سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات161
تعداد شماره‌ها6,532
تعداد مقالات70,501
تعداد مشاهده مقاله124,110,315
تعداد دریافت فایل اصل مقاله97,213,991
شریف, مرتضی, عطارچی, سارا, عبدالهی کاکرودی, عطااله. (1401). بررسی تغییرات فنولوژی پوشش گیاهی در سه اکوسیستم‏ مختلف با استفاده از تصاویر راداری و اپتیک. , 54(1), 111-133. doi: 10.22059/jphgr.2022.334134.1007658
مرتضی شریف; سارا عطارچی; عطااله عبدالهی کاکرودی. "بررسی تغییرات فنولوژی پوشش گیاهی در سه اکوسیستم‏ مختلف با استفاده از تصاویر راداری و اپتیک". , 54, 1, 1401, 111-133. doi: 10.22059/jphgr.2022.334134.1007658
شریف, مرتضی, عطارچی, سارا, عبدالهی کاکرودی, عطااله. (1401). 'بررسی تغییرات فنولوژی پوشش گیاهی در سه اکوسیستم‏ مختلف با استفاده از تصاویر راداری و اپتیک', , 54(1), pp. 111-133. doi: 10.22059/jphgr.2022.334134.1007658
شریف, مرتضی, عطارچی, سارا, عبدالهی کاکرودی, عطااله. بررسی تغییرات فنولوژی پوشش گیاهی در سه اکوسیستم‏ مختلف با استفاده از تصاویر راداری و اپتیک. , 1401; 54(1): 111-133. doi: 10.22059/jphgr.2022.334134.1007658

بررسی تغییرات فنولوژی پوشش گیاهی در سه اکوسیستم‏ مختلف با استفاده از تصاویر راداری و اپتیک

پژوهش های جغرافیای طبیعی
دوره 54، شماره 1، اردیبهشت 1401، صفحه 111-133    اصل مقاله (1.4 M)
نوع مقاله: مقاله کامل
شناسه دیجیتال (DOI): 10.22059/jphgr.2022.334134.1007658
نویسندگان
مرتضی شریف1؛ سارا عطارچی* 2؛ عطااله عبدالهی کاکرودی3
1دانشجوی کارشناسی ارشد سنجش از دور و GIS، دانشگاه تهران، تهران، ایران
2استادیار گروه سنجش از دور و GIS، دانشگاه تهران، تهران، ایران
3دانشیار گروه سنجش از دور و GIS، دانشگاه تهران، تهران، ایران
چکیده
امروزه، تصاویر ماهواره‏ای فرصتی کم‏نظیر در بررسی تغییرات فنولوژی پوشش‏های گیاهی فراهم کرده است. تحقیق حاضر با هدف بررسی کارایی تصاویر رادار قطبی سنتینل- 1 در دو قطبش VV و  VHو تصاویر اپتیک (لندست- 8 و سنتینل- 2) برای پایش تغییرات فنولوژی گیاهی بر روی سه منطقه با شرایط محیطی و اکوسیستمی مختلف در جنوب و جنوب ‏غرب ایران (نخل‏های منطقة شادگان، جنگل‏های حرا، و بیشه‏زار) در سال 2017 انجام گرفته است. نتایج تحقیق حاضر نشان داد که شاخص‏های طیفی گیاهی بهتر از ضرایب بازپخش راداری چرخة فنولوژی و پویایی فصلی پوشش‏های گیاهی را نمایش می‏دهند. اما، در عین حال، ضریب بازپخش راداری در قطبش VH نیز قابلیت مناسبی برای پایش تغییرات گیاهان نشان می‏دهد. تغییرات قطبش VH نسبت به قطبش VV با تغییرات شاخص‏های گیاهی شامل EVI، SAVI، و NDVI  تطابق بیشتری دارد. نتایج همچنین بیانگر این مطلب است که شاخص  SAVIو EVI نسبت به  NDVIروند مراحل اولیة فنولوژیکی را برای بیشه‏زارها و نخل‏های شادگان به واقعیت زمینی نزدیک‏تر نشان می‏دهد. درصورتی‏که ضرایب بازپخش راداری در قطبش VH تصاویر سنتینل- 1 تغییرات سالیانة جنگل‏های حرا را در مقایسه با شاخص‏های پوشش گیاهی کامل‏تر نمایش می‏دهد. به‏‏طور کلی، می‏توان گفت، تصاویر راداری توانایی جای‏گزینی در شرایط در دسترس نبودن تصاویر اپتیک را دارند.
