ارزیابی داده‌های ماهواره ای رپیدآی (RapidEye) در برآورد برخی مشخصه‌های کمی جنگل های خزری منطقه گرگان

محورهای موضوعی : توسعه سیستم های مکانی

نورالدین نوریان ¹ (دانش آموخته دکتری جنگلداری، دانشکده علوم جنگل، دانشگاه علوم کشاورزی و منابع طبیعی گرگان)
شعبان شتایی ² (استاد گروه جنگلداری، دانشکده علوم جنگل، دانشگاه علوم کشاورزی و منابع طبیعی گرگان)
جهانگیر محمدی ³ (استادیار گروه جنگلداری، دانشکده علوم جنگل، دانشگاه علوم کشاورزی و منابع طبیعی گرگان)

تاریخ دریافت : 1397/03/30 تاریخ پذیرش : 1397/09/19 تاریخ انتشار : 1397/11/30

کلید واژه: الگوریتم‌های ناپارامتریک, جنگل هیرکانی, استان گلستان, داده های ماهواره ای رپیدآی RapidEye,

چکیده مقاله :

برآورد مشخصه های کمی جنگل اهمیت زیادی ازنظر کاربردهای آن برای آگاهی از وضعیت جنگل و نحوه عملکرد آن دارد. هدف از این پژوهش برآورد مشخصه های کمی (حجم سرپا، رویه زمینی و تعداد درختان در هکتار) با استفاده از داده های طیفی ماهواره رپیدآی RapidEye)1390) و الگوریتم های ناپارامتریک در بخشی از جنگل های خزری منطقه گرگان بود. به این منظور تعداد 418 قطعه‌نمونه هرکدام با مساحت 1000 مترمربع به روش خوشه ای تصادفی انتخاب شد. در هر پلات قطر برابرسینه تمامی درختان و ارتفاع برخی از آن‌ها به همراه موقعیت مراکز قطعه‌نمونه برداشت شد. سپس حجم سرپا، رویه زمینی و تعداد درختان در هکتار محاسبه گردید. پس از انجام برخی پردازش های تصویر رپیدآی شامل نسبت‌گیری، تجزیه مؤلفه های اصلی، تحلیل بافت و تبدیل تسلدکپ، ارزش های رقومی متناظر با قطعات نمونه زمینی از باندهای طیفی استخراج و به‌عنوان متغیرهای مستقل در نظر گرفته شدند. مشخصه های کمی نیز به‌عنوان متغیر وابسته در نظر گرفته شدند. مدل‌سازی با روش‌های k نزدیک‌ترین همسایه، ماشین بردار پشتیبان و جنگل تصادفی با 75 درصد از قطعات نمونه انجام گردید و نتایج با 25 درصد باقیمانده قطعات نمونه مورد ارزیابی قرار گرفت. نتایج نشان داد که بهترین برآوردها با روش جنگل تصادفی برای مشخصه های حجم سرپا، رویه زمینی و تعداد درختان در هکتار با درصد مجذور میانگین مربعات خطا برابر با 39.83، 29.71 و 50.11 درصد و اریبی نسبی 0.01، 1.69 و 2.11 به دست آمد که در بین روش های ناپارامتریک دارای بهترین عملکرد بود. نتایج این تحقیق همچنین نشان داد که با توجه به ناهمگنی و متراکم بودن جنگل های خزری داده های طیفی ماهواره RapidEye دارای قابلیت نسبتاً خوبی در برآورد مشخصه های کمی جنگل می‌باشند.

چکیده انگلیسی:

Estimation of quantitative forest attributes is important for its applications in order to understand the forest condition and performance. The aim of this study was the estimation of some quantitative forest attributes (stand volume, basal area, and tree stem density) using the RapidEye satellite data (2011) and non-parametric algorithms in the part of Hyrcanian forests in the Gorgan region. For this purpose, 418 plots each with an area of 1000m2 were established using a simple random sampling method. In each plot, information including a position of plot center, diameter at breast height of all trees and height of selected trees were recorded. Based on which the standing volume and basal area per ha were derived. A RapidEye image was processed by different synthetic bands derived from rationing, principal component analysis, texture analysis, and Tasseledcap, and the pixel gray values corresponding to the ground samples were extracted from spectral bands. These were further considered as the independent variables to predict the Quantitative characteristics. Modeling was carried out based on 75% of sample plots as training set using K-Nearest Neighbor, support vector machine, and random forest methods. The predictions were cross-validated using the left-out 25% samples. The results showed Random forest comparatively returned the best estimates for stand volume, basal area and tree stem density with root mean square error of 39.83%, 29.71%, and 50.11% and relative bias of 0.01, 1.69 and 2.11 as well, respectively. The results of this study also showed that due to the heterogeneity and density of Caspian forests, RapidEye satellite spectral data have a moderate ability to estimate the quantitative forest attributes.

