برآورد زی‌توده روی زمینی درختان جنگل با استفاده از تصویرهای نوری و راداری (مطالعه موردی: حوضه ناو اسالم گیلان)

نویسندگان

1 دانشجوی دکتری جنگل‌داری، دانشکده کشاورزی و منابع طبیعی، دانشگاه لرستان، خرم آباد، ایران

2 استادیار گروه جنگل‌داری، دانشکده کشاورزی و منابع طبیعی، دانشگاه لرستان، خرم‌آباد، ایران

3 استادیار، گروه جنگل‌داری، دانشکده کشاورزی و منابع طبیعی، دانشگاه لرستان، خرم آباد، ایران

4 دکترای سنجش از دور، دانشکده انفورماتیک، دانشگاه کیوتو، کیوتو، ژاپن

5 استادیار، گروه جنگل‌داری، دانشکده کشاورزی و منابع طبیعی، دانشگاه لرستان، خرم‌آباد، ایران

doi
10.22092/ijfpr.2017.111776
چکیده

استفاده از داده­‌های سنجش ‌از دور یکی از روش­‌های کاربردی در برآورد مقدار زی‌توده گیاهی است. در این پژوهش، داده­ های راداری ماهواره آلوس-2، با قطبش کامل و تصویرهای نوری ماهواره سنتینل-2، برای برآورد زی­‌توده روی زمینی درختان در جنگل­‌های سری یک حوضه ناو اسالم گیلان استفاده شد. مقدار بازپراکنش در قطبش‌­های مختلف، خصوصیات بافت و ویژگی‌های تجزیه هدف از تصویرهای راداری و باندهای اصلی و مصنوعی به‌دست‌آمده از تصویرهای نوری در سه ترکیب مختلف شامل تصویرهای راداری، تصویرهای نوری و ترکیب تصویرهای راداری و نوری، به‌عنوان ورودی­‌های مدل شبکه عصبی مصنوعی و رگرسیون خطی چندگانه درنظر گرفته شدند. به­‌منظور اندازه­‌گیری زمینی زی­‌توده از 149 قطعه‌نمونه استفاده شد. ارزیابی شبکه­‌های عصبی و رگرسیون خطی چندگانه با استفاده از آماره­‌های R2 و RMSE نشان داد که در تمامی حالت‌ها مدل شبکه­‌های عصبی نسبت به رگرسیون خطی کارایی بهتری در برآورد زی‌توده روی زمینی درختان داشت. نتایج بهترین شبکه عصبی نشان داد که ترکیب داده‌های نوری و راداری با مقدار R2 و RMSE به‌ترتیب 0/86 و 31/62 مگاگرم در هکتار (15/34 درصد) می‌تواند زی­‌توده درختی را برآورد کند. همچنین، نتایج استفاده از تصویرهای راداری و نوری به‌طور مجزا نشان داد که مقدار R2 و RMSE برای مدل­‌سازی زی­توده توسط تصویرهای راداری به‌ترتیب 0/57 و 49/17 مگاگرم در هکتار (23/85 درصد) و برای تصویرهای نوری 0/72 و 39/53 مگاگرم در هکتار (19/17 درصد) بود که نشان­‌دهنده برتری مدل­‌سازی زی‌­توده روی زمینی توسط تصویرهای نوری بود. نتایج کلی نشان از برآوردهای دقیق‌­تر زی‌­توده در صورت استفاده هم­‌زمان از تصویرهای راداری و نوری و استفاده از مدل شبکه­ عصبی مصنوعی داشت.