• سه شنبه ۶ اسفند ۱۳۹۸
  • |

آمار سایت

  • تمام بازديد‌ها: 1887224 بازدید
  • بازديد 24 ساعت قبل: 2558 بازدید
  • مهمانان حاضر در زیرپورتال: 20 کاربر
  • کاربران حاضر در زیرپورتال:0 کاربر

ورود به سایت

شناسایی آفات جنگلی

1- تعریف مسئله:
آفت حشره‌ای است که جمعیت آن از حد قابل قبول یا آستانه بالاتر می‌رود. آفات، حشرات، بیماری ها و سایر عوامل زیست محیطی، تأثیرات قابل توجهی در تخریب جنگل ها و منابع طبیعی دارند. آنها می توانند بر رشد درخت و عملکرد چوب و محصولات غیر چوبی تأثیر منفی بگذارند. خسارت ناشی از آفات جنگلی می-تواند زیستگاه حیات وحش را به میزان قابل توجهی کاهش داده و از این طریق تنوع زیستی محلی و غنای گونه ها را کاهش دهد. از گذشته موضوع حفاظت از جنگل ها در برابر عوامل تخریب مانند آتش سوزی، آلودگی، گونه های تهاجمی، حشرات و بیماری ها بسیار مهم و حیاتی است.
اقدامات مربوط به محافظت از جنگل ها در برابر آفات و بیماری ها، بخشی جدایی ناپذیر از مدیریت پایدار جنگل ها است. برای مدیریت مؤثر آفات، دسترسی به اطلاعات درست مورد نیاز است. اطلاعاتی از قبیل نوع آفات، زیست شناسی آنها، توزیع آنها، تأثیرات آنها بر اکوسیستم های جنگلی، محل پراکنش آنها و روش های کنترل آنها بسیار اهمیت دارد. امروزه اطلاعات کیفی زیادی در مورد آفات و بیماریها در مقیاس محلی، ملی و حتی منطقه ای وجود دارد، اما اطلاعات کمی و جامع در سطح جهانی بسیار اندک است. فن آوری فضایی / سنجش از دور نقش بسیار مهمی در پایش و شناسایی آفات جنگلی دارند که در ادامه به برخی از این مهم اشاره شده است. فن آوری فضایی با قابلیت جمع آوری داده های مشاهده زمینی در مقیاس های مختلف مکانی، زمانی و طیفی، امکانات و قابلیت های موثری را برای متخصصین و تصمیم گیران به منظور نظارت بر آشفتگی جنگل (مانند تغییرات در پارامترهای بیوفیزیکی و بیوشیمیایی جنگل) فراهم می کند. تحقیقات انجام شده در زمینه جنگل در دهه گذشته رشد فزاینده مطالعه بیماریها و آفات جنگل ها با کمک سنجش از دور را نشان می دهد. با استفاده از سنجش از دور تشخیص جنگل های آلوده به حشرات یا آفات (تغییر در ویژگی طیفی درختان جنگل) امکان پذیر است. بسته به نوع یا مرحله آسیب، علائم ممکن است نشان دهنده کاهش میزان کلروفیل، مقدار آب در شاخ و برگ، تغییر رنگ برگ، ریزش زود هنگام برگ و ... باشد. در شکل 1 نمونه ای از تغییر در جنگل بر اثر آفات مشاهده می شوند.
 
شکل 1: تغییر ظاهرگیاهان ناشی از آفات در محیط های جنگلی
2- ویژگی ها و باندهای طیفی تصاویر ماهواره ای
بازتاب گیاه سالم در طول موج های مختلف الگوی مشخص دارد که در علم سنجش از دور شناخته شده است (شکل 2). در این الگو بالاترین میزان جذب و کمترین بازتاب را در بخش مرئی (VIS) شاهد هستیم و به دنبال آن بالاترین بازتاب پوشش گیاهی در محدوده مادون قرمز نزدیک (NIR) اتفاق می افتد. در محدوده طول موج مرئی (VIS) دو باند جذب در قسمت 0.43 میکرومتر و 0.66 میکرومتر وجود دارد و بعد از آنها یک اوج بازتاب در وسط باند سبز (0.54 میکرومتر) اتفاق می افتد (شکل 2) که در اثر رنگ سبز شاخ و برگ های سالم گیاه است. جذب نور در منطقه طول موج مرئی در اثر رنگدانه ها (کلروفیل a و b، کاروتن، زانتوفیل، آنتوسیانین و غیره) اتفاق می افتد. شاخص سطح برگ متغیر مهم بیوفیزیکی برای ارزیابی سلامت گیاه است. از آنجایی که بازتاب پوشش گیاهی در محدوده طول موج مرئی پایین می باشد، از بین رفتن قابل توجه شاخ و برگ در گیاهان با کاهش قابل توجه شاخص سطح برگ همراه خواهد شد؛ بنابراین شاخص سطح برگ نیز یکی از پارامترهای مهم جهت مطالعه آفات می باشد.
 
