دوره 11، شماره 21 - ( بهار و تابستان 1402 )
جلد 11 شماره 21 صفحات 87-75 |
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:
Karimi S, Heydari M, Mirzaei J, Karami O, Mosavi A. (2023). Modeling Post-Fire Vegetation Recovery using Satellite and Environmental Data in Zagros Forest Ecosystem, Ilam. ifej. 11(21), 75-87.
URL: http://ifej.sanru.ac.ir/article-1-475-fa.html
URL: http://ifej.sanru.ac.ir/article-1-475-fa.html
کریمی سعیده، حیدری مهدی، میرزایی جواد، کرمی امید، موسوی امیر. مدل‌سازی بازسازی پوشش گیاهی بعد از وقوع حریق با استفاده از داده‌های ماهواره‌ای و محیطی در بوم سامانۀ جنگلی زاگرس، ایلام بوم شناسی جنگل های ایران (علمی- پژوهشی) 1402; 11 (21) :87-75
دانشگاه ایلام
چکیده: (867 مشاهده)
چکیده مبسوط
مقدمه و هدف: آتش سوزی یکی از مهمترین عوامل تعیین کننده و تأثیرگذار بر خصوصیات بوم سامانه های جنگلی است. آتش‌سوزی‌ها مناطق جنگلی را به شدت تحت تأثیر قرار داده اند و گاهی آثار منفی آن برای چندین سال بعد از وقوع، همچنان باقی می‌ماند، به‌طوری که گاهی وضعیت پوشش گیاهی به حالت قبل خود بر نمی‌گردد. هدف از این مطالعه مدل‌سازی بازسازی پوشش گیاهی در جنگل‌های زاگرس (استان ایلام) پس از وقوع آتش‌سوزی است.
مواد و روش ها: برای مدل سازی بازسازی پوشش گیاهی از داده‌های مختلف اقلیمی و محیطی به عنوان متغیرهای مستقل (پوشش گیاهی زمان وقوع آتش، شاخص شدت سوختگی، آنومالی دما و بارش، متوسط دما، بارش سالیانه، شیب، جهت و ارتفاع از سطح دریا) و پوشش گیاهی بعد از وقوع آتش به عنوان متغیر وابسته در مدل‌سازی (جنگل تصادفی، درخت تصمیم و تقویت گرادیان) استفاده شد. برای تهیه شاخص‌های نشان‌دهنده وضعیت تراکم پوشش گیاهی و شدت سوختگی از تصاویر ماهواره‌ای لندست استفاده شد و پس از پیش پردازش تصاویر این شاخص‌ها با نسبت گیری طیفی تهیه شدند. متغیرهای اقلیمی نیز با توجه به روابط رگرسیونی بین این متغیرها (مجموع بارش، متوسط دما، حداقل دما و حداکثر دما) و ارتفاع از سطح دریا در منطقه مورد مطالعه برآورد شدند. در نهایت به منظور مدل‌سازی از سه الگوریتم یادگیری ماشین شامل درخت تصمیم گیری، جنگل تصادفی و تقویت گرادیان استفاده شد و در نهایت دقت و صحت این مدل ها مورد ارزیابی قرار گرفت.
یافته ها: نتایج نشان داد که در بین متغیرهای مختلف مورد بررسی، میزان بارش سالیانه، متوسط دمای سالیانه، شاخص تفاضل پوشش گیاهی نرمال شده (NDVI) و شاخص شدت سوختگی در زمان وقوع آتش مهمترین عوامل تأثیرگذار بر بازسازی پوشش گیاهی بعد از آتش سوزی در این جنگل ها هستند. همچنین نتایج نشان داد که در بین مدل های مختلف مورد بررسی الگوریتم تقویت گرادیان با میزان R2 برابر با 0/66 بهتر از سایر مدل‌ها، بازسازی پوشش گیاهی را مدل‌سازی کرد. در این مدل عوامل آب و هوایی به‌عنوان عوامل شاخص در بازسازی شناخته شدند.
نتیجه‌گیری: با توجه به نتایج حاصل از روابط رگرسیونی بین وضعیت پوشش گیاهی بعد از وقوع آتش (متغیر وابسته) و سایر متغیرهای مستقل و نتایج حاصل از مدل‌سازی می توان نقش بارز عوامل آب و هوایی در بازسازی پوشش گیاهی این جنگل ها پس از آتش‌سوزی را تبیین کرد.
