مقایسه رویه های مدل سازی پتانسیل انتقال کاربری اراضی و استلزام آنها به عنوان خط مبنای پروژه های REDD در استان مازندران
محل انتشار: اولین کنفرانس ملی مهندسی فناوری اطلاعات مکانی
سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 680
فایل این مقاله در 18 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
NCEGIT01_144
تاریخ نمایه سازی: 19 اردیبهشت 1395
چکیده مقاله:
کاهش انتشارات ناشی از جنگل زدایی و تخریب جنگل REDD راهکاری برای تعدیل تغییرات اقلیمی است که به منظور کاهش شدت جنگل زایی و انتشار گازهای گلخانه ای در کشورهای در حال توسعه به کار گرفته می شود در ارتباط با پروژه های REDD شناسایی مناطق در معرض جنگل زدایی شدید حائز اهمیت است در همین ارتباط رویه های مدل سازی پتانسیل انتقال تجربی به عنوان ابزاری برای شبیه سازی تغییرات کاربری اراضی به خصوص جنگل زدایی به کار برده می شود در چند دهه ی اخیر تغییرات شدید کاربری اراضی در استان مازندران باعث کاهش میزان چشمگیری از جنگل های هیرکانی شده است در این پژوهش تغییرات پوشش جنگل استان مازندران با استفاده از تصاویر ماهواره ای لندست متعلق به سال های 1363،1379و1393 مورد بررسی قرار گرفت همچنین مدل سازی پتانسیل انتقال پوشش جنگل به غیر جنگل با استفاده از سه رویکرد مدل سازی پتانسیل انتقال تجربی شامل شبکه ی عصبی مصنوعی پرسپترون چند لایه رگرسیون لجستیک و رویه یادگیری بر مبنای نمونه وزنی مشابهت و ارزیابی صحت بر اساس آمارهای منحنی مشخصه عملکرد نسبی ROC و عدد شایستگی صورت پذیرفت نتایج نشان می دهد که به ترتیب طی سالهای 1379-1363و1393-1379 نزدیک به 102192و86415 هکتار از سطح جنگل های استان مازندران کاسته شده است همچنین ارزیابی صحت سه رویکرد مدل سازی پتانسیل انتقال تجربی بیانگر صحت بالای مدل شبکه ی عصبی مصنوعی پرسپترون چند لایه با میزان مشخصه عملکرد نسبی برابر با 0/975 و میزان عدد شایستگی 26/8 درصد می باشد
کلیدواژه ها:
نویسندگان
کوشا پارسامهر
دانش اموخته ی کارشناسی ارشد محیط زیست گرایش ارزیابی و امایش سرزمین دانشکده منابع طبیعی دانشگاه تربیت مدرس
مهدی غلامعلی فرد
استادیار گروه محیط زیست گرایش ارزیابی و آمایش سرزمین دانشکده منابع طبیعی دانشگاه تربیت مدرس
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :