سعید ساروئی؛ علی درویش صفت؛ منوچهر نمیرانیان
چکیده
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 ...
بیشتر
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.
منیژه رجبپور رحمتی؛ علیاصغر درویشصفت؛ نیکلاس بغدادی؛ منوچهر نمیرانیان؛ نصرتالله ضرغام
دوره 7، شماره 4 ، بهمن 1394، ، صفحه 85-98
چکیده
اندازهگیری موجودی سرپای جنگل یکی از متغیرهای کمّی مهم است که نقش بسیاری در برنامهریزی و مدیریت جنگل دارد. در این تحقیق، تلاش شد تا این ویژگی در بخشی از جنگلهای کوهستانی شمال ایران (نوشهر)، بااستفاده از دادههای لیدار فضایی برآورد شود. بدین منظور، طی پیشپردازشهای اولیه روی دادههای ICESat/GLAS از دو مأموریت متفاوت (L3K و L3I)، ضمن حذف ...
بیشتر
اندازهگیری موجودی سرپای جنگل یکی از متغیرهای کمّی مهم است که نقش بسیاری در برنامهریزی و مدیریت جنگل دارد. در این تحقیق، تلاش شد تا این ویژگی در بخشی از جنگلهای کوهستانی شمال ایران (نوشهر)، بااستفاده از دادههای لیدار فضایی برآورد شود. بدین منظور، طی پیشپردازشهای اولیه روی دادههای ICESat/GLAS از دو مأموریت متفاوت (L3K و L3I)، ضمن حذف دادههای نامطلوب، سنجههای گوناگونی همچون گسترۀ شکلموج (Wext)، گسترۀ لبۀ پیشتاز (Hlead)، گسترۀ لبۀ پشتی (Htrail) و سنجههای ارتفاع در چارکهای انرژی (25H، 50H، 75H و 100H) از شکلموجها (waveform) استخراج شد. همچنین، با استفاده از روش تحلیل مؤلفههای اصلی (PCA) روی شدت سیگنالهای شکلموج، ضمن حذف نویزها و فشردهسازی اطلاعات، مؤلفههای جدیدی تولید و بهکار گرفته شد. با توجه به کوهستانی و شیبدار بودن منطقه و تأثیر آن در ویژگیهای شکلموج، از مدل رقومی ارتفاع برای استخراج شاخص زمینی (TI) که بیانگر اطلاعات مربوط به توپوگرافی زمین است، استفاده شد. بهمنظور توسعۀ مدلهای رگرسیونی و اعتبارسنجی آنها، حجم سرپا در 60 قطعهنمونۀ زمینی به قطر هفتاد متر اندازهگیری شد. سپس مدلهای رگرسیون چندگانه و شبکۀ عصبی مصنوعی براساس دو دسته متغیر شامل سنجههای استخراجشده از شکلموج و مؤلفههای حاصل از PCA برای برآورد حجم سرپا توسعه داده شدند و بهروش اعتبارسنجی متقابل پنجگردشی ارزیابی شدند. بهطورکلی، هر دو روش رگرسیون چندگانه و شبکۀ عصبی مصنوعی نتایج تقریباً مشابهی داشتند. در این میان، روش شبکۀ عصبی مصنوعی براساس مؤلفههای حاصل از PCA قادر بود موجودی سرپای جنگل را با m3/ha9/119=RMSE و 73/0= برآورد کند (6/26=RMSE%). یکی از نکات مثبت این مدل درمقایسه با دیگر مدلها، وابسته نبودن متغیرهای ورودی بهکاررفته (1PC، 2PC، 3PC و Wext)، به شناسایی صحیح قلۀ زمین است که در مناطق شیبدار مشکل و با خطا همراه است. نیاز نداشتن به دادۀ کمکی (مدل رقومی ارتفاع) و برآورد صحیحتر حجم جنگل در قطعهنمونههای تنک با موجودی سرپای کم از دیگر نکات مثبت این مدل است.