انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 10 2 2018 11 22 Building Extraction from Fused Hyperspectral and LiDAR Data using Machine Learning Technique استخراج ساختمان به کمک ادغام داده‌های ابرطیفی و لیدار به روش یادگیری ماشین 1 14 96491 FA سیدیوسف سجادی استادیار دانشکدة نقشه‌برداری، دانشگاه تفرش سعید پارسیان دانشجوی کارشناسی ارشد دانشکده نقشه برداری دانشگاه تفرش Journal Article 2017 11 26 In this study, the fusion of hyperspectral and LiDAR data was used to propose a new method to detectbuildings using the machine learning algorithm. The data sets provided by the National ScienceFoundation (NSF) - funded by Centre for Airborne Laser Mapping (NCALM)- over the University ofHouston campus and the neighboring urban area, were used. The objectives of this study were: 1)automatic buildings extracting using the hyperspectral and LiDAR fused data (automation), 2)detecting of the maximum number of listed buildings on the study area (completeness), and 3)achieving the high accuracy in building detection throughout the classification procedure (accuracyand precision). After classification of the buildings, a comparison was made between the resultsobtained by the proposed method and the reference method in this field. Our proposed methodshowed a better accuracy for buildings detection in a much shorter time compared to the referencemethod. The accuracy of the classification was assessed by four parameters of Precision,Completeness, Overall Accuracy and Kappa Coefficient, and the values of 96%, 100%, 99% and 0.94were obtained, respectively. در این مقاله، پژوهشی نوین از تلفیق داده‌های ابرطیفی و لیدار را برای تشخیص و استخراج عوارض ساختمانی، با استفاده از الگوریتم یادگیری ماشین، بررسی کردیم. مجموعه داده‌هایی که بنیاد ملی علوم (NSF) در اختیار گذاشته (این بنیاد را مرکز ارزیابی لیزر هوایی(NCALM) تأسیس کرده است) و پیش‌تر، دانشگاه هیوستن در منطقة مجاور شهری به‌کار گرفته است مورد استفاده قرار گرفت. در این روش، ابتدا، فرض بر آن است که، با تلفیق داده‌های فراطیفی و لیدار که هریک توانایی استخراج برخی از ویژگی‌های عوارض ساختمانی را دارد، می‌توان همان عارضه را، با دقت و صحت بیشتری، استخراج کرد. اعمال روش یادگیری ماشین روی داده‌های ابرطیفی تصویرِ سطح‌بندی‌شده از عوارض ساختمانی و دیگر عوارض را ایجاد خواهد کرد. پس از اعمال سطح‌بندی، روش پیشنهادی و دیگر روش‌های موجود در این زمینه مقایسه می‌شوند تا کیفیت روش پیشنهادی مشخص شود. چنین مقایسه‌ای نیازمند بررسی تعدادی پارامتر ارزیابی است که، در قسمت کنترل کیفیت، مطرح خواهند شد. به‌هرحال، دقت به‌دست‌آمده از نتایج روش انجام‌گرفته در این مقاله برابر با 56/95%، میزان کامل‌بودن 100%، صحت کلی 66/98% و ضریب کاپا برابر با 9430/0 محاسبه شد. هدف این مقاله استخراج خودکار ساختمان‌های موجود در داده‌های ابرطیفی هوایی و لیدار دریافت‌شده از یک منطقه (automation)، استخراج حداکثر تعداد ساختمان‌های موجود در تصاویر نام‌برده‌شده (completeness) و افزایش دقت و صحت در استخراج ساختمان (accuracy and precision) بوده است که، براساس نتایج حاصل از پارامترهای ارزیابی، محقق شده‌اند.

https://gisj.sbu.ac.ir/article_96491_118ad2571a1d0458c2ac85496c86de35.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 10 2 2018 11 22 Estimation Soil Organic Matter (SOM) Content Using Visible and Near Infrared Spectral data, PLSR and PCR Statistical Models برآورد مقدار مادة آلی خاک، با استفاده از داده‌های طیفی و مدل‌های آماری رگرسیون حداقل مربعات جزئی و رگرسیون مؤلفة اصلی 15 32 96497 FA حمیدرضا متین فر دانشیار گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه لرستان 0000-0002-2539-6975 حمید محمودزاده دانشجوی دکتری علوم خاک دانشگاه لرستان آذر فاریابی دانشجوی دکتری مدیریت منابع خاک، دانشکده کشاورزی، دانشگاه لرستان Journal Article 2018 09 22 Soil organic matter is one of the most important Physical and chemical properties of soil that it iscritical in determining the quality and management of soils. Quantify of soil organic carbon due to thehigh spatial variability and changes over time is difficult. Near-infrared-visible spectroscopy is afeasible method to reduce the time and cost to check the organic carbon. The aim of this study was toevaluate soil organic carbon through near-infrared and visible spectroscopy with the statistical modelsPLSR and PCR. For this purpose, 40 soil samples from depths of 0 to 30 cm were collected bysystematic random method based on previous studies and determination of different classes of soils inthe region. Chemical analysis of soils was performed according to standard methods. Spectralreflectance of soil samples in the range of 350 to 2500 nm was measured then after applying thepreprocessing methods such as Savitzky and Golay filter, Soil organic carbon were calculated byprincipal component analysis (PCA), regression partial least squares (PLSR) and principal componentregression (PCR) models. The results of this study showed that the Savitzky and Golay filter was thestrongest preprocessing method for spectral data. Coefficients of determination (R2), root mean squareerror of Prediction (RMSE) and ratio of prediction to deviation (RPD) in the calibration andvalidation to predict organic matter, respectively, 0.97, 0.05, 5.09 and 0.85, 0.14, 2.78 respectively.Therefore, for dry and semi-arid soils of the PLSR model, it is more efficient to predict the organiccarbon of the soil. The results showed that the PLSR model has better performance than the PCRmodel in soil organic carbon estimation. مادة آلی خاک از مهم‌ترین ویژ‌گی‌های فیزیکوشیمیایی خاک است که در تعیین کیفیت و مدیریت آن نقش بسزایی دارد. مقدار کربن آلی خاک دچار تغییرات زمانی و مکانی بالایی می‌شود و بنابراین، تعیین آن در آزمایشگاه هزینه‌بر، مشکل و وقت‌گیر است. طیف‌سنجی مرئی‌ـ مادون قرمز نزدیک، از نظر کاهش زمان و هزینه، روش توجیه‌پذیری است که برای بررسی کربن آلی خاک پیشنهاد شده است. هدف این پژوهش بررسی کربن آلی خاک ازطریق طیف‌‌سنجی مرئی‌ـ مادون قرمز نزدیک و برآورد آن با استفاده از مدل‌های آماری، PCA، PLSR و PCR است. برای این منظور، چهل نمونه خاک از عمق صفر تا 30 سانتی‌متری، به‌روش سیستماتیک تصادفی، برمبنای مطالعات پیشین و تعیین طبقات متفاوت خاک‌های منطقه، برداشت شد. تجزیة شیمیایی خاک‌ها طبق روش‌های استاندارد صورت گرفت. بازتاب طیفی نمونه‌های خاک در محدودة طیفی ٣٥٠ تا 2500 نانومتر اندازه‌گیری شد و پس از اعمال روش‌های پیش‌‌پردازش فیلتر ساویتزکی‌ـ گلای، به‌کمک تحلیل مؤلفه‌های اصلی (PCA)، رگرسیون حداقل مربعات جزئی(PLSR) و رگرسیون مؤلفة اصلی (PCR)، کربن آلی خاک برآورد شد. نتایج این پژوهش نشان داد که فیلتر ساویتزکی‌ـ ‌گلای قوی‌ترین روش پیش‌پردازش داده‌های طیفی بوده است. نتایج مدل‌‌سازی به‌روش PLSR نشان داد مقادیر R2، RMSE و RPD در مرحلة اعتبارسنجی، برای پیش‌بینی مادة آلی، به‌ترتیب 85/0، 14/0 و 78/2 بوده درحالی‌که نتایج مدل‌سازی PCR، برای پارامترهای آماری یادشده، به‌ترتیب 78/0، 19/0 و 05/2 است و دقت بیشتر روش آماری PLSR را، در مقایسه با روش PCR، برای مدل‌سازی برآورد کربن آلی خاک، می‌رساند. بنابراین، به‌نظر می‌رسد مدل PLSR، برای پیش‌بینی سریع کربن آلی خاک‌های مناطق خشک و نیمه‌خشک، کارآیی و دقت بیشتری داشته باشد.