مقدمه و هدف: آتش سوزی یکی از مهمترین عوامل تعیین کننده و تأثیرگذار بر خصوصیات بوم سامانه های جنگلی است. آتش‌سوزی‌ها مناطق جنگلی را به شدت تحت تأثیر قرار داده اند و گاهی آثار منفی آن برای چندین سال بعد از وقوع، همچنان باقی می‌ماند، به‌طوری که گاهی وضعیت پوشش گیاهی به حالت قبل خود بر نمی‌گردد. هدف از این مطالعه مدل‌سازی بازسازی پوشش گیاهی در جنگل‌های زاگرس (استان ایلام) پس از وقوع آتش‌سوزی است.
مواد و روش ها: برای مدل سازی بازسازی پوشش گیاهی از داده‌های مختلف اقلیمی و محیطی به عنوان متغیرهای مستقل (پوشش گیاهی زمان وقوع آتش، شاخص شدت سوختگی، آنومالی دما و بارش، متوسط دما، بارش سالیانه، شیب، جهت و ارتفاع از سطح دریا) و پوشش گیاهی بعد از وقوع آتش به عنوان متغیر وابسته در مدل‌سازی (جنگل تصادفی، درخت تصمیم و تقویت گرادیان) استفاده شد. برای تهیه شاخص‌های نشان‌دهنده وضعیت تراکم پوشش گیاهی و شدت سوختگی از تصاویر ماهواره‌ای لندست استفاده شد و پس از پیش پردازش تصاویر این شاخص‌ها با نسبت گیری طیفی تهیه شدند. متغیرهای اقلیمی نیز با توجه به روابط رگرسیونی بین این متغیرها (مجموع بارش، متوسط دما، حداقل دما و حداکثر دما) و ارتفاع از سطح دریا در منطقه مورد مطالعه برآورد شدند. در نهایت به منظور مدل‌سازی از سه الگوریتم یادگیری ماشین شامل درخت تصمیم گیری، جنگل تصادفی و تقویت گرادیان استفاده شد و در نهایت دقت و صحت این مدل ها مورد ارزیابی قرار گرفت.
یافته ها: نتایج نشان داد که در بین متغیرهای مختلف مورد بررسی، میزان بارش سالیانه، متوسط دمای سالیانه، شاخص تفاضل پوشش گیاهی نرمال شده (NDVI) و شاخص شدت سوختگی در زمان وقوع آتش مهمترین عوامل تأثیرگذار بر بازسازی پوشش گیاهی بعد از آتش سوزی در این جنگل ها هستند. همچنین نتایج نشان داد که در بین مدل های مختلف مورد بررسی الگوریتم تقویت گرادیان با میزان R2 برابر با 0/66 بهتر از سایر مدل‌ها، بازسازی پوشش گیاهی را مدل‌سازی کرد. در این مدل عوامل آب و هوایی به‌عنوان عوامل شاخص در بازسازی شناخته شدند.
نتیجه‌گیری: با توجه به نتایج حاصل از روابط رگرسیونی بین وضعیت پوشش گیاهی بعد از وقوع آتش (متغیر وابسته) و سایر متغیرهای مستقل و نتایج حاصل از مدل‌سازی می توان نقش بارز عوامل آب و هوایی در بازسازی پوشش گیاهی این جنگل ها پس از آتش‌سوزی را تبیین کرد.
نوع مطالعه: پژوهشي |
موضوع مقاله:
سنجش از دور
دریافت: 1401/6/1 | پذیرش: 1401/7/25 | انتشار: 1402/5/10
دریافت: 1401/6/1 | پذیرش: 1401/7/25 | انتشار: 1402/5/10
فهرست منابع
1. Applestein, C., T. Caughlin and M.J. Germino. 2021. Weather affects post‐fire recovery of
2. sagebrush‐steppe communities and model transferability among sites. Ecosphere, 12(4): p.e03446.