منابع و مأخذ:

احمدی، م. و م. نارنگی فرد. 1394. برآورد کیفیت و آشکارسازی تغییرات پهنه­های جنگلی با استفاده از تصاویر ماهواره ای (مطالعه موردی: شهرستان رستم، فارس). سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6(3): 87-100.

حسن زاد ناورودی، ا.، ن. سیدی و ح. سیف اللهیان. 1388. بررسی تغییرات مشخصه های کمی و کیفی توده های جنگلی بعد از یک دوره جنگلداری (مطالعه موردی: سری جنبه سرا- گیلان). مجله جنگل ایران، 1(4): 301-311.

خرمی، ر.، ع. ا. درویش‌صفت و م. نمیرانیان. 1386. بررسی قابلیت داده‌های ماهواره‌ای Landsat7 ETM⁺ در برآورد حجم سرپای توده‌های راش (مطالعه موردی در جنگل‌های سنگده). مجله منابع طبیعی، 60(4): 1281-1289.

رجب­پور رحمتی، م.، ع. ا. درویش صفت، و ع. خلیل پور. 1389. بررسی قابلیت تصاویر سنجنده SPOT5-HRG در تهیه نقشه انبوهی جنگل های خزری (مطالعه موردی: جنگل های دیلمان گیلان). فصلنامه تحقیقات جنگل و صنوبر ایران، 18(1): 132-142.

ظهریبان، م.، ا. فلاح، ش. شتایی و س. کلبی. 1394. برآورد برخی مشخصه‌های ساختاری جنگل با استفاده از داده‌های با قدرت تفکیک مکانی بالای Pleiades و الگوریتم‌های ناپارامتریک. فصلنامه تحقیقات جنگل و صنوبر ایران، 23(3): 465-477.

عزیزی، ز.، ا. نجفی آشتیانی، پ. فاتحی و م. پیرباوقار. 1388. بررسی امکان برآورد حجم سرپای جنگل با استفاده از داده های سنجنده LISS_IV ماهواره IRS_P6 (مطالعه موردی: لیره سر تنکابن). فصلنامه تحقیقات جنگل و صنوبر ایران، 18(1): 143-151.

فاضلی فارسانی، آ.، ر. قضاوی و م. ر. فرزانه. 1394. بررسی عملکرد الگوریتم های طبقه بندی کاربری اراضی با استفاده از تکنیک های ادغام تصاویر (مطالعه موردی: زیر حوزه بهشت‌آباد). سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6(1): 91-106.

قاسمی، ا.، ا. فلاح و ش. شتایی جویباری. 1395. ارزیابی چهار الگوریتم پیش بینی سطح تاج پوشش جنگل های مانگرو با استفاده از تصاویر دوربین هوایی. سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 7(2): 1-15.

کلبی، س. 1390. بررسی امکان برآورد مشخصه‌های ساختاری جنگل با استفاده از داده‌های سنجنده ASTER و SPOT-HRG (مطالعه موردی: جنگل دارابکلا). پایان‌نامه کارشناسی ارشد دانشگاه علوم کشاورزی و منابع طبیعی ساری،  107 صفحه.

محمدی، ج. 1392. بهبود برآورد مشخصه‌های کمی ساختار جنگل با استفاده از تلفیق داده‌های لیدار و تصاویر رقومی هوایی در جنگل‌های پهن‌برگ شصت کلاته گرگان. رساله دکتری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، 241 صفحه.

مروی مهاجر، م. 1384. جنگل‌شناسی و پرورش جنگل. انتشارات دانشگاه تهران، 387 صفحه.

نوریان، ن.، ش. شتایی جویباری، ج. محمدی و س. یزدانی. 1393. برآورد مشخصه­های کمی جنگل با استفاده از داده های سنجنده ASTER و الگوریتم CART (منطقه موردمطالعه: جنگل شصت کلاته گرگان). فصلنامه تحقیقات جنگل و صنوبر ایران، 22(3): 434-446.

نوریان، ن. 1392. بررسی قابلیت داده های ماهواره ای باقدرت تفکیک مکانی متفاوت با تأکید بر شاخص های طیفی در تفکیک توده‌های خالص جنگل کاری. نشریه پژوهش های علوم و فناوری چوب و جنگل، 21(3): 149-166.

یزدانی، س.1390. برآورد برخی مشخصه‌های کمی جنگل با استفاده از داده‌های ماهواره .Quickbird پایان‌نامه کارشناسی ارشد جنگلداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، 156 صفحه.

Bhatti A, Mulla D, Frazier B. 1991. Estimation of soil properties and wheat yields on complex eroded hills using geostatistics and thematic mapper images. Remote Sensing of Environment, 37(3): 181-191.

Bell GE, Howell BM, Johnson GV, Raun WR, Solie JB, Stone ML. 2004. A comparison of measurements obtained using optical sensing with turf growth, chlorophyll content and tissue nitrogen. Horticultural Science, 39(5): 1130-1132.

Breiman L. 2001. Random forests. Machine Learning, 45(1): 5-32.