https://gisj.sbu.ac.ir/article_96497_ac965ba03234a4c3a6c040e9de3ab0c8.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 10 2 2018 11 22 Making Digitization of Land Parcels Precise by Preserving Area and Dimensions تدقیق رقومی سازی قطعات ثبتی با تکیه بر حفظ مساحت و طول های چند ضلعی 33 44 96512 FA آرش حاذقی اقدم دانشگاه صنعتی خواجه نصیر الدین طوسی حسین هلالی دانشگاه صنعتی خواجه نصیر الدین طوسی علی اصغر آل شیخ دانشگاه صنعتی خواجه نصیر الدین طوسی 0000-0001-9537-9401 Journal Article 2017 11 23 All of the old paper-based land documents should be transformed to digital georeferenced form. Indigitization of parcels to be able to be imported into a cadastral system, the area of the digital form ofthe polygon should be in concordance with the analog document. However, during the digitizationprocess, geometric properties, such as area, changes. Preserving the dimensions and area prevents thecontradiction in documents and, registration and trading quarrels. In order to solve this problem,angles of the polygon vertexes are considered as observations by keeping the dimensions fixed and amethod based on the least-square adjustment is proposed. Executing the invented process, therequired concordance is acquired. For checking this method, a paper map having six parcels each withabout one thousand m2 area in 1:1000 scale is scanned and digitized by preserving area anddimensions. Results showed that the mean, maximum and minimum movement by using adjustingmethod is in average 19.31, 26.96 and 10.50 respectively that is acceptable from the land registrationaspect because of map scale and cadastral law about cultivation and national parcels. کلیه اسناد املاک قدیمی کشور که کاغذی هستند می‌بایستی به نقشه‌های رقومی و زمین مرجع تبدیل گردند. در رقومی‌سازی قطعات جهت ورود به سامانه حدنگاری، لازم است که فرم رقومی چندضلعی ازنظر مساحت و ابعاد محیطی با سند (قبلی) مطابقت داشته باشد. در فرایند رقومی‌سازی ویژگیهای هندسی عوارض نظیر مساحت پلی گون‌ها تغییر می‌یابد. حفظ مطابقت طول‌ها و مساحت، مانع از بروز مغایرت در اسناد و ایجاد اختلافات ثبتی و معاملاتی می‌گردد. جهت رفع این مشکل در این تحقیق، در فرایند رقومی سازی با ثابت نگه‌داشتن طول‌های اضلاع برای حفظ مساحت پلی گون‌ها، زوایای رئوس پلی گون‌ها به‌عنوان مشاهده در نظر گرفته می‌شود و روشی مبتنی بر سرشکنی کمترین مربعات با استفاده از معادلات شرط ارائه میگردد. در این فرایند، مختصات جهانی به محل‌های ثابت نقشه رقومی شده نسبت داده میشود و با حفظ طول اضلاع و با کمترین تغییر موقعیت رئوس، مساحت درج‌شده در سند جهت مطابقت لازمه تأمین می‌گردد. برای بررسی این روش، یک نقشه کاغذی حاوی شش قطعه با مساحتهای حدود هزار مترمربع در مقیاس 1:1000 اسکن گردید و رقومی سازی با تکیه‌بر حفظ مساحت و طولهای پلی گون‌ها صورت گرفت. نتایج نشان میدهد که میانگین، حداکثر و حداقل مقدار جابهجایی رئوس توسط روش سرشکنی به‌طور متوسط به ترتیب برابر 31/19، 96/26 و 50/10 سانتی‌متر است که با توجه به مقیاس نقشه و قوانین حدنگاری قطعات زراعی و اراضی ملی ازنظر ثبتی قابل‌قبول بوده و تدقیق صورت گرفته در رقومی سازی با توجه به مطابقت ایجادشده مقبول و مطلوب است. https://gisj.sbu.ac.ir/article_96512_7963db922d56407adcd6c24a0b6ac9e2.