مدلسازی برآورد زیستتودة چوبی رویزمینی جنگلهای شاخهزاد بلوط زاگرس با استفاده از دادههای راداری ماهوارة سنتینل-1
نویسندگان
1 استاد گروه جنگلداری و اقتصاد جنگل، دانشکدة منابع طبیعی، دانشگاه تهران، کرج، ایران
2 دانشجوی دکتری جنگلداری، گروه جنگلداری و اقتصاد جنگل، دانشکدة منابع طبیعی، دانشگاه تهران، کرج، ایران
3 استاد گروه جنگلداری و اقتصاد جنگل، دانشکدة منابع طبیعی، دانشگاه تهران، کرج، ایران
doi
10.52547/gisj.12.4.35چکیده
برآورد میزان زیستتوده در تودههای جنگلی با روشهای سنجش از دوری اهمیت بسیاری دارد. همزماننبودن دریافت دادههای ماهوارهای و اطلاعات میدانی و کاربرد معادلات آلومتریک جهانی، برای محاسبة وزن زیستتودة درختان جنگلی داخل کشور، از مهمترین دلایل عدم قطعیت در نتایج و تحلیلهای حاصل از مطالعات مشابه قبلی بهشمار میروند. بهحداقلرساندن این مشکلات و بررسی قابلیت و عملکرد دادهها در توسعة مدل مناسب برآورد زیستتودة جنگل، در منطقة بانکول بخش کارزان شهرستان سیروان، استان ایلام، با استفاده از دادههای راداری ماهوارة سنتینلـ1، اخذشده در تاریخ 6 تیرماه 1396، هدف این تحقیق بود. اندازة قطر میانگین تاجپوشش درختان در 53 قطعه نمونة زمینی مربعی، مربوط به فرم رویشی شاخهزاد، به ابعاد 30×30 متر که در بازة زمانی 2 تا 20 خرداد 1396، بهکمک دستگاه موقعیتیاب جهانی تفاضلی و بهروش تعیین موقعیت کینماتیک آنی روی زمین اجرا و برداشت شدند، وارد روند برآورد زیستتوده شد. میانگین زیستتودة برداشتشدة میدانی 10.63 تندرهکتار بود. پس از استخراج ویژگیهای راداری، آن دسته از ویژگیها که بیشترین میزان همبستگی را با مقادیر زیستتوده داشتند انتخاب و از بین آنها، با بهکارگیری الگوریتم ژنتیک و با استفاده از دو مدل رگرسیون K نزدیکترین همسایه و رگرسیون بردار پشتیبان، مناسبترین ترکیب ویژگیها شناسایی و سپس، مقادیر زیستتوده مدلسازی شد. اعتبارسنجی مدلها با استفاده از 26 قطعه نمونة تست، انجام گرفت. همبستگی بین ویژگیهای حاصل از دادههای راداری و مقادیر زیستتوده نشان داد که ویژگیهای VH، Mean VV، Mean VV GLCM (Correlation) و Mean VH GLCM (Dissimilarity) بیشترین حساسیت را به مقادیر زیستتوده داشتند. استفاده از مدلهای رگرسیون نشان داد که روش رگرسیون بردار پشتیبان، با RMSE نسبی 0.08، از روش رگرسیون K نزدیکترین همسایه، با RMSE نسبی 0.10، دقیقتر عمل کرده است. از بین ترکیبهای ویژگی مورد بررسی نیز، بهترین ترکیب در حالت استفاده از رگرسیون K نزدیکترین همسایه، دارای RMSE بهمیزان تقریبی 0.99 تندرهکتار (معادل10%) و ضریب تعیین 0.23 و در حالت استفاده از رگرسیون بردار پشتیبان، دارای RMSE بهمیزان 0.87 تندرهکتار (معادل 8%) و ضریب تعیین 0.14 بود. مدلهای نهایی حاصل از ترکیب ویژگیهای بهینة استخراجشده از دادة راداری در طول موج باند C و روشهای رگرسیونی پارامتری و غیرپارامتری مورد بررسی در این تحقیق بهتنهایی قادر به بهبود اثر اشباعشدگی در داده، برای برآورد زیستتوده در جنگلهای مورد مطالعه، نبودند و منجر به پیشنهاد مدل برآوردکنندهای با صحت قابلقبول نشد.