برآورد موجودی سرپای جنگل بااستفاده از داده های لیدار فضایی ICESat/GLAS در جنگل های کوهستانی شمال ایران

اندازه گیری موجودی سرپای جنگل یکی از متغیرهای کمی مهم است که نقش بسیاری در برنامه ریزی و مدیریت جنگل دارد. در این تحقیق، تلاش شد تا این ویژگی در بخشی از جنگل های کوهستانی شمال ایران (نوشهر)، بااستفاده از داده های لیدار فضایی برآورد شود. بدین منظور، طی پیش پردازش های اولیه روی داده های ICESat/GLAS از دو ماموریت متفاوت (L۳K و L۳I)، ضمن حذف داده های نامطلوب، سنجه های گوناگونی همچون گستره شکل موج (Wext)، گستره لبه پیشتاز (Hlead)، گستره لبه پشتی (Htrail) و سنجه های ارتفاع در چارک های انرژی (۲۵H، ۵۰H، ۷۵H و ۱۰۰H) از شکل موج ها (waveform) استخراج شد. همچنین، با استفاده از روش تحلیل مولفه های اصلی (PCA) روی شدت سیگنال های شکل موج، ضمن حذف نویزها و فشرده سازی اطلاعات، مولفه های جدیدی تولید و به کار گرفته شد. با توجه به کوهستانی و شیب دار بودن منطقه و تاثیر آن در ویژگی های شکل موج، از مدل رقومی ارتفاع برای استخراج شاخص زمینی (TI) که بیانگر اطلاعات مربوط به توپوگرافی زمین است، استفاده شد. به منظور توسعه مدل های رگرسیونی و اعتبارسنجی آنها، حجم سرپا در ۶۰ قطعه نمونه زمینی به قطر هفتاد متر اندازه گیری شد. سپس مدل های رگرسیون چندگانه و شبکه عصبی مصنوعی براساس دو دسته متغیر شامل سنجه های استخراج شده از شکل موج و مولفه های حاصل از PCA برای برآورد حجم سرپا توسعه داده شدند و به روش اعتبارسنجی متقابل پنج گردشی ارزیابی شدند. به طورکلی، هر دو روش رگرسیون چندگانه و شبکه عصبی مصنوعی نتایج تقریبا مشابهی داشتند. در این میان، روش شبکه عصبی مصنوعی براساس مولفه های حاصل از PCA قادر بود موجودی سرپای جنگل را با m۳/ha۹/۱۱۹=RMSE و ۷۳/۰=  برآورد کند (۶/۲۶=RMSE%). یکی از نکات مثبت این مدل درمقایسه با دیگر مدل ها، وابسته نبودن متغیرهای ورودی به کاررفته (۱PC، ۲PC، ۳PC و Wext)، به شناسایی صحیح قله زمین است که در مناطق شیب دار مشکل و با خطا همراه است. نیاز نداشتن به داده کمکی (مدل رقومی ارتفاع) و برآورد صحیح تر حجم جنگل در قطعه نمونه های تنک با موجودی سرپای کم از دیگر نکات مثبت این مدل است.

کلیدواژه ها:

حجم سرپای جنگل ، لیدار فضایی ، ICESat GLAS ، رگرسیون چندگانه ، شبکه عصبی مصنوعی