ارزیابی مدل FCD برای برآورد تراکم تاج‌پوشش جنگل‌های زاگرس با استفاده از تصاویر لندست 8 و سنتینل 2
الموضوعات :
احمد عباسی‌وند
1
,
هرمز سهرابی
2
1 - دانش آموخته کارشناسی ارشد، گروه علوم و مهندسی جنگل، دانشکده منابع طبیعی، دانشگاه تربیت مدرس
2 - دانشیار، گروه علوم و مهندسی جنگل، دانشکده منابع طبیعی، دانشگاه تربیت مدرس. *(مسوول مکاتبات)
الکلمات المفتاحية: تاج‌پوشش جنگل, جنگل‌های زاگرس, سنتینل2, لندست8.,
ملخص المقالة :
زمینه و هدف: تاج‌پوشش یکی از معیارهای مهم برای بررسی تغييرات و پايش جنگل‌ها است. باتوجه‌به نقش جنگل‌هاي زاگرس در حفاظت از آب و خاک، تهیه نقشه به‌روز و پایش تغییرات تاج‌پوشش در این جنگل‌ها از اهمیت ویژه ای برخوردار است.
روش بررسی: این تحقیق در 27 محدوده در ناحیه رویشی زاگرس اجرا و در 2637 قطعه نمونه 400 متر مربعی درصد تاج‌پوشش استخراج شد. به‌منظور برآورد میزان تاج‌پوشش با استفاده از ماهواره‌های لندست 8 و سنتینل 2 داده‌هاي حاصل از محاسبه چهار شاخص باهم ادغام و نقشه تراکم تاج‌پوشش (FCD) محاسبه و ارزیابی عملکرد مدل با استفاده از معیارهای آماری خطا انجام شد. رابطه تاج‌پوشش اندازه‌گيري شده و شاخص‌های تشکیل دهنده مدل FCD با استفاده از تصاویر دو ماهواره لندست 8 و سنتینل 2، با همبستگي پیرسون بررسی شد.
یافته‌ها: نتایج نشان داد دو شاخص AVI و SI رابطه مستقیم و دو شاخص BI و TI رابطه غیرمستقیمی در تمام نواحی رویشی مورد مطالعه با میزان واقعی تاج‌پوشش داشتند. همچنین بیشترین مقدار ضریب تبیین در بین کل نواحی برای ماهواره سنتینل 2 (86/64 درصد) در منطقه با تاج‌پوشش انبوه در زاگرس شمالی بدست آمد. کمترین مقادیر آماری خطا از جمله RMSE (41/17 درصد)، RMSE% (57/31 درصد)، Bias (57/1 درصد)، Bias% (70/2 درصد)، MAE (60/12 درصد) و MAE% (28/24 درصد) محاسبه گردید که همگی متعلق به ماهواره سنتینل 2 و مناطقی با تاج‌پوشش انبوه بود. معیارهای آماری خطا در زاگرس شمالی مقدار کمتری نسبت به زاگرس میانی و جنوبی نشان داد که نشان دهنده کارایی مدل برای مناطق انبوه است.
بحث و نتیجه‌گیری: دستیابی به نتایج با دقت بالا توسط مدل FCD میسر نیست. همچنین محاسبه تاج پوشش با تصاویر سنتینل 2 نتایج بهتری نسبت به لندست 8 داشت. در مجموع این مدل برای برآورد تاج پوشش جنگل در مناطق تنک و نیمه انبوه ناحیه رویشی زاگرس مناسب نیست.
1. Aghabarati, A.; Marvie Mohajer, MR.; Etemad, V.; Sefidi, K. (2018) Structural characteristics of coppice forest stands in Fandoghloo Forest, Ardebil Province Province. Forest Research and Development, 4(2), 223-239. (In Persian)
2. Nazariani, N., Fallah, A.; Hamidi, S. K.; Varamesh, S. (2022). Estimation of quantitative characteristics of Zagros forests using data mining nonparametric algorithms (case study: Olad Ghobad Watershed, Koohdasht, Lorestan). Forest Research and Development, 8(3), 249-263. (In Persian)
3. Ghanbari Motlagh, M.; Kiadaliri, M.; Halimi, M. (2023) Investigating spatiotemporal changes in greenness of Zagros Oak forests in response to drought, Journal of Renewable Natural Resources Research, 13(2), 131-143. (In Persian)
4. Azizi, A.; Montazeri, Z. (2018) Effects of microtopography on the spatial pattern of woody species im West Iran, Arabian Journal of Geosciences, 2018, 11-24.
