation by random forests technique: sensitivity and scaling issues. Natural Hazards and Earth System Sciences, 13(11), 2815-2831. [DOI:10.5194/nhess-13-2815-2013]
10. Chicco, D., Warrens, M. J., & Jurman, G. (2021). The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. Peerj Computer Science, 7, e623. [DOI:10.7717/peerj-cs.623]
11. Eslamdoust, J., & Sohrabi, H. (2018). Carbon storage in biomass, litter, and soil of different native and introduced fast-growing tree plantations in the South Caspian Sea. Journal of Forestry Research, 29, 449-457. [DOI:10.1007/s11676-017-0469-5]
12. Friedlingstein, P., O'sullivan, M., Jones, M. W., Andrew, R. M., Hauck, J., Landschützer, P., ... & Zeng, J. (2024). Global carbon budget 2024. Earth System Science Data Discussions, 2024, 1-133.
https://doi.org/10.5194/essd-17-965-2025 [DOI:10.5194/essd-17-965-2025, 2025.]
13. Gao, S., Yan, K., Liu, J., Pu, J., Zou, D., Qi, J., Mu, X. & Yan, G. (2024). Assessment of remote-sensed vegetation indices for estimating forest chlorophyll concentration. Ecological Indicators, 162, 112001. [DOI:10.1016/j.ecolind.2024.112001]
14. Gheysarbeigi, S., Pir Bavaghar, M. & Valipour, A. (2024.) Forest aboveground biomass estimation using satellite imagery and Random Forest regression model. Geography and Environmental Sustainability, 14(1), 85-100.
15. Greener, J.G., Kandathil, S.M., Moffat, L. & Jones, D.T. (2022). A guide to machine learning for biologists. Nature Reviews Molecular Cell Biology, 23(1), 40-55. [DOI:10.1038/s41580-021-00407-0]
16. Heidarian, Sh., & Ghasemi Aghbash, F. (2020). Study of Carbon sequestration in trees and soil in two urban parks of Kohdasht City. Journal of Environmental Science and Technology, 22(1), 215-225. [In Persian]
17. Hojjati, S.M., Hashemi, S.A., Hosseyni, S.M., Asadiyan, M., & Tafazoli, M. (2020). The Effect of plantation with native and exotic species on soil CO2 emissions (The case study: Darabkola forest). Journal of Plant Ecosystem Conservation, 8(16), 95-110. [In Persian]
18. Hojjati, S. M., Tafazoli, M., Asadian, M., & Baluee, A. (2022). Estimation of carbon sequestration and forest soil respiration using machine learning models in Eastern Forests of Mazandaran Province. Forest Research and Development, 8(4), 371-388. [In Persian]
19. Hojjati, S. M., Tafazoli, M., Imani, M., Alazmani, M., Fallah, A., & Pourmajidian, M. R. (2023b). Variation in carbon sequestration and soil properties in relation to stand age in maple and alder plantations. Journal of Sustainable Forestry, 42(6), 640-654. [DOI:10.1080/10549811.2022.2059516]
20. Kamer Aksoy, Ö. (2022). Predicting the Potential Distribution Area of the Platanus orientalis L. in Turkey Today and in the Future. Sustainability, 14(18), p11706. [DOI:10.3390/su141811706]
21. Ly, H. B., Asteris, P. G. & Pham., T. B. (2021). Accuracy assessment of extreme learning machine in predicting soil compression coefficient. Vietnam Journal of Earth Sciences, 42(3), 228-336. [DOI:10.15625/0866-7187/42/3/14999]
22. Mahmoudi, M., Ramezani Kakroudi, E., Banj Shafiei, A., Salehi, A., Pato, M., & Hoseinzadeh, O. (2021). The study of soil carbon storage in Lavizan Forest Park, Tehran. Forest Research and Development, 7(2), 327-342.
23. Mi, C., Huettmann, F., Guo, Y., Han, X., & Wen, L. (2017). Why choose Random Forest to predict rare species distribution with few samples in large undersampled areas? Three Asian crane species models provide supporting evidence. PeerJ, 5, e2849. DOI 10.7717/peerj.2849. [DOI:10.7717/peerj.2849]
24. Mirrajabi, H., Oladi, J., & Mataji, A. (2016). Estimating above ground carbon storage in urban afforestation using satellite data (Case study: Chitgar Forest Park in Tehran). Ecology of Iranian Forest, 4(7), 35-42.
25. Namiranian, M. (2007). Measurement of tree and forest biometry. Tehran University Publications, 574p. [In Persian]
26. Nedkov, S., Zhiyanski, M., Nikolova, M., Gikov, A., Nikolov, P., & Todorov, L. (2016, September). Mapping of carbon storage in urban ecosystems: a Case study of Pleven District, Bulgaria. In Proceedings, Scientific conference Geographical aspects of land use and planning under climate change. Varshets, Bulgaria, 23, 09-25.
27. Nowak, D. J., Greenfield, E. J., Hoehn, R. E., & Lapoint, E. (2013). Carbon storage and sequestration by trees in urban and community areas of the United States. Environmental Pollution, 178, 229-236. [DOI:10.1016/j.envpol.2013.03.019]
28. Nowak, D.J., & Crane, D.E. (2002). Carbon storage and sequestration by urban trees in the USA. Environmental pollution, 116(3), 381-389. [DOI:10.1016/S0269-7491(01)00214-7]
29. Nowak, D.J., & Greenfield, E.J. (2012). Tree and impervious cover change in US cities. Urban Forestry and Urban Greening, 11(1), 21-30. [DOI:10.1016/j.ufug.2011.11.005]
30. Osabohien, R., Matthew, O., Aderounmu, U., & Olawande, T. (2019). Greenhouse gas emissions and crop production in West Africa: Examining the mitigating potential of social protection. International Journal of Energy Economics and Policy, 9(1), 57.
