مدل سازی شاخص سطح برگ در جنگل های زاگرس با استفاده از تصویر Sentinel-۲ و رگرسیون فرایند گاوسی

سابقه و هدف: شاخص سطح برگ (LAI) یک مشخصه زیست فیزیکی حیاتی برای ارزیابی وضعیت، توصیف ساختار جنگل و عملکرد بوم سازگان های جنگلی است. همچنین، این شاخص، یک متغیر کلیدی برای مدل سازی تغییرات آب وهوایی جهانی، ترسیب کربن، چرخه آب، فتوسنتز و باران ربایی است. از داده های سنجش از دور براساس مدل های یادگیری ماشین به طور گسترده برای برآورد LAI جنگل در مقیاس های وسیع به دلیل کمینه کردن زمان، هزینه و تخریب استفاده می شود. پژوهش پیش رو با هدف بررسی قابلیت داده های Sentinel-۲ در برآورد شاخص سطح برگ جنگل های زاگرس شمالی براساس روش رگرسیون فرایند گاوسی (GPR) انجام شد.مواد و روش ها: داده های میدانی LAI در خرداد و تیرماه سال ۱۴۰۲ در جنگل های شاخه زاد شهرستان های مریوان و سروآباد از توابع استان کردستان جمع آوری شدند. ۹۳ قطعه نمونه مربعی شکل با ابعاد ۲۰×۲۰ متر مربع به صورت نمونه برداری تصادفی برداشت شدند. موقعیت مرکز هر قطعه نمونه با استفاده از یک دستگاه DGPS ثبت شد. برای اندازه گیری LAI در هر قطعه نمونه از روش عکس برداری نیم کروی استفاده شد. در داخل هر قطعه نمونه، پنج عکس با استفاده از دوربین (Coolpix۴۵۰۰+FC-E۸) مجهز به عدسی چشم ماهی برداشت شد. در ادامه LAI برای هر عکس نیم کروی و درنهایت، برای هر قطعه نمونه با استفاده از بسته «hemispheR» در نرم افزار برنامه نویسی R محاسبه شد. در پژوهش پیش رو، یک فریم از تصویر بدون ابر ماهواره Sentinel-۲B در سطح تصحیح L۱C مربوط به تاریخ ۱۱ تیرماه سال ۱۴۰۲ دریافت شد. پس از بررسی کیفیت رادیومتری و درستی هندسه تصاویر، از پردازنده Sen۲Cor برای تصحیح اتمسفری استفاده شد. باندهای اصلی و شاخص های طیفی (شاخص های پوشش گیاهی، تبدیل تسلدکپ و تجزیه مولفه اصلی) از تصویر Sentinel-۲ به دست آمدند و در سه مجموعه داده شامل باندهای اصلی، شاخص های طیفی و ترکیب باندها و شاخص ها برای برآورد LAI استفاده شدند. در ادامه، مدل سازی با استفاده از الگوریتم GPR براساس ۶۵ قطعه نمونه زمینی (۷۰ درصد) انجام شد. در پایان، مدل ها براساس ۲۸ قطعه نمونه زمینی (۳۰ درصد) با استفاده از معیارهای ضریب تبیین (R۲) و جذر میانگین مربعات خطا (RMSE)، جذر میانگین مربعات خطای نسبی (rRMSE) و ضریب آکائیک (AIC) ارزیابی شدند.نتایج: بررسی آماره های توصیفی داده های زمینی شاخص سطح برگ نشان داد که مقادیر حداقل، حداکثر، متوسط و انحراف معیار شاخص سطح برگ اندازه گیری شده در جنگل مورد پژوهش به ترتیب ۳۳/۰، ۸۸/۳، ۱۲۹/۲ و ۶۲۷/۰ مترمربع بر مترمربع بود. همچنین، بررسی همبستگی پیرسون بین شاخص سطح برگ جنگل و متغیرهای طیفی (باندهای اصلی و شاخص های طیفی) نشان داد که شاخص سطح برگ همبستگی بیشتری با شاخص های طیفی (به یژه شاخص های GNDVI، SAVI و TCTV) در مقایسه با باندهای اصلی دارد. نتایج ارزیابی مدل های به دست آمده از مدل سازی شاخص سطح برگ جنگل با استفاده از الگوریتم یادگیری ماشین رگرسیون فرایند گاوسی براساس ۳۰ درصد قطعه نمونه های زمینی با استفاده از سه مجموعه داده (باندهای اصلی، شاخص های طیفی و ترکیب باندهای اصلی و شاخص های طیفی) حاصل از تصویر Sentinel-۲ نشان داد که مدل به دست آمده از مجموعه باندهای اصلی ماهواره Sentinel-۲ با ضریب تبیین ۸۱/۰، جذر میانگین مربعات خطا ۲۱/۰ مترمربع به مترمربع، جذر میانگین مربعات خطای نسبی ۴۱/۹ درصد و ضریب آکائیک ۶۵/۱۰۳، عملکردی مناسبی در مقایسه با دو مجموعه باندهای اصلی و ترکیب باندهای اصلی و شاخص های طیفی در برآورد شاخص سطح برگ جنگل مورد مطالعه داشته است. براساس بهترین مدل، نقشه شاخص سطح برگ جنگل مورد مطالعه با استفاده از مدل حاصل از باندهای اصلی تصویر Sentinel-۲ تهیه شد.نتیجه گیری کلی: به طورکلی، نتایج این پژوهش تاحدودی قابلیت داده های ماهواره Sentinel-۲ برای ارزیابی شاخص سطح برگ در جنگل های شاخه زاد زاگرس شمالی را اثبات می کند. با این حال، استفاده از داده های زمینی شاخص سطح برگ و داده های Sentinel-۲ در فصل های مختلف رویش می تواند در تایید استحکام و کاهش عدم قطعیت یافته های پژوهش پیش رو کمک کند.

کلیدواژه ها:

عکس برداری نیم کروی ، متغیرهای طیفی ، مشخصه های زیست فیزیکی ، یادگیری ماشین