کلیدواژه‌ها
سنتینل- 1؛ لندست- 8؛ شاخص‏های پوشش گیاهی؛ SAVI؛ EVI
مراجع
  1. ثابتی، ح. (1355). جنگل‏ها، درختان و درختچه‏های ایران، تهران: سازمان تحقیقات کشاورزی و منابع طبیعی.
  2. حسامی، س. م. و دوازده‏امامی، س. (1395). بررسی فنولوژی گونة بلوط ایرانی (Quercus brantii Lindl) در سه رویشگاه مختلف در استان فارس، مجلة تحقیقات جنگل‏های زاگرس، دورة 3، شمارة 1، صص 33-46.
  3. زارع‏زاده مهریزی، ط.؛ خوشبخت، ک.؛ مهدوی دامغانی، ع. و کامبوزیا، ج. (1390). مطالعة اثرات کاهش جریانات جزر و مدی بر ساختار رویشی جنگل‏های حرا مطالعة موردی: پارک ملی- ساحلی نای‏بند، علوم محیطی، دورة 8، شمارة 4، صص 43-58.
  4. کوهپایه، ن.؛ ناصرزاده، م. و حجازی‏زاده بیگم، ز. (1397). طبقه‏بندی و ارتباط‏سنجی الگوهای فشار با مراحل فنولوژی خرما (مناطق سراوان و آبادان)، جغرافیای طبیعی، 12 (43): 89-105.
  5. یوسفی، ب. (1392). جمع‏آوری، شناسایی، و ارزیابی مورفولوژیک و فنولوژیک بیدهای استان کردستان، تحقیقات جنگل و صنوبر ایران، 21(1): 184-202.
  6. Amalisana, B. and Hernina, R. (2017). Land cover analysis by using pixel-based and object-based image classification method in Bogor. In IOP Conference Series: Earth and Environmental Science (Vol. 98, No. 1, p. 012005).
  7. Bazzi, H.; Baghdadi, N.; El Hajj, M.l Zribi, M.; Minh, D. H. T.; Ndikumana, E.; ... and Belhouchette, H. (2019). Mapping paddy rice using Sentinel-1 SAR time series in Camargue, France. Remote Sensing, 11(7): ‏
  8. Bequette, B. W. (2010). Continuous glucose monitoring: real-time algorithms for calibration, filtering, and alarms. Journal of diabetes science and technology, 4(2): 404-418.
  9. Buitenwerf, R.; Rose, L. and Higgins, S. I. (2015). Three decades of multi-dimensional change in global leaf phenology. Nature Climate Change, 5(4): 364-368.‏
  10. Burrows, M. T.; Schoeman, D. S.; Buckley, L. B.; Moore, P.; Poloczanska, E. S.; Brander, K. M.; ... and Richardson, A. J. (2011). The pace of shifting climate in marine and terrestrial ecosystems. Science, 334(6056): 652-655.
  11. Cai, Y.; Lin, H. and Zhang, M. (2019). Mapping paddy rice by the object-based random forest method using time series Sentinel-1/Sentinel-2 data. Advances in Space Research, 64(11): 2233-2244.
  12. Cai, Y.; Li, X.; Zhang, M. and Lin, H. (2020). Mapping wetland using the object-based stacked generalization method based on multi-temporal optical and SAR data. International Journal of Applied Earth Observation and Geoinformation, 92: ‏
  13. Chambers, J. Q.; Asner, G. P.; Morton, D. C.; Anderson, L. O.; Saatchi, S. S.; Espírito-Santo, F. D.; ... and Souza Jr, C. (2007). Regional ecosystem structure and function: ecological insights from remote sensing of tropical forests. Trends in Ecology & Evolution, 22(8): 414-423.‏
  14. Chen, X.; Vierling, L.; Deering, D. and Conley, A. (2005). Monitoring boreal forest leaf area index across a Siberian burn chronosequence: a MODIS validation study. International Journal of Remote Sensing, 26(24): 5433-5451.‏
  15. Christian, B.; Joshi, N.; Saini, M.; Mehta, N.; Goroshi, S.; Nidamanuri, R. R. and Krishnayya, N. S. R. (2015). Seasonal variations in phenology and productivity of a tropical dry deciduous forest from MODIS and Hyperion. Agricultural and Forest Meteorology, 214-215: 91-
  16. Clark, R. N.; Kokaly, R. F.; Swayze, G. A.; Livo, K. E.; Hoefen, T. M.; Pearson, N. C.; …and Klein, A. J. (2017). USGS Spectral Library Version 7: Data Series 1035. 61.
