مدل سازی برآورد زیست توده چوبی روی زمینی جنگل های شاخه زاد بلوط زاگرس با استفاده از داده های راداری ماهواره سنتینل -۱

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 477

فایل این مقاله در 19 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_GIS-12-4_003

تاریخ نمایه سازی: 24 شهریور 1400

چکیده مقاله:

برآورد میزان زیست توده در توده های جنگلی با روش های سنجش از دوری اهمیت بسیاری دارد. هم زمان نبودن دریافت داده های ماهواره ای و اطلاعات میدانی و کاربرد معادلات آلومتریک جهانی، برای محاسبه وزن زیست توده درختان جنگلی داخل کشور، از مهم ترین دلایل عدم قطعیت در نتایج و تحلیل های حاصل از مطالعات مشابه قبلی به شمار می روند. به حداقل رساندن این مشکلات و بررسی قابلیت و عملکرد داده ها در توسعه مدل مناسب برآورد زیست توده جنگل، در منطقه بانکول بخش کارزان شهرستان سیروان، استان ایلام، با استفاده از داده های راداری ماهواره سنتینل ۱، اخذشده در تاریخ ۶ تیرماه ۱۳۹۶، هدف این تحقیق بود. اندازه قطر میانگین تاج پوشش درختان در ۵۳ قطعه نمونه زمینی مربعی، مربوط به فرم رویشی شاخه زاد، به ابعاد ۳۰×۳۰ متر که در بازه زمانی ۲ تا ۲۰ خرداد ۱۳۹۶، به کمک دستگاه موقعیت یاب جهانی تفاضلی و به روش تعیین موقعیت کینماتیک آنی روی زمین اجرا و برداشت شدند، وارد روند برآورد زیست توده شد. میانگین زیست توده برداشت شده میدانی ۱۰.۶۳ تن درهکتار بود. پس از استخراج ویژگی های راداری، آن دسته از ویژگی ها که بیشترین میزان همبستگی را با مقادیر زیست توده داشتند انتخاب و از بین آنها، با به کارگیری الگوریتم ژنتیک و با استفاده از دو مدل رگرسیون K نزدیک ترین همسایه و رگرسیون بردار پشتیبان، مناسب ترین ترکیب ویژگی ها شناسایی و سپس، مقادیر زیست توده مدل سازی شد. اعتبارسنجی مدل ها با استفاده از ۲۶ قطعه نمونه تست، انجام گرفت. همبستگی بین ویژگی های حاصل از داده های راداری و مقادیر زیست توده نشان داد که ویژگی های VH، Mean VV، Mean VV GLCM (Correlation) و Mean VH GLCM (Dissimilarity) بیشترین حساسیت را به مقادیر زیست توده داشتند. استفاده از مدل های رگرسیون نشان داد که روش رگرسیون بردار پشتیبان، با RMSE نسبی ۰.۰۸، از روش رگرسیون K نزدیک ترین همسایه، با RMSE نسبی ۰.۱۰، دقیق تر عمل کرده است. از بین ترکیب های ویژگی مورد بررسی نیز، بهترین ترکیب در حالت استفاده از رگرسیون K نزدیک ترین همسایه، دارای RMSE به میزان تقریبی ۰.۹۹ تن درهکتار (معادل۱۰%) و ضریب تعیین ۰.۲۳ و در حالت استفاده از رگرسیون بردار پشتیبان، دارای RMSE به میزان ۰.۸۷ تن درهکتار (معادل ۸%) و ضریب تعیین ۰.۱۴ بود. مدل های نهایی حاصل از ترکیب ویژگی های بهینه استخراج شده از داده راداری در طول موج باند C و روش های رگرسیونی پارامتری و غیرپارامتری مورد بررسی در این تحقیق به تنهایی قادر به بهبود اثر اشباع شدگی در داده، برای برآورد زیست توده در جنگل های مورد مطالعه، نبودند و منجر به پیشنهاد مدل برآوردکننده ای با صحت قابل قبول نشد.

کلیدواژه ها:

زیست توده جنگل شاخه زاد بلوط زاگرس ، داده راداری سنتینل ۱ ، الگوریتم ژنتیک ، K نزدیک ترین همسایه ، رگرسیون بردار پشتیبان

نویسندگان

سعید ساروئی

دانشجوی دکتری جنگلداری، گروه جنگلداری و اقتصاد جنگل، دانشکده منابع طبیعی، دانشگاه تهران

علی درویش صفت

استاد گروه جنگلداری و اقتصاد جنگل، دانشکده منابع طبیعی، دانشگاه تهران

منوچهر نمیرانیان

استاد گروه جنگلداری و اقتصاد جنگل، دانشکده منابع طبیعی، دانشگاه تهران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Amini, J. & Sadeghi, Y., ۲۰۱۳, Optical and Radar Images ...
  • Amini, J. & Sumantyo, J.T.S., ۲۰۰۹, Employing a Method on ...
  • Attarchi, S. & Gloaguen, R., ۲۰۱۴, Improving the Estimation of ...
  • Attarod, P., Sadeghi, S.M.M., Sarteshnizi, F.T., Saroei, S., Abbasian, P., ...
  • Baghdadi, N., Le Maire, G., Bailly, J.S., Osé, K., Nouvellon, ...
  • Behera, M.D., Tripathi, P., Mishra, B., Kumar, S., Chitale, V.S. ...
  • Burrows, W.H., Hoffmann, M.B., Compton, J.F., Back, P.V. & Tait, ...
  • Chang, J. & Shoshany, M., ۲۰۱۶, Mediterra-nean Shrublands Biomass Estimation ...
  • Charlton, M.H., Docherty, R. & Hutchings, M.G., ۱۹۹۵, Quantitative Structure–Sublimation ...
  • Chen, L., Ren, C., Zhang, B., Wang, Z. & Xi, ...
  • Deng, S., Katoh, M., Guan, Q., Yin, N. & Li, ...
  • Eini-Zinab, S., Maghsoudi, Y. & Sayedain, S.A., ۲۰۱۹, Assessing the ...
  • Galidaki, G., Zianis, D., Gitas, I., Radoglou, K., Karathanassi, V., ...
  • Ghasemi, N., Sahebi, M.R. & Mohammadzadeh, A., ۲۰۱۲, Biomass Estimation ...
  • Haddadi G., A., Sahebi, M.R. & Mansourian, A., ۲۰۱۱, Polarimetric ...
  • Heydari, M., Pourbabaei, H. & Esmailzadeh, O., ۲۰۱۵, The Effects ...
  • Iranmanesh, Y., Talebi, K.S., Sohrabi, H., Jalali, S.G. & Hosseini, ...
  • Laurin, G.V., Balling, J., Corona, P., Mattioli, W., Papale, D., ...
  • Marvie Mohajer M.R., ۲۰۰۶, Silviculture, Tehran, University of Tehran: ۴۰۴ ...
  • Namiranian, M., ۲۰۱۰, Measerment of the Tree and Forest Biometry, ...
  • Nichol, J.E. & Sarker, M.L.R., ۲۰۱۰, Improved Biomass Estimation Using ...
  • Ramezani, M.R. & Sahebi, M.R., ۲۰۱۵, Forest Biomass Estimation Using ...
  • Ronoud, G. & Darvishsefat, A.A., ۲۰۱۶, Estimating Above-Ground Woody Biomass ...
  • Santi, E., Paloscia, S., Pettinato, S., Fontanelli, G., Mura, M., ...
  • Shataee, S., Kalbi, S., Fallah, A. & Pelz, D., ۲۰۱۲, ...
  • Smola, A.J. & Schölkopf, B., ۲۰۰۴, A Tutorial on Support ...
  • Sohrabi, H. & Shirvani, A., ۲۰۱۲, Allometric Equations for Estimating ...
  • Souza, D.V., Nievola, J.C., Santos, J.X., Wojciechowski, J., Gonçalves, A.L., ...
  • Sukawattanavijit, C., Chen, J. & Zhang, H., ۲۰۱۷, GA-SVM Algorithm ...
  • Vafaei, S., Soosani, J., Adeli, K., Fadaei, H. & Naghavi, ...
  • Vose, M.D., ۱۹۹۹. The Simple Genetic Algorithm: Foundations and Theory, ...
  • Wang, X. & Ge, L., ۲۰۱۲, Evaluation of Filters for ...
  • West, P.W. & West, P.W., ۲۰۰۹, Tree and Forest Measurement, ...
  • Wu, X. & Kumar, V. (eds.), ۲۰۰۹, The Top Ten Algorithms ...
  • Yadav, B.K. and Nandy, S., ۲۰۱۵. Mapping aboveground woody biomass ...
  • نمایش کامل مراجع