شکل 2: انعکاس پوشش گیاهی سالم در طول موج های مختلف
اما طول موج های 0.65 تا 0.7 میکرومتر که در سنجش از دور به لبه قرمز (Red Edge) معروف است (شکل 2) از بخش های بسیار مهم و حساس در مطالعه آفات جنگلی هستند. از این رو توانایی تجزیه و تحلیل این محدوده باریک ممکن است در تشخیص تنش در گیاهان به مفسر کمک کند. امروزه در برخی از سنجنده ها این باند برداشت می شود و امکان مطالعه آفات با این باند را فراهم کرده است. بیشترین انعکاس در گیاهان سالم در محدوده مادون قرمز نزدیک اتفاق می افتد (شکل 2) و با تحقیقات زیاد مشخص شده است که تغییر در خصوصیات طیفی NIR ممکن است در تشخیص از بین رفتن شاخ و برگ از نظر پیری یا استرس مفید باشد. در بازه مادون قرمز میانی (SWIR) بازتاب گیاهان سالم دو قله، به ترتیب در محدوده طیفی 1.6 میکرومتر و 2.2 میکرومتر دارد (شکل 2) و در فواصل آنها باندهای جذب آب وجود دارند. اگر در اثر تنش یا آفات گیاهی میزان آب کاهش یابد، میزان انعکاس در این محدوده ها افزایش می یابد که می تواند در شناسایی تنش ها کمک کند؛ بنابراین طول موج های مختلف که در تصاویر ماهواره ای در باندهای مختلف ثبت می شوند در شناسایی آفات گیاهان می توانند موثر باشند. در شکل 3 تغییرات در محدوده های مختلف طول موج الکترومغناطیسی در اثر برخی از تنش ها در مقایسه با گیاه سالم نشان داده شده است.
 
شکل 3: تغییرات بازتاب گیاهان در اثر بیماری در مقایسه با گیاه سالم
شکل 3 نشان می دهد که در اثر تنش ها در محدوده مرئی بازتاب افزایش می یابد و در اکثر تنش ها نیز میزان بازتاب در محدوده مادون قرمز کاهش می یابد.

3- نوع نرم افزار مورد استفاده و تعریف بخش هایی از نرم افزار که برای موضوع مورد نظر بکار گرفته می شود.
جهت مطالعه آفات و بیماری های جنگل اغلب از نرم افزارهای سنجش از دوری استفاده می گردد؛ زیرا در این مطالعات لازم است که تصاویر ماهواره ای پردازش شوند؛ بنابراین می توان از نرم افزارهای معروف سنجش از دوری مانند Envi، Pci Geomatica، Erdas و ... استفاده نمود. در اکثر مطالعات لازم است که شاخص های پوشش گیاهی جهت مطالعه آفات محاسبه شوند بنابراین اگر در نرم افزارهای سنجش از دوری برای این شاخص ها از قبل منو وجود داشته باشد از آن استفاده می کنیم و اگر موجود نباشد به راحتی این شاخص ها با قابلیت فرمول نویسی نرم افزارهای سنجش از دوری محاسبه می شوند. اغلب از الگوریتم های طبقه بندی نرم افزارهای سنجش از دوری نیز برای مطالعه آفات و همچنین میزان شدت آفات استفاده می گردد. در نرم افزارهای سنجش از دوری الگوریتم های مختلف طبقه بندی وجود دارند که به صورت کلی به دو دسته نظارت شده و نظارت نشده تقسیم می شوند که بسته به نوع مطالعه از الگوریتم مناسب استفاده می-گردد.