  17. Cohen, W. B.; Yang, Z. G. and Kennedy, R. )2010(. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 2. TimeSync - Tools for calibration and validation. Remote Sensing of Environment, 114: 2911-
  18. Drusch, M.; Del Bello, U., Carlier, S., Colin, O., Fernandez, V., Gascon, F., Bargellini, P. (2012). Sentinel-2: ESA’s Optical High-Resolution Mission for GMES Operational Services. Remote Sensing of Environment, 120: 25-
  19. Duke, N. C.; Meynecke, J. O.; Dittmann, S.; Ellison, A. M.; Anger, K.; Berger, U.; ... and Dahdouh-Guebas, F. (2007). A world without mangroves?. Science, 317(5834): 41-42.
  20. Ellison, J.C. and Simmonds, S. (2003). Structure and Productivity of inland mangrove stands at Lake MacLeod, Western Journal of the Royal Society of Western Australia, 86: 25-30.
  21. ESA (2017). Sentinels Scientific Data Hub. Retrieved from. https://scihub.copernicus.eu/ Dhus/#/home.
  22. Field, C. B.; Gamon, J. A. and Peñuelas, J. (1995). Remote sensing of terrestrial photosynthesis. In Ecophysiology of photosynthesis (pp. 511-527). Springer, Berlin, Heidelberg.‏
  23. Fisher, J. I.; Mustard, J. F. and Vadeboncoeur, M. A. (2006). Green leaf phenology at Landsat resolution: Scaling from the field to the satellite. Remote sensing of environment, 100(2): 265-279.‏
  24. Flores-Anderson, A. I.; Herndon, K. E.; Thapa, R. B. and Cherrington, E. (2019). Sampling Designs for SAR-Assisted Forest Biomass Surveys. THE SAR HANDBOOK Comprehensive Methodologies for Forest Monitoring and Biomass Estimation, 1-
  25. Frankie, G.W.; Baker, H.G. and Opler, P.A., (1974). Comparative phenological studies of trees in tropical wet and dry forests in the lowlands of Costa Rica. Ecol., 881-919.
  26. Frison, P. L.; Fruneau, B.; Kmiha, S.; Soudani, K.; Dufrene, E.; Le Toan, T.; ... and Rudant, J. P. (2018). Potential of Sentinel-1 data for monitoring temperate mixed forest phenology. Remote Sensing, 10(12): ‏
  27. Hansen, M. C.; Potapov, P. V.; Goetz, S. J.; Turubanova, S.; Tyukavina, A.; Krylov, A. and Egorov, A. (2016). Mapping tree height distributions in Sub-Saharan Africa using Landsat 7 and 8 data. Remote Sensing of Environment, 185: 221-
  28. Helman, (2018).Land surface phenology: What do we really 'see' from space?. Sci Total Environ. 618: 665-673.
  29. Hesami, M. and Davazdahemami, (2016).Phenology of Persian Oak (Quercus brantii Lindl.) in Three Different Sites in Fars Province, Iran. 3. 3 (1) :33-46. URL: http://yujs.yu.ac.ir/jzfr/article-1-79-fa.html. (in Persian).
  30. Hu, L.; Xu, N.; Liang, J.; Li, Z.; Chen, L.; and Zhao, F. (2020). Advancing the Mapping of Mangrove Forests at National-Scale Using Sentinel-1 and Sentinel-2 Time-Series Data with Google Earth Engine: A Case Study in China. Remote Sensing, Vol. 12.
  31. Huang, N.; Wang, L.; Song, X.-P.; Black, T. A.; Jassal, R. S.; Myneni, R. B.; …and Ji, D. (2020). Spatial and temporal variations in global soil respiration and their relationships with climate and land cover. Science Advances, 6(41):
  32. Huete, A. R. (1988); A soil adjusted vegetation index (SAVI), Remote Sensing of Environment. 25: 295 309.
  33. Huete, A. R.; Liu, H. Q.; Batchily, K. and van Leeuwen, W. J. D. (1997). A comparison of vegetation indices over a global set of TM images for EOS-MODIS. Remote Sensing of Environment, 59: 440-
  34. Huete, A.; Didan, K.; Miura, T.; Rodriguez, E. P.; Gao, X. and Ferreira, L. G. (2002). Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, 83(1-2): 195-
  35. Jensen, J. R. (1996). Introductory Digital Image Processing: A Remote Sensing Perspective. New Jersey: Prentice Hall, Inc.