31. Pecchi, M., Marchi, M., Burton, V., Giannetti, F., Moriondo, M., Bernetti, I., Bindi, M., & Chirici, G. (2019). Species distribution modelling to support forest management. A literature review. Ecological Modelling, 411, 108817. [DOI:10.1016/j.ecolmodel.2019.108817]
32. Peng, J., Zeiner, N., Parsons, D., Féret, J.B., Söderström, M., & Morel, J. (2023). Forage biomass estimation using Sentinel-2 Imagery at high latitudes. Remote Sensing, 15(9), 2350. [DOI:10.3390/rs15092350]
33. Probst, P., Wright, M. N., & Boulesteix, A. L. (2019). Hyperparameters and tuning strategies for random forest. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 9(3), e1301. [DOI:10.1002/widm.1301]
34. Reinaud, J., 2008. Issues behind competitiveness and carbon leakage. Focus on Heavy Industry. Paris: IEA. IEA Information Paper, 2.
35. Shayesteh, K., Gharibi, Sh., & Attaiean, B. (2021). Estimation of greenhouse gases emissions from urban traffic: a case study of Hamadan city. Iranian Journal of Health and Environment, 13(4), 653-68.
36. Srivastava, A. K., Gaiser, T., Paeth, H., & Ewert, F. (2012). The impact of climate change on Yam (Dioscorea alata) yield in the savanna zone of West Africa. Agriculture, Ecosystems and Environment, 153, 57-64. [DOI:10.1016/j.agee.2012.03.004]
37. Stephenson, N. L., Das, A. J., Condit, R., Russo, S. E., Baker, P. J., Beckman, N. G., ... & Zavala, M.A. (2014). Rate of tree carbon accumulation increases continuously with tree size. Nature, 507(7490), [DOI:10.1038/nature12914]
38. Strohbach, M. W., Arnold, E., & Haase, D. (2012). The carbon footprint of urban green space- A life cycle approach. Landscape and Urban Planning, 104(2), 220-229. [DOI:10.1016/j.landurbplan.2011.10.013]
39. Tafazoli, M., Attarod, P., Hojjati, S. M., & Tafazoli, M. (2020). Throughfall Chemistry of Persian Maple (Acer velutinim) and Turkish Pine (Pinus brutia) Plantations in East of Mazandaran. Ecology of Iranian Forest, 7(14), 39-47. [DOI:10.29252/ifej.7.14.39]
40. Vahedi, A. A., & Mattagi, A. (2014). Amount of carbon sequestration distribution associated with oak tree's (Quercus castaneifolia CA May) bole in relation to physiographical units of Hyrcanian natural forests of Iran. Iranian Journal of Forest and Poplar Research, 21(4), 716-728.
41. Valizadeh, E., Asadi, H., Jaafari, A., & Tafazoli, M. (2023). Machine learning prediction of tree species diversity using forest structure and environmental factors: a case study from the Hyrcanian forest, Iran. Environmental Monitoring and Assessment, 195(11), 1334. [DOI:10.1007/s10661-023-11969-1]
42. Varamesh, S., Hoseini, S. M., & Abdi, N. (2011). Estimating potential of urban forests for atmospheric carbon sequestration. Journal of Environmental Studies, 37(57), 113-120.
43. Varamesh, S., Hosseini, S. M., & Sefidi, K. (2013). Evaluation of the amount of carbon sequestration in biomass, litter and soil of acacia and silver cedar stands around Tehran. Journal of Environmental Science and Technology, 16(4), 396-404.
44. Vieira, S., Trumbore, S., Camargo, P. B., Selhorst, D., Chambers, J. Q., Higuchi, N., & Martinelli, L. A. (2005). Slow growth rates of Amazonian trees: consequences for carbon cycling. Proceedings of the National Academy of Sciences, 102(51), 18502-18507. [DOI:10.1073/pnas.0505966102]
45. Wang, X., Gan, Y., Iio, A., & Wang, Q. (2025). Using vegetation indices developed for sentinel-2 multispectral data to track spatiotemporal changes in the leaf area index of temperate deciduous forests. Geomatics, 5(1), 11. [DOI:10.3390/geomatics5010011]
46. Wu, L., Wang, L., Shi, C., & Yin, D. (2022). Detecting mangrove photosynthesis with solar-induced chlorophyll fluorescence. International Journal of Remote Sensing, 43(3), 1037-1053. [DOI:10.1080/01431161.2022.2032457]
47. Zhou, H., Shariff, A. R. M., Bejo, S. K., Jahari, M., Mohd Shafri, H. Z. B., Omar, H. B., Nordin, L., Trisasongko, B., & Takeuchi, W. (2025). Estimating Mangrove Aboveground Biomass Using Sentinel-2 and ALOS-2 Imagery: A Case Study of the Matang Mangrove Reserve, Malaysia. Forests, 16(10), 1517. [DOI:10.3390/f16101517]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