4- انواع تصحیحات (اعم از رادیومتریک، هندسی و اتمسفری و غیره) مورد نیاز برای تصاویر ماهواره ای مورد استفاده
جهت مطالعه آفات جنگلی از آنجایی که تشخیص مکان آلودگی و یا محل های آلودگی با شدت های مختلف بسیار اهمیت دارد، تصحیح هندسی دقیق از اهمیت بالایی برخوردار می باشد. اگر منطقه کوهستانی باشد لازم است که تصحیح هندسی با اصلاح خطاهای جابجایی ناشی از پستی و بلندی (Ortho- Rectification) انجام شود. در ضمن به دلیل اینکه بازتاب های طیفی در این مطالعات بسیار اهمیت دارند لازم است که حتما تصحیحات رادیو متری و اتمسفری انجام شود تا بازتاب خالص گیاهان سالم و بیمار را داشته باشیم. به خصوص اگر مطالعه در زمان های مختلف و یا تایم سری انجام شود، تصحیحات رایومتری و اتمسفری برای زمان های مختلف بسیار حائز اهمیت می باشند.

5- تعیین سیستم های مختصات متناسب با موضوع
در این مطالعات می توان از سیستم های مختصات مختلف که مکان وقوع بیماری را به درستی نشان دهند استفاده نمود. سیستم مختصات جهانی یا کروی (طول و عرض جغرافیایی) و سیستم مختصات تصویری UTM از مهمترین سیستم های مختصات هستند که می توان در این مطالعات استفاده نمود. بهتر است که در سطوح بسیار بزرگ و وسیع مانند کل ایران از سیستم مختصات جغرافیایی که یک سیستم مختصات جهانی است، استفاده گردد.

6- تعیین روش پردازش تصاویر ماهواره ای بکار رفته (پیش پردازش، پردازش های ثانویه،...)
مقادیر طیفی در یک تصویر نماینده تاج بالای درخت بوده و کل درخت را توصیف نمی کند. بسیاری از آفات بر توانایی درخت در فرآیند فتوسنتز و ذخیره رطوبت در شاخ و برگ اثر می گذارند لذا یکی از نتایج آن تغییر قابل توجه در رنگ شاخ و برگ (تغییر رنگ) درختان است. برای مثال، سوزنها روی درختان کاج در مرحله حمله سوسک های کاج کوهی، قرمز می شوند یا درختان بلوط از نظر بصری به دلیل مرگ ناگهانی بلوط، قهوه ای و خشک شده به نظر می رسند. سنجنده ها با توانایی ثبت قسمت مرئی از طیف الکترومغناطیسی (طول موج از 400 تا 700 نانومتر) قادر به تشخیص این علائم هستند که به طور مشابه در سیستم بینایی انسان نیز ظاهر می شوند.
با این حال، مرگ و میر جنگل ناشی از بیماری و حشرات یک فرایند تدریجی بوده و آنی اتفاق نمی افتد. برای همین، علائم در مراحل مختلف بیماری متفاوت بوده و ممکن است برخی از علائم در مراحل اولیه را نتوان به راحتی مشاهده کرد. به عنوان مثال، درختان ناسالم با کاهش کلروفیل ها ممکن است به دلیل کاهش جذب طول موج های آبی و قرمز توسط شاخ و برگ، کمی درخشان تر از درختان سالم در محدوده طیفی مرئی باشند و تشخیص آنها با طیف مرئی مشکل می باشد؛ اما سنجنده هایی که در محدوده طیف مادون قرمز نزدیک (طول موج از حدود 700 تا 1300 نانومتر) تصویر برداری می کنند، احتمالاً نسبت به چنین استرس فیزیولوژیکی حساس هستند. به طور مشابه، مقدار انرژی منعکس شده در محدوده مادون قرمز میانی (طول موج از حدود 1300 تا 2500 نانومتر) با رطوبت پوشش گیاهی در ارتباط است. سنجنده-ها امروزه قادر به ثبت تابش منعکس شده در آن محدوده ها بوده و با استفاده از این ویژگی نیز بسیاری از تغییرات در گیاهان قابل شناسایی است. برای پیشبرد بیشتر عملکرد سنجش از راه دور، محققان از انواع شاخص های طیفی (ترکیبی از باند های طیفی) مانند شاخص پوشش گیاهیNDVI  ، شاخص  NDMI استفاده می کنند. امروزه با استفاده از قابلیت طیفی داده های هایپر اسپکترال اختلافات طیفی ظریف بین گیاهان سالم و ناسالم قابل شناسایی بوده و در این زمینه کاربرد های زیادی دارند. در شکل 4 تصویری طبقه بندی شده از وضعیت سلامت و بیماری درختان جنگلی نمایش داده شده است.
 