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 10 2 2018 11 22 Study of Precipitation Data of GPM and TRMM Satellites in Daily, Monthly and Seasonal Scales at Tehran بررسی داده‌های بارش ماهواره‌های GPM و TRMM در مقیاس‌های روزانه، ماهیانه و فصلی در شهر تهران 45 60 96520 FA آرش بی همتا دانشگاه اسلامشهر، دانشگاه آزاد اسلامی حمید گهرنژاد استادیار گروه مهندسی عمران، مرکز تحقیقات علوم زیست‌محیطی، دانشگاه آزاد اسلامی، اسلامشهر صابر معظمی استادیار گروه مهندسی عمران، مرکز تحقیقات علوم زیست‌محیطی، دانشگاه آزاد اسلامی، اسلامشهر Journal Article 2018 01 31 Rainfall is the most important factor directly involved in the hydrological cycle. Obtaining accuraterainfall data is essential for analyzing various hydrological phenomena and climate change. The aimof this study was to investigate the accuracy of the rainfall data of two GPM satellites with IMERGand TRMM with 3B42 product at four synoptic stations in Tehran on daily, monthly and seasonalscales. In comparative comparison between satellite data and rainfall observation data CorrelationCoefficient (R), Bias, Mean Absolute Error (MAE), Root Mean Square Error (RMSE), with the aimof validating data, and Probability of Detection (POD), False Alarm Ratio (FAR) and Critical SuccessIndex (CSI) verification of the data were investigated. The results showed that the correlation betweenIMERG data and rain observation data at station is higher than 3B42 data. In addition, the Bias, MAEand RMSE values confirmed that both the 3B42 and IMERG products had the lowest error rates withobservation data. Also, In the evaluation of the IMERG product with rainfall values of the Shemiranstation, the correlation at this station on the daily, monthly and seasonal scale was 57%, 83% and87%, respectively. In general, considering to its superior technology, IMERG has a high precision anda good tool for hydrological forecasting. بارندگی مهم‌ترین عاملی است که در چرخة هیدرولوژی، دخالت مستقیم دارد. به‌دست‌آوردن اطلاعات دقیق بارش، برای تحلیل پدیده‌های گوناگون هیدرولوژیکی و تغییرات اقلیمی، امری ضروری است. هدف از این تحقیق بررسی میزان دقت داده‌های بارش دو ماهوارة GPM با محصول IMERG وTRMM با محصول 3B42، در چهار ایستگاه سینوپتیک شهر تهران در مقیاس روزانه، ماهیانه و فصلی است. در مقایسة تطبیقی بین داده‌های ماهواره‌ای و داده‌های مشاهده‌ای بارش ضریب همبستگی (R)، میزان انحراف نسبی (Bias)، خطای قدر مطلق میانگین (MAE)، میانگین مربعات خطا (RMSE) به‌منظور ارزیابی و واسنجی داده‌ها، و مقادیر احتمال تشخیص (POD) و نسبت هشدار اشتباه (FAR) و شاخص موفقیت (CSI) با هدف راستی‌آزمایی داده‌ها، بررسی شد. مقادیر Bias، MAE و RMSE تأیید کرد که هر دو محصول 3B42 و IMERG، در ایستگاه شمیران، کمترین میزان خطا را با داده‌های مشاهده‌ای دارند. همچنین، در ارزیابی محصول IMERG با مقادیر بارش ایستگاه شمیران، میزان همبستگی در این ایستگاه در مقیاس روزانه، ماهیانه و فصلی، به‌ترتیب 57%، 83% و 87% مشخص شد. به‌طورکلی می‌توان گفت، با توجه به تکنولوژی برتر IMERG دقت بالایی دارد و ابزار خوبی برای پیش‌بینی‌های هیدرولوژیکی است.