5. Sohrabi, H.; Taheri Sarteshnizi, M.J. (2013) Fitting probability distribution functions for modeling diameter distribution of oak species in pollarded northern Zagros forests (Case study: Armardeh-Baneh). Iranian Journal of Forest, 4(4), 333-343. (In Persian)
6. Erfani Fard, S. Y.; Zobeiri, M.; Feghhi, J.; & Namiranian, M. (2007). Estimation of crown cover on aerial photographs using shadow index (case study: Zagros Forests, Iran). Iranian Journal of Forest and Poplar Research, 15(3), 288-278. (In Persian)
7. Beygiheidarlou, H.; Karamat Mirshekarlou, A.; Sasanifar, S.; & Khezryan, B. (2023). Forest cover density mapping of Zagros forests using Landsat-9 imagery and hemispherical photographs. Forest Research and Development, 9(1), 47-65. (In Persian)
8. Anand, A.; Singh, S.K.; Kanga, S. (2018) Estimating the change in forest cover density and predicting NDVI for west Singhbhum using linear regression. International Journal for Environmental Rehabilitation and Conservation 9, 193-203.
9. Azizi, Z.; Khalili, Z.; Soltani, A. (2018) The effect of physiographic factors on sudden oak trees death, case study area: barz and Shvrs Watershed, Geospatial Eng. J.; 9 (3): 19-25. (In Persian)
10. Phan, T.N.; Kuch, V.; Lehnert, L.W. (2020) Land Cover Classification using Google Earth Engine and Random Forest Classifier the Role of Image Composition. Remote Sensing 12 (15), 2411.
11. Taefi Feijani, M.; Azadnejad, S.; Moradi, M. (2021). Improvement of the forest canopy density model based on the addition of the FCC index and the average kernel implementation. Journal of Space Science and Technology, 14(2), 27-36. (In Persian)
12. Witharana, C.; Lynch, H.J. (2016) An object-based image analysis approach for detecting penguin guano in very high spatial resolution satellite images. Remote Sensing 8 (5), 375.
13. Taefi Feijani, M.; Alomphamadi, A. (2016) The authors of the article evaluate the FCD model in order to estimate density classes of crown - forest cover, Geomatics Conference, Tehtan, Iran. (In Persian)
14. Mohamed, M.A. (2021) An Assessment of Forest Cover Change and Its Driving Forces in the Syrian Coastal Region during a Period of Conflict, 2010 to 2020. Land, 10 (2), 191.
15. Taefi Feijani, M.; Azadnejad, S. (2020) Introducing a new local FCD model based on local adaptive thresholdingwith the aim of estimating forest canopy density over large areas. Scientific- Research Quarterly of Geographical Data (SEPEHR), 29(114), 37-49. (In Persian)
16. Mirzaeizadeh, V.; niknezhad, M; hojati, S.M. (2015). Estimation of forest canopy density using FCD. Ecology of Iranian Forest. 3(5), 63-75. (In Persian)
17. Shahvali Kouhshour, A.; Pir Bavaghar, M.; Fatehi, P. (2012). Forest cover density mapping in sparse and semi dense forests using forest canopy density model (Case Study: Marivan forests). Journal of RS and GIS for Natural Resources, 3(3), 73-83. (In Persian)
18. Rikimaru, A.; Roy, P.S.; Miyatake, S. (2002) Tropical Forest cover density mapping. International Society for Tropical Ecology 43(1): 39- 47.
19. Danoedoro, P.; and Gupita, D.D. (2022). Combining Pan-Sharpening and Forest Cover Density Transformation Methods for Vegetation Mapping using Landsat-8 Satellite Imagery. International Journal on Advanced Science, Engineering, and Information Technology, 12, (3): 881-891
20. Vafaei, S.; Maleknia, R.; Naghavi, H.; Fathizadeh, O. (2022) Estimation of Forest Canopy Using Remote Sensing and Geostatistics (Case Study: Marivan Baghan Forests), Journal of Environment and Sciences Technology, 24(1): 71-82. (In Persian)
21. Sharma, R.; Singh, T. (2018) Forest Canopy Density Assessment Using High Resolution LISS-4 Data in Yamunanagar District, Haryana. International Archives of the Photogrammetry, Remote sensing and spatial Information Sciences, 42, 5.
22. Aguswan, Y.; Gumiri, S.; Sukarna, R. M.; Permana, I. (2022) Mapping Degraded Area for Tropical Peatland Revegetation Using Forest Canopy Density Model Landsat 8 OLI-TIRS in Central Kalimantan, Indonesia. Environment and Natural Resources Journal, 20 (4), 426-437.
23. Pakkhesal, E.; Bonyad, A. E. (2013). Classification and delineating natural forest canopy density using FCD model (Case study: Shafarud area of Guilan). Iranian Journal of Forest and Poplar Research, 21(1), 99-114. (In Persian)
24. Mondal, I.; Thakur, S.; Juliev, M.; Kumar De, T. (2021) Comparative analysis of forest canopy mapping methods for the Sundarban biosphere reserve, West Bengal, India. Environment, Development and Sustainability, 2021, 1-26.
25. Delfan, E., Naghavi, H., Maleknia, R., & Nouredini, A. (2022). Comparing the Capability of Sentinel 2 and Landsat 8 Satellite Imagery in Land Use and Land Cover Mapping Using Pixel-based and Object-based Classification Methods. Desert Ecosystem Engineering, 8(25), 1-12. (In Persian)