شکل 4: طبقه بندی تصویر برای تشخیص بخش سالم و متاثر از بیماری در جنگل
رشد و توسعه در فناوری سنجش از دور به ما امکان می دهد تا جزئیات مکانی بیشتری در سطح زمین در مقیاس های مختلف مکانی داشته باشیم. امروزه اندازه تفکیک زمینی در برخی سنجنده ها به زیر نیم متر رسیده و این قابلیت سبب می شود که جزئیات بیشتری از پوشش گیاهی را داشته باشیم و تشخیص بیماری راحتر باشد. بنابراین این ویژگی به متخصصان جنگل در دقت تشخیص بیماری یا بروز حشرات کمک شایانی می کند. برای مشاهده تغییر ساختار کلی جنگل در سطوح وسیع می توان از داده های با اندازه تفکیک پایین استفاده نمود اما برای دقت بیشتر باید از داده های با اندازه تفکیک کوچکتر استفاده نمود.  در شکل 5 با استفاده از دقت تصاویر با اندازه تفکیک پایین، شدت بیماری طبقه بندی شده است.
 
شکل 5: طبقه بندی شدت بیماری با استفاده از تصاویر با اندازه تفکیک پایین.
امروزه حجم ذخیره و بایگانی داده های مشاهده زمینی با سرعتی بی سابقه در حال رشد است. با داشتن داده های سری زمانی، استخراج روند بیماری و حرکت حشرات در زمان طولانی امکان پذیر می شود. از آنجا که بیشتر درختان آلوده فوراً نمی میرند، برای مطالعه بسیاری از بیماریهای جنگلی یا حشرات نیاز به استفاده از تصاویر سالانه یا دوسالانه وجود دارد. بنابراین هر ویژگی از بیماری آفات که در مرور زمان اتفاق می افتد به وسیله سری زمانی تصاویر ماهواره ای قابل مطالعه است. در شکل 6 روند شدت بیماری با تصاویر چند زمانه بررسی شده است.
 
شکل 6: مطالعه روند شدت بیماری با تصاویر چند زمانه
شنسایی آفات و بیماریها به کمک تصاویر ماهواره ای در جنگل با روش های مختلفی انجام می شود. اما معمولترین روش ها که امروزه بیشترین استفاده را دارند، روش های حد آستانه، طبقه بندی، روش های آماری و کشف تغییرات می باشند. در روش حد آستانه با تهیه شاخص های مناسب جهت جداسازی مناطق آسیب دیده و یا شدت آنها حدود آستانه مناسب تعیین و به کمک آنها مناطق آسیب دیده جدا می شوند. در روش های طبقه بندی (شکل 7) نیز بسته به نوع مطالعه از هر منطقه نمونه های تعلیمی تهیه و در نهایت به کمک آنها تصویر طبقه بندی و کلاسه های مختلف از هم جدا می شوند. در روش های آماری با استفاده از ارزش پیکسل ها، در مناطق مختلف آسیب دیده، معادله های مختلفی برازش شده و سپس به کل تصویر تعمیم داده می شوند؛ و با کمک آنها مناطق مختلف شناسایی می شوند. روش کشف تغییرات (شکل 8) مربوط به مطالعه دو یا چند زمان است که تغییرات در تصاویر جدید نسبت به تصاویر قبلی، شناسایی می شوند.
 