3. Broncano, M.J. and J. Retana 2004. Topography and forest composition affecting the variability in fire severity and postfire regeneration occurring after a large fire in the Mediterranean basin. International Journal of Wildland Fire, 13: 209-216 [DOI:10.1071/WF03036]
4. Cohen, W.B. and S.N. Goward. 2004. Landsat's role in ecological applications of remote sensing. Bioscience, 54(6): 535-545. [DOI:10.1641/0006-3568(2004)054[0535:LRIEAO]2.0.CO;2]
5. Eskandari, S., M. Amiri, N. Sãdhasivam and H.R. Pourghasemi. 2020. Comparison of new individual and hybrid machine learning algorithms for modeling and mapping fire hazard: a supplementary analysis of fire hazard in different counties of Golestan Province in Iran. Natural Hazards, 104(1): 305-327. [DOI:10.1007/s11069-020-04169-4]
6. Forkel, M., N. Andela, S.P. Harrison, G. Lasslop, M. Van Marle, E. Chuvieco and A. Arneth. 2019. Emergent relationships with respect to burned area in global satellite observations and fire-enabled vegetation models. Biogeosciences, 16(1): 57-76. [DOI:10.5194/bg-16-57-2019]
7. Goodale, C.L., J.D. Aber and S.V. Ollinger. 1998. Mapping monthly precipitation, temperature, and solar radiation for Ireland with polynomial regression and a digital elevation model. Climate research, 10(1): 35-49. [DOI:10.3354/cr010035]
8. Gouveia, C., C.C. DaCamara and R.M. Trigo. 2010. Post-fire vegetation recovery in Portugal based on spot/vegetation data. Natural Hazards and Earth System Sciences, 10(4): 673-684. [DOI:10.5194/nhess-10-673-2010]
9. Heydari, M., H. Moradizadeh, R. Omidipour, A. Mezbani and D. Pothier. 2020. Spatio‐temporal changes in the understory heterogeneity, diversity, and composition after fires of different severities in a semiarid oak (Quercus brantii Lindl.) forest. Land Degradation & Development, 31(8): 1039-1049. [DOI:10.1002/ldr.3518]
10. Ireland, G and G.P. Petropoulos. 2015. Exploring the relationships between postfire vegetation regeneration dynamics, topography and burn severity: A case study from the montane cordillera ecozones of western Canada. Applied Geography, 56: 232-248. [DOI:10.1016/j.apgeog.2014.11.016]
11. Keeler-Wolf, T., J. Evens, S. San, A. Klein, E. Kentner, M. Schindel, D. Hickson,J. Christian and C. Hohn. 2006. Vegetation classification of the Santa Monica Mountains National Recreation Area and environs in Ventura and Los Angeles counties, California. Submitted by the California Department of Fish and Game Wildlife and Habitat Data Analysis Branch and the California Native Plant Society Vegetation Program to the National Park Service.
12. Key, C.H. and N.C. Benson. 2006. Landscape Assessment Sampling and Analysis Methods. US Department of Agriculture Forest Service, 164: 1-55.
13. Kinoshita, A.M. and T.S. Hogue. 2011. Spatial and temporal controls on post-fire hydrologic recovery in Southern California watersheds. Catena, 87: 240-252. [DOI:10.1016/j.catena.2011.06.005]
14. Kukavskaya, E.A., L.V. Buryak, E.G. Shvetsov, S.G. Conard and O.P. Kalenskaya. 2016. The impact of increasing fire frequency on forest transformations in southern Siberia Forest Ecology Management, 35: 225-382. [DOI:10.1016/j.foreco.2016.10.015]
15. Levin, D., J. Dmochowski and Y. Bordeaux. 2020. Determinants of post-fire vegetation recovery in the Santa Monica Mountains, southern California. Thesis for Master of Science in Applied Geosciences, 2-12.
16. Li, X., H. Zhang, G. Yang, Y. Ding and J. Zhao. 2018. Post-fire vegetation succession and surface energy fluxes derived from remote sensing. Remote Sensing, 10(7): 1000. [DOI:10.3390/rs10071000]
17. Meng, R., P.E. Dennison, C. Huang, M.A. Moritz, C. D'Antonio. 2015 Effects of fire severity and post-fire climate on short-term vegetation recovery of mixed-conifer and red fir forests in the Sierra Nevada Mountains of California. Remote Sens. Environ, 171: 311-325. [DOI:10.1016/j.rse.2015.10.024]
18. Meng, R., J. Wu, F. Zhao, B.D. Cook, R.P .Hanavan and S.P. Serbin. 2018. Measuring short-term post-fire forest recovery across a burn severity gradient in a mixed pine-oak forest using multi-sensor remote sensing techniques. Remote Sensing of Environment, 210: 282-296. [DOI:10.1016/j.rse.2018.03.019]
19. Montorio, R., F. Pérez-Cabello, D.B. Alves and A. García-Martín. 2020. Unitemporal approach to fire severity mapping using multispectral synthetic databases and Random Forests. Remote Sensing of Environment, 249: 112025. [DOI:10.1016/j.rse.2020.112025]
20. Pereira, P., A. Cerdà, A.J. Lopez, L.M. Zavala, J. Mataix‐Solera, V. Arcenegui and A. Novara. 2016. Short‐term vegetation recovery after a grassland fire in Lithuania: The effects of fire severity, slope position and aspect. Land Degradation & Development, 27(5): 1523-1534. [DOI:10.1002/ldr.2498]
21. Picotte, J.J., C.A. Cansler, C.A. Kolden, J.A. Lutz, C. Key, N.C. Benson and K.M. 2021. Determination of burn severity models ranging from regional to national scales for the conterminous United States. Remote Sensing of Environment, 263: 112569. [DOI:10.1016/j.rse.2021.112569]
22. Rahmani, N., K. Shahedi, K. Soleimani and M.H. Miriyagoubzadeh. 2012. Investigating land use changes in Kesilian watershed using multi-temporal images. Rangeland and Watershed Journal, Iran Natural Resources Journal, 65(1): 35-47 (In Persian).
23. Rundel, P.W., M.T. Arroyo, R.M. Cowling, J.E. Keeley, B.B. Lamont, J.G. Pausas and P. Vargas. 2018. Fire and plant diversification in Mediterranean-climate regions. Frontiers in Plant Science, 9: 851. [DOI:10.3389/fpls.2018.00851]
24. Sachdeva, S., T. Bhatia and A.K. Verma. 2018. GIS-based evolutionary optimized Gradient Boosted Decision Trees for forest fire susceptibility mapping. Natural Hazards, 92(3): 1399-1418. [DOI:10.1007/s11069-018-3256-5]
25. Shvetsov, E.G., E.A. Kukavskaya, L.V. Buryak and K. Barrett. 2019. Assessment of post-fire vegetation recovery in Southern Siberia using remote sensing observations. Environmental Research Letters, 14(5): 055001. [DOI:10.1088/1748-9326/ab083d]
26. Talebi, A. and Z. Akbari. Investigation of ability of decision Trees model to estimate river suspended sediment (Case Study: Ilam Dam Basin). 2013. Water and Soil Science, 17(63): 109- 121 (In Persian).
27. Van Leeuwen, W.J., G.M. Casady, D.G. Neary, S. Bautista, J.A. Alloza, Y. Carmel and B.J. Orr. 2010. Monitoring post-wildfire vegetation response with remotely sensed time-series data in Spain, USA and Israel. International Journal of Wild land Fire, 19(1): 75-93. [DOI:10.1071/WF08078]
28. Veraverbeke, S., S. Harris and S. Hook. 2011. Evaluating spectral indices for burned area discrimination using MODIS/ASTER (MASTER) airborne simulator data. Remote Sensing of Environment, 115: 2702-2709. [DOI:10.1016/j.rse.2011.06.010]
29. Viana-Soto, A., I. Aguado and S. Martínez. 2017. Assessment of post-fire vegetation recovery using fire severity and geographical data in the mediterranean region (Spain). Environments, 4(4): 90. [DOI:10.3390/environments4040090]
30. Zhang, H., A. Eziz, J. Xiao, S. Tao, S. Wang, Z. Tang and J. Fang. 2019. High-resolution vegetation mapping using eXtreme gradient boosting based on extensive features. Remote Sensing, 11(12): 1505. [DOI:10.3390/rs11121505]
31. Zhu, C., Ding, J. Zhang and Z. Wang. 2022. Exploring the potential of UAV hyperspectral image for estimating soil salinity: Effects of optimal band combination algorithm and random forest. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 279: 121416. [DOI:10.1016/j.saa.2022.121416]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
