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.