شکل 7: طبقه بندی تصویر ماهواره ای به کلاسه های شدت بیماری و آسیب به جنگل
 
شکل 8: شناسایی روند پیش روی بیماری با استفاده از روش کشف تغییرات
7- تعیین روش های نمونه گیری یا آماری که در مورد موضوع مورد مطالعه باید رعایت شود.
برای مطالعه بیماری و طبقه بندی شدت بیماری نیاز است که نمونه گیری از زمین و بیماری انجام شود. نحوه نمونه گیری به مقیاس مطالعه بستگی دارد. اگر مطالعه در مقیاس های کوچک مانند تصاویر با قدرت تفکیک بالا انجام شود نیاز است که نمونه ها با یک وسیله دقیق مانند DGPS  برداشت شود. در این گونه مطالعات بهتر است که نمونه برداری آگاهانه انجام گیرد. به عنوان مثال هنگامی که می خواهیم از شدت بیماریهای مختلف نمونه برداشت کنیم، نمونه برداری بهتر است به روش انتخابی و آگاهانه انجام گیرد تا نمونه ها نماینده شدت های مختلف بیماری باشند.
برای مقیاس های بزرگتر مانند تصاویر MODIS می توان از تصاویر با توان تفکیک بالا و یا GPS  برای نمونه برداری استفاده نمود. در طبقه‌بندی نظارت‌شده پیکسل‌های هر کدام از طبقه های معرفی شده بر اساس مشخصه‌های طیفی نمونه‌های تعلیمی، شناسائی و از همدیگر تفکیک می‌شوند. نمونه‌های تعلیمی ‌نقش عمده ای در صحت نتایج حاصل از طبقه‌بندی ایفا می‌نمایند. نوع خصوصیات آماری لازم برای طبقه‌بندی که باید از پیکسل‌های نمونه‌های تعلیمی ‌بدست آیند با نوع طبقه‌بندی در ارتباط است؛ بنابراین در تعیین نمونه‌های تعلیمی‌باید به خصوصیات مشخصه‌های آماری محاسبه شده از روی نمونه‌های تعلیمی‌برای عمل طبقه‌بندی دقت شود. از سوی دیگر نمونه‌های تعلیمی‌باید مشخصات طیفی طبقه ها را تا حد ممکن بخوبی ارائه دهند و معرف آنها باشند. تعداد و بزرگی قطعات نمونه‌های تعلیمی‌هر طبقه به عواملی چون وسعت طبقه، یکنواختی و همگنی طبقه و پراکنش آن در تصویر بستگی دارد. هر چه طبقه وسیع، ناهمگن و پراکنده‌تر باشد به قطعات نمونه بیشتری احتیاج است. البته اندازه نمونه از قاعده کلی "هر چه بیشتر بهتر" پیروی نمی‌کند. در انتخاب نمونه‌های تعلیمی‌باید در همه زمینه‌های همگنی، اندازه و تعداد، دقت لازم را مبذول داشت. پس از تعیین نمونه‌های تعلیمی‌آنها باید مورد ارزیابی قرار گرفته و در صورت لزوم مورد اصلاح قرار گیرند. اگر کلاسه‌های موجود در تصویر به طور ذاتی دارای مشابهت الگوی بازتاب طیفی باشند. تجدید نظر، بازیابی و اصلاح نمونه‌ها، قابلیت تفکیک پذیری طبقه ها را بهبود خواهد بخشید. از روش های ارزیابی و اصلاح نمونه‌های تعلیمی‌می‌توان به نمایش گرافیکی توزیع ارزش طیفی نمونه‌های تعلیمی، بیان کمی‌تفکیک پذیری کلاسه‌ها، طبقه‌بندی تصاویر در محل نمونه‌های تعلیمی‌و طبقه‌بندی قسمتی از تصویر به عنوان الگو اشاره نمود.

8- تعیین نوع خروجی اطلاعات بدست آمده (رستر، وکتور یا نقشه) با توجه به موضوع
خروجی مطالعه بیماریها در جنگل به کمک تصاویر ماهواره ای اغلب به صورت نقشه است که مکانهایی از جنگل را که دچار بیماری شده اند را نشان می دهد و یا در طبقات مختلف، شدت های مختلف بیماری را نشان می دهد (شکل های 4، 5، 6 و 7). بنابراین نوع خروجی می تواند به صورت رستر و یا وکتور باشد و نقشه ها می توانند به یکی از این دو شکل ارائه شوند.