  36. Jiang, Y.; Zhang, L.; Yan, M.; Qi, J.; Fu, T.; Fan, S. and Chen, B. (2021). High-Resolution Mangrove Forests Classification with Machine Learning Using Worldview and UAV Hyperspectral Data. Remote Sensing, Vol. 13.
  37. Jiao, X.; McNairn, H.; Shang, J. and Liu, J. (2010, July). The sensitivity of multi-frequency (X, C and L-band) radar backscatter signatures to bio-physical variables (LAI) over corn and soybean fields. In ISPRS TC VII Symposium—100 Years ISPRS (pp. 317-325).
  38. Jin, H., Eklundh, L.,. (2014). A physically based vegetation index for improved monitoring of plant phenology. Remote Sens. Environ. 152, 512–
  39. Kang, J.; Hou, X.; Niu, Z.; Gao, S. and Jia, K. (2014). Decision tree classification based on fitted phenology parameters from remotely sensed vegetation data. Transactions of the Chinese Society of Agricultural Engineering, 30(9): 148-156.
  40. Khouly, A.A. and Khedr, A. (2007). Zonation pattern of Avicennia marina and Rhizophora mucronata along the Red Sea Coast, Egypt. World applied sciences Journal, 2(4): 283-288.
  41. Knipling, E. B. (1970). Physical and Physiological Basis for the Reflectance of Visible and Near-Infrared Radiation from 1:155-159.
  42. Knyazikhin, Y.; Schull, M. A.; Stenberg, P.; Mottus, M.; Rautiainen, M.; Yang, Y.; … Myneni, R. B. (2013). Hyperspectral remote sensing of foliar nitrogen content. Proceedings of the National Academy of Sciences, 110(3): E185–E192.
  43. Koohpaye, N.; Naserzade, M. and Hejazizade Bigom, Z. (2019). Classification and measurement of pressure patterns with date phenological stages (Saravan and Abadan regions). Physical Geography Quarterly, 12(43), 89-104. (in Persian).
  44. Li, J., Pei, Y., Zhao, S., Xiao, R., Sang, X. and Zhang, C. (2020). A Review of Remote Sensing for Environmental Monitoring in China. Remote Sensing, 12(7):
  45. Liao, C.; Wang, J.; Dong, T.; Shang, J., Liu, J. and Song, Y. (2019). Using spatio-temporal fusion of Landsat-8 and MODIS data to derive phenology, biomass and yield estimates for corn and soybean. Science of the total environment, 650: 1707-1721.
  46. Louis, J.; Debaecker, V.; Pflug, B.; Main-Knorn, M.; Bieniarz, J.; Mueller-Wilm, U.; ... and Gascon, F. (2016). Sentinel-2 sen2cor: L2a processor for users. In Proceedings Living Planet Symposium (pp. 1-8). Spacebooks Online.
  47. Lovelock, C. E.; Feller, I. C.; Ellis, J.; Schwarz, A. M.; Hancock, N.; Nichols, P. and Sorrell, B. (2007). Mangrove growth in New Zealand estuaries: the role of nutrient enrichment at sites with contrasting rates of sedimentation. Oecologia, 153(3), 633-641.‏
  48. Lu, X., Cheng, X., Li, X., Chen, J., Sun, M., Ji, M., ... & Tang, J. (2018). Seasonal patterns of canopy photosynthesis captured by remotely sensed sun-induced fluorescence and vegetation indexes in mid-to-high latitude forests: A cross-platform comparison. Science of the total environment, 644, 439-451.
  49. Macelloni, G.; Paloscia, S.; Pampaloni, P.; Marliani, F. and Gai, M. (2001). The relationship between the backscattering coefficient and the biomass of narrow and broad leaf crops. IEEE Transactions on Geoscience and Remote Sensing, 39(4): 873-884.‏
  50. Miao, N.; Jiao, P.; Tao, W.; Li, M.; Li, Z.; Hu, B. and Moermond, T. C. (2020). Structural dynamics of Populus euphratica forests in different stages in the upper reaches of the Tarim River in China. Scientific Reports, 10(1):
  51. Montesano, P. M.; Nelson, R.; Sun, G.; Margolis, H.; Kerber, A. and Ranson, K. J. )2009(. MODIS tree cover validation for the circumpolar taiga-tundra transition zone. Remote Sensing of Environment, 113(10): 2130-
  52. Moran, M. S.; Vidal, A.; Troufleau, D.; Qi, J.; Clarke, T. R.; Pinter Jr, P. J.; ... and Neale, C. M. U. (1997). Combining multifrequency microwave and optical data for crop management. Remote Sensing of Environment, 61(1): 96-109.