https://gisj.sbu.ac.ir/article_96520_a6a26f314069ebb069766ea507f7ab96.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 10 2 2018 11 22 Application Indexes Geomorphometry Groundwater Springs on Spatial Modeling Occurrence at Central Alborz Probable with the Approach Weights-of-Evidence کاربرد نمایههای ژئومرفومتری در مدل سازی مکانی رخداد چشمههای آب زیرزمینی در منطقۀ البرز میانی، با رویکرد احتمالی وزنی شاهد 61 74 96539 FA حسین امامی دانشجوی کارشناسی ارشد آبخیزداری، گروه احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران میثم جعفری دانشجوی کارشناسی ارشد آبخیزداری، گروه احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران علی اکبر نظری سامانی دانشیار گروه احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران آرش ملکیان دانشیار گروه احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران Journal Article 2018 09 22 Spatial modeling of the groundwater springs occurrences allowed the identification of new springs fordrinking, agriculture and industry. The objective of this study was spatial modeling of thegroundwater springs occurrences using the geomorphometry indexes affecting the groundwatersprings occurrences and Weights-of-evidence control model and evaluating this model in CentralAlborz. Generally, 584 springs were identified in the study area that 409 (70%) of them were utilizedfor training and 175 (30%) springs for validation of Weights-of-evidence control model. 14 importantgeomorphometry indexes includin elevation, degree of slope, aspect, plan curvature, profilecurvature, topographic wetnes index, stream power index, slope length, topography position index,lithology, distance of faults, fault density, distance from rivers and drainage density were chosen inthe form of Weights-of-evidence control model for spatial modeling of the groundwater springsoccurrences. According to Weights-of-evidence control model, aspect and topographic wetness indexhad the lowest and the highest impact on the ground water springs occurrences respectively. The mapresulted from spatial modeling of groundwater springs occurrences were classified into 4 classesincluding the low, middle, high, and very high potential occurrences. The model was validated usingROC method, which the area under the curve was 0.866. This means the weights-of-evidence controlmodel was accurate enough for estimating the spatial modeling of groundwater springs occurrences inCentral Alborz. مدل‌سازی مکانی رخداد چشمه‌های آب زیرزمینی امکان شناسایی چشمه‌های جدید را، برای مصارف شرب و کشاورزی و صنعت، فراهم می‌آورد. هدف از این تحقیق مدل‌سازیِ مکانی رخداد چشمه‌های آب زیرزمینی، با استفاده از نمایه‌های ژئومرفومتری مؤثر در رخداد آنها و مدل احتمالی وزنی شاهد و بررسی کارآیی این مدل در منطقة البرز میانی است. به‌طورکلی، 584 چشمه در منطقة مورد مطالعه مشخص شدند که 409 (70%) چشمه‌ها‌ برای آموزش و 175 (30%) چشمه‌ها برای اعتبارسنجی مدل وزنی شاهد به‌کار رفتند. چهارده شاخص مهم ژئومرفومتری مؤثر در رخداد چشمه‌ها، در قالب رویکرد مدل وزنی شاهد برای مدل‌سازی مکانی رخداد چشمه‌ها، برگزیده شدند. این عوامل شامل ارتفاع، درجة شیب، جهت، انحنای صفحه‌ای، انحنای پروفیل، شاخص رطوبت توپوگرافی، شاخص قدرت جریان، طول شیب، شاخص موقعیت توپوگرافی، سنگ‌شناسی، فاصله از گسل‌ها، تراکم گسل‌ها، فاصله از آبراهه‌ها و تراکم زهکشی می‌شوند. در این تحقیق، براساس مدل وزنی شاهد، عامل‌های جهت شیب