9- انجام فعالیت های لازم در خصوص صحت سنجی روش سنجش از دور
صحت سنجی از گام های مهم مطالعات بیماری در جنگل است؛ بنابراین در هنگام نمونه برداری به اندازه کافی نمونه برداشت می شود. مقداری از این نمونه ها در هنگام طبقه بندی استفاده می شوند و باقی نمونه ها جهت صحت سنجی استفاده می شوند. در صحت سنجی باید دقت شود که میزان نمونه هایی که جهت واقعیت زمینی استفاده می شوند، حداقل 2 درصد از منطقه مورد مطالعه را شامل شود تا بتوان به نتایج صحت سنجی اعتماد کرد. برای صحت سنجی می توان از جدول ماتریکس استفاده نمود. در این جدول علاوه بر اینکه صحت برای تک تک کلاسه ها نمایش داده می شود. صحت کلی و ضریب کاپا نیز نمایش داده می شود. در جدول ماتریکس معیار های صحت زیادی استفاده می شود که در زیر به صورت مختصر تشریح شده اند.
•صحت کلی :
این معیار از قدرت بیان کنندگی پایینی بر خوردار است. خطاهای Commission (پیکسل‌هایی که به خطا به طبقه ها اختصاص یافته اند) و Ommission (پیکسلهایی که به عنوان طبقه واقعی خود شناسایی و طبقه‏بندی نشده‎اند) در محاسبه آن در نظر گرفته نمی‌شود. بروز توافق اتفاقی  نیز ممکن است در آن رخ دهد. ارزشهای قطری جدول خطا که نشان دهنده تعداد پیکسلهای درست طبقه‎بندی شده است بر مجموع پیکسلهای مورد طبقه‎بندی نشان دهنده صحت کلی است. صحت کلی زمانی با ارزش است که صحت هر یک از طبقه ها نیز بالا باشد.
•ضریب کاپا:
ضریب کاپا مانند صحت کلی معیار تعیین صحت کل می‌باشد. به دلیل اینکه پیکسل‌های درست طبقه‌بندی نشده را در نظر می‌گیرد، از معیار صحت کل گویا تر است. در این ضریب خطاهای Ommission و Commission در نظر گرفته می‎شوند. از طرف دیگر توافق اتفاقی نیز می‌تواندحذف ‎گردد. ضریب کاپا از فرمول زیر بدست می‌آید:
 K= θ1-θ2/1-θ2
θ1 =  صحت کلی
θ2= توافق اتفاقی = ∑(xi*xj)/N
xi = تعداد پیکسلهای هر طبقه در نقشه واقعیت زمینی   
xj =  تعداد پیکسلهای هر طبقه در تصویر طبقه‌بندی شده
N  = تعداد کل پیکسلها

•صحت های کاربر و تولید کننده  :
صحت کاربر بیانگر میزان احتمال اینکه یک پیکسل در نقشه طبقه‎بندی شده در عمل نیز به آن طبقه تعلق داشته باشد، است. این معیار به وسیله تقسیم تعداد پیکسلهای درست طبقه‎بندی شده در طبقه مورد نظر بر تعداد پیکسلهای طبقه مورد نظر در طبقه‎بندی اندازه‎گیری می‎شود. در صحت کاربر خطای  Commission اندازه‌گیری می‌گردد. در صحت تولید کننده خطاهای Ommission را اندازه‎گیری می‎کند. در این معیار در واقع بیان می‎شود که به چه نسبت پیکسلهای واقعیت زمینی، درست طبقه‎بندی شده‎اند. این معیار به وسیله تقسیم تعداد پیکسلهای درست طبقه‎بندی شده در طبقه مورد نظر بر تعداد پیکسلهای طبقه مورد نظر در واقعیت زمینی بدست می‎آید این دو معیار صحت کل نیستند و صحت را برای هر کلاسه محاسبه می کنند.

10- نتیجه گیری
مطالعه آفات و بیماریهای جنگل به کمک سنجش از دور مزیت های زیادی در مدیریت جنگل دارد. از آنجایی که عرصه های جنگلی اغلب وسیع و صعب العبور می باشند و اغلب در مناطق کوهستانی قرار دارند. مطالعه به کمک روش های سنتی بسیار سخت بوده و از طرف دیگر بسیار زمان بر می باشد. همچنین پایش وضعیت بیماری در دوره های مختلف نیز بسیار مشکل بوده و در اغلب موارد ممکن نمی باشد. اما تصاویر ماهواره ای به صورت مکرر از زمین برداشت می شوند و این امکان وجود دارد که وضعیت بیماری در فواصل چند روز و با سرعت پایش شوند. با وجود این مزیت هزینه استفاده از تصاویر در مقایسه با روش های سنتی بسیار پایین می باشد. در ضمن در مناطق کوهستانی و صعب العبور نیز به راحتی امکان مطالعه با تصاویر ماهواره ای فراهم می باشد.

کلیدواژه ها: مدرسه سنجش از دور | سازمان فضایی ایران | مقطع دانشجویی | آفات گیاهی | تصویر ماهواره ای | پیکسل |



CAPTCHA

دفعات مشاهده: 52 بار   |   دفعات چاپ: 0 بار   |   دفعات ارسال به دیگران: 0 بار   |   0 نظر