Finley AO, McRoberts RE, Ek AR. 2006. Applying an efficient k-nearest neighbor search to forest attribute imputation. Forest Science, 52(2): 130-135.

Gonzales RC, Woods RE. 2002. Digital Image processing. Prentice Hal, 750 pp.

Gu H, Dai L, Wu G, Xu D, Wang S, Wang H. 2006. Estimation of forest volumes by integrating Landsat TM imagery and forest inventory data. Science in China Series E: Technological Sciences, 49(1): 54-62.

Holmström H, Fransson JE. 2003. Combining remotely sensed optical and radar data in k NN-estimation of forest variables. Forest Science, 49(3): 409-418.

Huiyan G, Dai L, Wu G, Xu D, Wang S, Wang H. 2006. Estimation of forest volumes by integrating Landsat TM imagery and forest inventory data. Science in China Series E: Technological Sciences, 49(1): 54-62.

Hyyppä J, Hyyppä H, Inkinen M, Engdahl M, Linko S, Zhu Y-H. 2000. Accuracy comparison of various remote sensing data sources in the retrieval of forest stand attributes. Forest Ecology and Management, 128(1-2): 109-120.

Kaartinen H, Hyyppä J, Vastaranta M, Kukko A, Jaakkola A, Yu X, Pyörälä J, Liang X, Liu J, Wang Y. 2015. Accuracy of kinematic positioning using global satellite navigation systems under forest canopies. Forests, 6(9): 3218-3236.

Kajisa T, Murakami T, Mizoue N, Kitahara F, Yoshida S. 2008. Estimation of stand volumes using the k-nearest neighbors method in Kyushu, Japan. Journal of Forest Research, 13(4): 249-254.

Kutzer C. 2008. Potential of the K-NN method for estimation and monitoring off-reserve forest resources in Ghana. Ph.D. thesis, Department of Forestry and Environmental Sciences, Germany University of Albert-Ludwigs, 145 pp.

Lu D, Mausel P, Brondızio E, Moran E. 2004. Relationships between forest stand parameters and Landsat TM spectral responses in the Brazilian Amazon Basin. Forest Ecology and Management, 198(1-3): 149-167.

McRoberts RE, Tomppo EO, Finley AO, Heikkinen J. 2007. Estimating areal means and variances of forest attributes using the k-nearest neighbors technique and satellite imagery. Remote Sensing of Environment, 111(4): 466-480.

Merzlyak MN, Gitelson AA, Chivkunova OB, Rakitin VY. 1999. Non‐destructive optical detection of pigment changes during leaf senescence and fruit ripening. Physiologia Plantarum, 106(1): 135-141.

Mohammadi J, Shataee Joibary S, Yaghmaee F, Mahiny A. 2010. Modelling forest stand volume and tree density using Landsat ETM⁺ data. International Journal of Remote Sensing, 31(11): 2959-2975.

Nourian N, Joibary SS, Mohammadi J. 2016. Assessment of different remote sensing data for forest structural attributes estimation in the Hyrcanian forests. Forest Systems, 25(3): 9-21.

Packalén P, Maltamo M. 2007. The k-MSN method for the prediction of species-specific stand attributes using airborne laser scanning and aerial photographs. Remote Sensing of Environment, 109(3): 328-341.

Rana P, Tokola T, Korhonen L, Xu Q, Kumpula T, Vihervaara P, Mononen L. 2014. Training area concept in a two-phase biomass inventory using airborne laser scanning and RapidEye satellite data. Remote Sensing, 6(1): 285-309.

Richardson AJ, Wiegand C. 1977. Distinguishing vegetation from soil background information. Photogrammetric Engineering and Remote Sensing, 43(12): 1541-1552.

Roujean J-L, Breon F-M. 1995. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements. Remote sensing of Environment, 51(3): 375-384.

Sandau R. 2010. Status and trends of small satellite missions for Earth observation. Acta Astronautica, 66(1-2): 1-12.

Schönert M, Weichelt H, Zillmann E, Jürgens C. 2014. Derivation of tasseled cap coefficients for RapidEye data. In: Earth Resources and Environmental Remote Sensing/GIS Applications V. International Society for Optics and Photonics, p 92450Q.

Shataee S, Kalbi S, Fallah A, Pelz D. 2012. Forest attribute imputation using machine-learning methods and ASTER data: comparison of k-NN, SVR and random forest regression algorithms. International Journal of Remote Sensing, 33(19): 6254-6280.

Tomppo EO, Gagliano C, De Natale F, Katila M, McRoberts RE. 2009. Predicting categorical forest variables using an improved k-Nearest Neighbour estimator and Landsat imagery. Remote Sensing of Environment, 113(3): 500-517.

Tucker CJ. 1979. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment, 8(2): 127-150.

Wallner A, Elatawneh A, Schneider T, Knoke T. 2014. Estimation of forest structural information using RapidEye satellite data. Forestry: An International Journal of Forest Research, 88(1): 96-107.