و شاخص رطوبت توپوگرافی، به‌ترتیب، دارای کمترین و بیشترین تأثیر در رخداد چشمه‌های آب زیرزمینی‌اند. نقشة به‌دست‌آمده از مدل‌سازی مکانی رخداد چشمه‌ها، در چهار طبقه، با پتانسیل رخداد کم، متوسط، زیاد و بسیار زیاد قرار گرفت. صحت پیش‌بینی مدل‌ مورد استفاده با استفاده از روش ROC بررسی شد. سطح زیرین منحنی 866/0 به‌دست آمد که نشان می‌دهد مدل وزنی شاهد، در برآورد رخداد مکانی چشمه‌های آب زیرزمینی در منطقة مورد مطالعه، دقت بسیار خوبی دارد. https://gisj.sbu.ac.ir/article_96539_41d143057dfd3388a3fa18dd251f1942.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 10 2 2018 11 22 Improved Automatic Polygonal Restoration in Geographic Information Systems بهبود ترمیم خودکار چندضلعیهای مسطح در سیستمهای اطلاعات جغرافیایی 75 94 96546 FA کیوان برنا استادیار دانشگاه خوارزمی، دانشکده علوم ریاضی وکامپیوتر،گروه علوم کامپیوتر، تهران، ایران فرهاد فتحی کارشناس ارشد مهندسی کامپیوتر(نرم افزار)، مؤسسه آموزش عالی علمی کاربردی جهادکشاورزی، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران Journal Article 2018 09 22 Repairing incorrect polygons for use in GIS software is semi-automated and time-consuming.Automatic polygon repair, interpretation of obscure polygons, and elimination of all existing bugsbased on definitions and global standards that have many uses in software related to GIS. Due to thecomplexity of the computation and data volumes in working with big data, there is always acompetition between the speed and the amount of memory used. In this paper, while introducing thestandard of the characteristics of simple complications in polygons, using Delaunay Triangulation andGTS functions in Java and with the help of the H2 database, a method is presented that receivespolygons in the form of a file in the CSV format and applies several effective algorithms toautomatically repair them. The polygons in the spatial data set are automated at optimal time and withminimal memory consumption and are repaired if necessary. The results show that this method,compared with the previous ones, our method leads to relative improvement in execution speed andprovides more than 50 percent saving (in average) in the main memory while working with big data. ترمیم چندضلعیهای نادرست برای استفاده در نرمافزارهای سیستم اطلاعات جغرافیایی، کاری نیمه خودکار و وقتگیر است. ترمیم خودکار چند ضلعی، تفسیر چند ضلعیهای مبهم و نادرست و از بین بردن کلیه اشکالات موجود براساس تعریفها و استاندارهای جهانی است که کاربردهای زیادی در نرم افزارهای مرتبط با سیستم اطلاعات جغرافیایی دارد. با توجه به پیچیدگی محاسبات و حجم دادهها در کار با مه دادهها ، همیشه رقابتی بین سرعت و میزان حافظه مصرفی وجود دارد. در این مقاله ضمن معرفی استاندارد مشخصات عوارض ساده در چندضلعی ها، با استفاده از مثلثبندی دلونی و توابع جی.تی.اس در جاوا و با کمک بانک اطلاعات H2روشی ارائه شده است که چندضلعیها را در قالب یک فایل CSV از ورودی دریافت کرده و با اعمال الگوریتمهای کارا چندضلعی های موجود را بررسی و به شکل خودکار ترمیم میکنیم. چندضلعیهای موجود در مجموعه دادههای مکانی به شکل خودکار و در زمانی بهینه و با مصرف حداقل حافظه بررسی و در صورت نیاز ترمیم می شوند. نتایج نشان میدهد این روش نسبت به نمونه های پیشین، باعث بهبود نسبی در سرعت اجرا و در هنگام کار با داده های بزرگ صرفهجویی متوسط بیش از 50 درصد در حافظه اصلی را نشان میدهد https://gisj.sbu.ac.ir/article_96546_9e8ba850b947995a7fac5796db5fd1c5.pdf

انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 10 2 2018 11 22 Spatial Modeling of Species Distribution and predicting potential distribution of the Iranian long-legged wood frog Abstract مدل‌سازی مکانی توزیع گونه‌ای و پیش‌بینی پتانسیل پراکنش قورباغة پادراز جنگلی ایران 95 108 96555 FA فراهم احمد زاده استادیار پژوهشکده علوم محیطی 0000-0003-1229-933X نگار امیری دانش آموخته کارشناسی ارشد تنوع زیستی و مدیریت اکوسیستم‌ها، پژوهشکده علوم محیطی، دانشگاه شهید بهشتی الهام ابراهیمی دانش آموخته پژوهشکده علوم محیطی Journal Article 2018 06 23 Today, it is well-known that predicting the distribution potential of endangered species by usingspatial modeling methods is highly beneficial and using these methods can greatly contribute toecological conservation and management. Rana pesudodalmatina is one of the Iranian endemicamphibian species of Iran. In order to predict the potential geographic distribution of the species itsoccurrence points were collected through field work and 19 so-called bioclim climate variables asspatial environmental predictors were extracted from the Worldclim database. By applying Pearsoncorrelation test, the highly correlated variables with correlation coefficient of 0.75 were eliminated.Species distribution modeling was done using newly published R package which includes GLM,GAM, RF, MARS, CART, FDA, BRT and SVM models. All individual models were compound as anensemble to reduce the uncertainty which increase the accuracy and predictive power. The resultsrevealed that the long-legged wood frog has maximum distribution potential in Hyrcanian forest ofIran. Also, the results of the valuation of the models showed that the AUC and TSS had better statusand the SVM model was the most credible. In addition, the results of measuring the importance ofeach of the variables showed that BIO6 had the highest and BIO19 had the least importance for this. امروزه مشخص شده پیشبینی پتانسیل توزیع گونههای در خطر انقراض با استفاده از روشهای مدلسازی به شدت سودمند بوده و استفاده از این روشها کمک بزرگی به حفاظت و مدیریت اکولوژیکی میکند. قورباغه پادراز جنگلی (Rana pesudodalmatina) از جمله گونههای بومی انحصاری ایران است. در این مطالعه اطلاعات حضور قورباغه پا دراز جنگلی از طریق پایش میدانی در زیستگاههای فعلی گونه گردآوردی گردید و 19 متغیر اقلیمی از پایگاه داده Worldclim استخراج شد. در مرحله بعدی با استفاده از آزمون همبستگی پیرسون، همبستگی بین متغیرهای اقلیمی با ضریب همبستگی 0.75 مورد سنجش قرار گرفت و سپس متغیرهای دارای همبستگی بالا از فرآیند مدلسازی حذف شدند. مدلسازی توزیع گونهای قورباغه پا دراز جنگلی با استفاده از بسته آماری sdm که شامل مدلهای GLM، GAM، RF، MARS، CART، FDA، BRT و SVM میباشد در محیط نرمافزارR انجام شد. در نهایت با استفاده از مدلسازی ترکیبی[1] به عنوان یک فرآیند سنتز نتایج مدلهای فردی برای افزایش دقت قدرت پیشبینی، یک نقشه ترکیبی جامع بهدست آمد. نتایج حاصل از مدل ترکیبی برای تعیین پتانسیلهای زیستگاهی قورباغه پا دراز جنگلی در ایران پیشبینی میکند در شرایط اقلیمی حاضر جنگلهای هیرکانی دارای حداکثر پتانسیل توزیع برای این گونه هستند. همچنین از نتایج ارزیابی مدلها نشان داد شاخص AUC و TSS وضعیت بهتری داشته و مدل SVM بیشترین درجه اعتبار است. علاوه بر این نتایج حاصل از سنجش اهمیت هر یک از متغیرها نشان داد BIO6 بیشترین و BIO19 کمترین اهمیت را برای این گونه دارند.

https://gisj.sbu.ac.ir/article_96555_2fb88ee97a699cbd93cb7f3859951f69.pdf