  53. Moran, M. S., Alonso, L., Moreno, J. F., Mateo, M. P. C., De La Cruz, D. F., & Montoro, A. (2011). A RADARSAT-2 quad-polarized time series for monitoring crop and soil conditions in Barrax, Spain. IEEE Transactions on Geoscience and Remote Sensing, 50(4), 1057-1070.‏
  54. Murphy, P. G. and Lugo, A. E. (1986). Ecology of tropical dry forest. Annual review of ecology and systematics, 17(1): 67-88.‏
  55. Naidoo, G. (2010). Ecophysiological differences between fringe and dwarf Avicennia marina mangroves. Trees, 24: 667-673.
  56. Niphadkar, M.; Nagendra, H.; Tarantino, C.; Adamo, M. and Glenn, N. F. (2017). Comparing Pixel and Object-Based Approaches to Map an Understorey Invasive Shrub in Tropical Mixed Forests. 8(May), 1-
  57. Pastor-Guzman, J.; Dash, J. and Atkinson, P. M. (2018). Remote sensing of mangrove forest phenology and its environmental drivers. Remote sensing of environment, 205: 71-84.‏
  58. Piao, S.; Wang, X.; Park, T.; Chen, C.; Lian, X. U.; He, Y.; ... and Myneni, R. B. (2020). Characteristics, drivers and feedbacks of global greening. Nature Reviews Earth & Environment, 1(1); 14-27.
  59. Potere, D. (2008). Horizontal positional accuracy of Google Earth's high-resolution imagery archive. Sensors, 8: 7973-
  60. Potter, C. S.; Klooster, S. A. and Brooks, V. (1999). Interannual variability in terrestrial net primary production: exploration of trends and controls on regional to global scales. Ecosystems, 2: 36-
  61. Proisy, C.; Mougin, E.; Dufrêne, E.; Dantec, V.L. (2000). Monitoring seasonal changes of a mixed temperate forest using ERS SAR observations. IEEE Trans. Geosci. Remote Sens. 38, 540–552.
  62. Qiao, K.; Zhu, W.; Xie, Z. and Li, P. (2019). Estimating the seasonal dynamics of the leaf area index using piecewise LAI-VI relationships based on phenophases. Remote Sensing, 11(6):
  63. Reich, P. B. and Borchert, R. (1984). Water stress and tree phenology in a tropical dry forest in the lowlands of Costa Rica. The Journal of Ecology, 61-74.
  64. Richards, J.A. (2009). Remote sensing with imaging radar. New York, Springer.
  65. Rocha, A. V. and Shaver, G. R. (2009). Advantages of a two band EVI calculated from solar and photosynthetically active radiation fluxes. Agricultural and Forest Meteorology, 149(9): 1560-
  66. Rüetschi, M.; Schaepman, M. E. and Small, D. (2018). Using multitemporal sentinel-1 c-band backscatter to monitor phenology and classify deciduous and coniferous forests in northern switzerland. Remote Sensing, 10(1):
  67. Saadat, M.; Hasanlou, M. and Homayouni, S. (2019). Rice Crop Mapping Using SENTINEL-1 Time Series Images (case Study: Mazandaran, Iran). The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 42: 897-904.
  68. Sabeti, H. (1355). Forests, trees and shrubs of Iran. Agricultural and Natural Resources Research Organization, p 810. (in Persian).
  69. Savoy, P. and Mackay, D. S. (2015). Modeling the seasonal dynamics of leaf area index based on environmental constraints to canopy development. Agricultural and Forest Meteorology, 200: 46-56.
  70. Schlund, M. and Erasmi, S. (2020). Remote Sensing of Environment Sentinel-1 time series data for monitoring the phenology of winter wheat. Remote Sensing of Environment, 246(March), 111814.
  71. Song, C. and Woodcock, C. E. (2003). Monitoring forest succession with multitemporal Landsat images: Factors of uncertainty. IEEE Transactions on Geoscience and Remote Sensing, 41(11): 2557-2567.
