logo
calendar24 Iyul 2025
view34
Основной язык:Узбекский

OROLBO‘YI HUDUDIDAGI YER QOPLAMI VA YASHIL BIOMASSA DINAMIKASINING O‘ZGARISHINI TAHLIL QILISH

Область науки:
pdf

6882657deff21.pdf

PDF

Агрохимия, защита и карантин растений

Агрохимия, защита и карантин растений

Опубликовать статьюsee more

АННОТАЦИЯ СТАТЬИ

quote
Данное научное исследование было посвящено оценке динамики почвенно-растительного покрова и зеленой биомассы в регионе Аральского моря в период с 2000 по 2024 год с использованием технологий дистанционного зондирования и геоинформации. Для этой цели в общей сложности 21 безоблачная сцена (объемом около 35 ГБ) с датчиков MODIS, Landsat и Sentinel-2 были подвергнуты атмосферным коррекциям Sen2Cor и процессам маскирования Fmask в среде Google Earth Engine. Слои NDVI и LAI были разработаны на основе сезонных медианных композитов. Уравнение Биомасса = 7,63 × e^(2,85 × NDVI) было определено между NDVI и данными полевых измерений биомассы, при этом R² = 0,79 и RMSE = 3,4 т/га. Конечный результат состоял в том, что слои NDVI, LAI и биомассы с разрешением 10 м (UTM 42N) были наложены на различные классы почвенно-растительного покрова, что наглядно показало скорость деградации в этом районе, тенденции роста и снижения биомассы на мелиорированных территориях и в зонах орошаемого земледелия. Результаты исследований послужат важной аналитической основой для планирования водосберегающих технологий, мониторинга окружающей среды и разработки стратегий регионального пространственного планирования.

АВТОРЫ

B.Bektashev

Atrof-muhit va tabiatni muhofaza qilish texnologiyalari ilmiy-tadqiqot instituti

N.Samatov

Atrof-muhit va tabiatni muhofaza qilish texnologiyalari ilmiy-tadqiqot instituti

J.To'layev

Atrof-muhit va tabiatni muhofaza qilish texnologiyalari ilmiy-tadqiqot instituti

G.Keldiyorova

Samarqand davlat universiteti

Теги

# Аральское море# Aral Sea# salinity# reclamation# рекультивация# геоинформационные системы# landsat# ландсат# соленость# дистанционное зондирование# remote sensing# sho‘rlanish# geographic information systems# Sentinel-2# geoaxborot tizimlari# NDVI# MODIS# random forest# случайный лес# Orolbo‘yi# masofadan zondlash# rekultivatsiya# yer qoplami# yashil biomassa# LAI# Google Earth Engine# biomassa–NDVI bog‘lanishi# ekologik degradatsiya# почвопокровные# зеленая биомасса# ЛАИ# Google Планета Земля# МОДИС# Сентинел-2# взаимосвязь биомассы и NDVI# ухудшение состояния окружающей с# land cover# green biomass# biomass–NDVI linkage# ecological degradation

ДРУГИЕ СТАТЬИ ЭТОГО ЖУРНАЛА

Оценить статью

0
оценок: 0
5
4
3
2
1

Идентификаторы статьи

ROI:

https://eroi.uz/11.0071/A0725-0053

DOI:

Недоступно

Список литературы

1. O‘zbekiston Respublikasi Prezidentining 2022-yil 28-yanvardagi «O‘zbekiston Respublikasini Taraqqiyot strategiyasi to‘g‘risida»gi PF-60-son Farmoni

2. O‘zbekiston Respublikasi Prezidentining 2020-yil 12-fevraldagi «Orolbo‘yi XIM faoliyati samaradorligini oshirishga doir qo‘shimcha chora-tadbirlar to‘g‘risida»gi PQ-4597-son qarori.

3. O‘zbekiston Respublikasi Prezidentining 2023-yil 23-noyabrdagi «“Yashil makon” loyihasini izchil amalga oshirish orqali ekologik barqarorlikni ta’minlash chora-tadbirlari to‘g‘risida»gi PF-199-son Farmoni

4. Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5–32.

5. Gorelick, N., Hancher, M., Dixon, M. va boshq. (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 202, 18-27

6. Huete, A. R., Didan, K., Miura, T. va boshq. (2002). MODIS vegetation indices. Remote Sensing of Environment, 83(1-2), 195-213

7. Rouse, J. W., Haas, R. H., Schell, J. A. & Deering, D. W. (1974). Monitoring vegetation systems in the Great Plains with ERTS. NASA SP-351, 309-317

8. Chander, G., Markham, B. & Helder, D. (2009). Summary of current radiometric calibration coefficients for Landsat 5 TM and Landsat 7 ETM+ sensors. Remote Sensing of Environment, 113(5), 893-903.

9. Zhu, Z., Woodcock, C. E., & Olofsson, P. (2012). Improved cloud detection for Landsat imagery. Remote Sensing of Environment, 118, 83-94.

10. Foody, G. M. & Mathur, A. (2004). Toward intelligent training of supervised image classifications: directing training data acquisition for SVM classification. Remote Sensing of Environment, 93(1-2), 107-117.

11. Myneni, R. B., Ross, J. & Asrar, G. (2015). Leaf Area Index (LAI) and NDVI relationship. Advances in Photosynthesis and Respiration, 30, 75-100

12. Sen2Cor Team. (2023). Sen2Cor v2.11 User Guide. European Space Agency.

13. Zhu, Z. & Woodcock, C. E. (2014). Continuous change detection and classification of land cover using all available Landsat data. Remote Sensing of Environment, 144, 152-171

14. Foga, S., Scaramuzza, P., Guo, S. va boshq. (2017). Cloud, cloud shadow, and snow detection in Landsat imagery. Remote Sensing of Environment, 202, 218-226