  72. Shimada, Masanobu; Takuya Itoh; Takeshi Motooka; Manabu Watanabe; Tomohiro Shiraishi; Rajesh Thapa; and Richard Lucas (2014). New Global Forest/Non-Forest Maps from ALOS PALSAR Data (2007-2010). Remote Sensing of Environment, 155: 13-
  73. Stendardi, L.; Karlsen, S. R.; Niedrist, G.; Gerdol, R.; Zebisch, M.; Rossi, M. and Notarnicola, C. (2019). Exploiting time series of Sentinel-1 and Sentinel-2 imagery to detect meadow phenology in mountain regions. Remote Sensing, 11(5):
  74. Thevs, Niels; Stefan Zerbe; Jan Peper; and Michael Succow(2008). Vegetation and Vegetation Dynamics in the Tarim River Floodplain of Continental-Arid Xinjiang, NW China. Phytocoenologia, 38(1-2): 65-
  75. Tian, H.- Huang, N.- Niu, Z., Qin, Y.- Pei, J. and Wang, J. (2019). Mapping winter crops in China with multi-source satellite imagery and phenology-based algorithm. Remote sensing, 11(7):
  76. Torres, R.; Snoeij, P.; Geudtner, D.; Bibby, D.; Davidson, M.; Attema, E.; ... and Rostan, F. (2012). GMES Sentinel-1 mission. Remote Sensing of Environment, 120: 9-24.
  77. Treshkin, S. Y. (2012). The Tugai Forests of Floodplain of the Amudarya River: Ecology, Dynamics and Their. Springer, 95.
  78. Vavlas, N. C.; Waine, T. W.; Meersmans, J.; Burgess, P. J.; Fontanelli, G. and Richter, G. M. (2020). Deriving Wheat Crop Productivity Indicators Using Sentinel-1 Time Series. Remote Sensing, 12(15):
  79. Venter, O.; Brodeur, N. N.; Nemiroff, L.; Belland, B.; Dolinsek, I. J. and Grant, J. W. (2006). Threats to endangered species in Canada. Bioscience, 56(11): 903-910.
  80. Verbesselt, J., Hyndman, R., Newnham, G., & Culvenor, D. (2010). Remote Sensing of Environment Detecting trend and seasonal changes in satellite image time series. Remote Sensing of Environment, 114(1), 106–115.
  81. Wang, J.; Xiao, X.; Bajgain, R.; Starks, P.; Steiner, J.; Doughty, R. B. and Chang, Q. (2019). Estimating leaf area index and aboveground biomass of grazing pastures using Sentinel-1, Sentinel-2 and Landsat images. ISPRS Journal of Photogrammetry and Remote Sensing, 154: 189-201.
  82. Wang, C., Chen, J., Wu, J., Tang, Y., Shi, P., Black, T.A., Zhu, K. (2017). A snow-free vegetation index for improved monitoring of vegetation spring green-up date in deciduous ecosystems. Remote Sens. Environ. 196, 1–12. ‏
  83. Yang, W.; Kobayashi, H.; Wang, C.; Shen, M.; Chen, J.; Matsushita, B.; ... and Kondoh, A. (2019). A semi-analytical snow-free vegetation index for improving estimation of plant phenology in tundra and grassland ecosystems. Remote Sensing of Environment, 228: 31-44.
  84. Yousefi, B. (2013). Collection, identification and morphological - phonological evaluation of Willows accessions at Kurdistan province of Iran. Iranian Journal of Forest and Poplar Research, 21(1): 184- (in Persian).
  85. Zare Zadeh Mehrizi, T.; Khoshbakht, K.; Mahdavi Damghani, A. and Kambouzia, J. (2011). Studying Effects of Reduction in Tidal Flooding on the Structure of Mangrove Forests, A Case Study From Nayband Coastal National Park. Environmental Sciences, 8(4): 43- Retrieved from. (in Persian).
  86. Zhang, M.; Lin, H.; Wang, G.; Sun, H. and Fu, J. (2018). Mapping paddy rice using a convolutional neural network (CNN) with Landsat 8 datasets in the Dongting Lake Area, China. Remote Sensing, 10(11): ‏
  87. Zheng, G.; Chen, J. M.; Tian, Q. J.; Ju, W. M. and Xia, X. Q. (2007). Combining remote sensing imagery and forest age inventory for biomass mapping. Journal of Environmental Management, 85(3): 616-623.
آمار
تعداد مشاهده مقاله: 669
تعداد دریافت فایل اصل مقاله: 305


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب