مدل سازی ذخیره کربن روی زمینی با استفاده از تصاویر ماهواره های Sentinel 1,2 و روابط پارامتریک و ناپارامتریک (مطالعه موردی: جنگل های سری سه سنگده)
الموضوعات :سید مهدی رضایی سنگدهی 1 , اصغر فلاح 2 , هومن لطیفی 3 , نسترن نظریانی 4
1 - دانش آموخته دکتری جنگلداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران.
2 - استاد، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ایران
3 - استادیار، دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران.
4 - پژوهشگر مقطع پسادکتری، گروه جنگلداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری
الکلمات المفتاحية: شاخصهای پوشش گیاهی, سنجش از دور, زیتوده, اریبی, ماشینبردار پشتیبان,
ملخص المقالة :
در پژوهش پیشرو هدف؛ یافتن مدلهای آماری و تجربی مناسب جهت برآورد ذخیره کربن روی زمینی به کمک تلفیق دادههای طیفی و راداری سنجنده ماهوارههای Sentinel 1, 2 در قسمتی از جنگلهای سری سه سنگده است. در این راستا تعداد 150 قطعه نمونه دایرهای به روش تصادفی -منظم به مساحت 10 آری انتخاب شد. در هر قطعه نمونه مشخصههای نوع گونه، ارتفاع کل درختان و قطر برابرسینه درختان با بیش از 5/7 سانتیمتر ثبت شد. سپس چگالی تمام گونههای موجود در قطعات نمونه در آزمایشگاه تعیین شد. بعد از آن میزان زیتوده در سطح قطعات نمونه بر اساس مدل جهانی فائو و مقدار ذخیره کربن روی زمینی نیز با اعمال ضریب محاسبه گردید. بر روی تصاویر راداری و طیفی عملیات مختلف پیشپردازش و پردازش‌های لازم اعمال شد. سپس ارزش‌های رقومی متناظر با قطعات نمونه زمینی از باندهای طیفی استخراج و بهعنوان متغیرهای مستقل در نظر گرفته شد. مدلسازی با روشهای ناپارامتری جنگل تصادفی، ماشینبردار پشتیبان، نزدیکترین همسایه و روش پارامتری رگرسیون خطی چندگانه انجام گرفت. نتایج نشان داد به طور متوسط میانگین زیتوده روی زمینی 07/469 تن در هکتار و ذخیره کربن 53/234 تن در هکتار به دست آمد. همچنین بیشترین همبستگی بین باندهای اصلی و مصنوعی با دو مشخصه مورد بررسی مربوط به باند مادون قرمز نزدیک حاصل شد. نتایج اعتبارسنجی مدلسازی تلفیق دادههای نوری و راداری ماهوارههای Sentinel 1, 2 با زیتوده و ذخیره کربن رویزمینی نشان داد؛ روش جنگل تصادفی نسبت به دیگر پارامترهای مورد بررسی با درصد مجذور میانگین مربعات خطا و درصد اریبی بهترتیب برای مشخصههای زیتوده و ذخیره کربن (79/32 و 24/2-) و (79/30 و 01/0-) در مدلسازی عملکرد بهتری داشته است. بهطور کلی نتایج حاصل از اعتبارسنجی بهدست آمده نشان داد استفاده از روشهای جنگل تصادفی و تصاویر ماهوارههای Sentinel 1, 2 عملکرد مناسبی در برآورد مشخصههای زیتوده و ذخیره کربن را نداشت.
_||_
مدلسازی زیتوده و ذخیره کربن روی زمینی با استفاده از تصاویر ماهوارههای سنتینل 1 و 2 (مطالعه موردی: جنگلهای سری سه سنگده ساری)
چکیده
در پژوهش پیشرو هدف؛ یافتن مدلهای آماری مناسب جهت برآورد ذخیره کربن روی زمینی به کمک تلفیق دادههاي طیفی و راداری سنجنده ماهوارههای سنتینل 1 و2 در قسمتی از جنگلهای سری سه سنگده ساری است. در این راستا تعداد 150 قطعه نمونه دایرهای به روش تصادفی -منظم به مساحت 10 آری انتخاب و پیاده شد. در هر قطعه نمونه مشخصههای نوع گونه، ارتفاع کل درختان و قطر برابرسینه درختان با بیش از 5/7 سانتیمتر ثبت شد. سپس چگالی تمام گونههای موجود در قطعات نمونه در آزمایشگاه تعیین شد. بعد از آن میزان زیتوده در سطح قطعات نمونه بر اساس مدل جهانی فائو و مقدار ذخیره کربن روی زمینی نیز با اعمال ضریب محاسبه گردید. بر روی تصاویر راداری و طیفی پیشپردازش و پردازش‌های لازم اعمال شد. سپس ارزشهاي رقومی متناظر با قطعات نمونه زمینی از باندهاي طیفی استخراج و بهعنوان متغیرهاي مستقل در نظر گرفته شد. مدلسازی با روشهای ناپارامتری جنگل تصادفی، ماشینبردار پشتیبان و نزدیکترین همسایه انجام گرفت. نتایج نشان داد به طور متوسط میانگین زیتوده روی زمینی 07/469 تن در هکتار و ذخیره کربن 53/234 تن در هکتار به دست آمد. همچنین بیشترین همبستگی بین باندهای اصلی و مصنوعی با دو مشخصه مورد بررسی مربوط به باند مادون قرمز نزدیک حاصل شد. نتایج اعتبارسنجی مدلسازی تلفیق دادههای نوری و راداری ماهوارههای سنتینل 1 و2 با زیتوده و ذخیره کربن رویزمینی نشان داد؛ روش جنگل تصادفی نسبت به دیگر روشهای ناپارامتریک با درصد میانگین مجذور مربعات خطا و درصد اریبی بهترتیب برای مشخصههای زیتوده (79/32 تن در هکتار و 24/2- درصد) و ذخیره کربن (79/30 تن در هکتار و 01/0-) در مدلسازی عملکرد بهتری داشته است. بهطور کلی نتایج حاصل از اعتبارسنجی بهدست آمده نشان داد استفاده از روشهای جنگل تصادفی و تصاویر ماهوارههای سنتینل 1 و2 عملکرد مناسبی در برآورد مشخصههای زیتوده و ذخیره کربن را نداشت.
واژههای کلیدی: اریبی، زیتوده، سنجش از دور، شاخصهای پوشش گیاهی، ماشینبردار پشتیبان.
مقدمه
نگرانیهای اخیر در مورد تغییرات جهانی و بومسازگانها، موجب تلاش برای برآورد زیتوده با صحت بالا و پایش پویایی آن است (14). بخش اصلی زیتوده بومسازگانهای جنگلی، زیتوده چوبی است و برآورد و پایش این زیتوده از جنبههای مختلفی از قبیل بررسی میزان کربن ذخیره شده، محاسبه میزان تولید اولیه، مطالعه رفتار و شدت آتش و ارزیابی زیستمحیطی جنگلها و طرحهای جنگلداری اهمیت دارد (16). از طرفی تولید جنگل، ذخیره و جریان کربن بر مبنای اندازه‌گیری‌های زیتوده محاسبه می‌گردد و ذخیره کربن در قسمت‌های مختلف گیاه مانند چوب و برگ و ریشه بهعنوان شاخصی از تولید رویشگاه محسوب میشوند (5). یکی از مهمترین راه‌ها برای اطلاع از میزان ذخیره کربن جنگلها و ساختار جنگل استفاده از آماربرداری زمینی و عملیات میدانی است. آماربرداری زمینی و استفاده از روشهای معمول میدانی به منظور تهیه نقشه‌های مربوط به پوشش جنگل، پرهزینه و زمان‌بر است و انجام دوره‌ای آن، بسیار کند است (11). همواره روشهای مبتنی بر اندازهگیری زمینی دقیق‌ترین نتایج را فراهم می‌کند، اما این روش با صرف هزینه و زمان بسیاری همراه است (17). بهعبارتی، دقیق‌ترین روش برآورد زیتوده و وضعیت ذخیره کربن، قطع و برداشت درختان است، اما قطع و توزین تعداد کافی درخت که بیانگر وضعیت یک گونه در رویشگاه باشد، بسیار پیچیده، وقت‌گیر، مخرب، خسته‌کننده و هزینه‌بر است. به‌همین دلیل، بیشتر مطالعات به مناطق کوچک و تعداد نمونههای کم محدود میشوند (10). از طرفی، روشهای محدود به قطع درخت مناسب جنگلهای با بومسازگان شکننده و دارای گونههای در معرض تهدید نیست (18). بنابراین، بررسی شیوه‌های غیرمخرب که ضمن دربرگرفتن هزینه و وقت کمتر، از اعتبار و دقت بالایی برخوردار باشند، ضروری است (31). با توجه به محدوديت‌هاي روشهاي زميني در اندازهگيري جنگل، در دهه گذشته، سنجش از دور به طور گسترده‌اي براي اندازهگيري زیتوده استفاده شده است (8). اطلاعات حاصل از دادههای دورسنجی، پتانسیل زیادی برای تعیین محتوای کربن پوشش گیاهی دارند. علاوه بر این در مناطق غیر قابل دسترس نیز امکان چگونگی این قابلیت را برای پوشش گیاهی دارد و به این دلیل برخی مطالعات بر روی ارزیابی کربن با استفاده از روش سنجش از راه دور متمرکز شده است (31) و براي تهیه اطلاعات به هنگام با تکرار بیشتر که موجب ارتقاي فعالیت‌هاي مدیریت منابع میشوند، دادههاي سنجش از دور را میتوان استفاده کرد وکیفیت پایگاه داده را افزایش داد (2). باید یادآور شد که انتخاب روش مناسب مدلسازی یک چالش کلیدی است، زیرا روش مدلسازي اهمیتی برابر با نوع داده سنجش از دور در برآورد اندوخته کربن دارد (11). در این راستا میتوان به پژوهش صفری و همکاران (24) در جنگلهاي زاگرس اشاره کرد که به بررسی نه روش مدلسازی شامل رگرسیون خطی (Simple Linear Regression)، مدل تجمعی تعمیمیافته (Generalized Additive Models)، جنگل تصادفی (Random Forest)، ماشینبردارپشتیبان (Support Vector Machine)، درختان رگرسیون تقویت‌شده (Boosting Regression Tree)،kامین نزدیکترین همسایه (K-Nearest Neighbor)، مدل پردازش گوسی (Gaussian Processes Regression/Model) و رگرسیون اسپلاین تطبیقی چندگانه (Multivariate Additive Regression Splines, Cubist Regression) با استفاده از فرآیند بوت استرپ برای برآورد زیتوده روی زمینی با استفاده از تصویرهای لندست 8 (Landsat 8) پرداختند. نتایج برآورد با ضریب تبیین بیشتر از 7/0 و درصد جذر میانگین مربعات خطا 32 بیانگر توانایی تصاویر لندست 8 و روشهای ناپارامتری شبکه عصبی مصنوعی و رگرسیون اسپلاین تطبیق یافته چندگانه در برآورد اندوخته کربن بود. وفایی و همکاران (28) از دادههای راداری ماهواره آلوس -2 (ALOS-2) با قطبش کامل و تصویرهای نوری ماهواره سنتینل -2 (Sentinel-2)، برای برآورد زیتوده روی زمینی درختان در جنگلهای سری یک حوضه ناو اسالم گیاهان استفاده کردند. در نتایج بهترين مدل شبكه عصبي نشان داد كه تركيب دادههاي نوري و راداري با مقدار ضریب تبیین و جذر میانگین مربعات خطا بهترتیب 86/0 و 62/31 مگاگرم در هکتار (34/15 درصد) میتواند زیتوده درختی را برآورد کند. همچنین نتايج استفاده از تصويرهاي راداري و نوري بهطور مجزا نشان داد كه مقدار ضریب تبیین و جذر میانگین مربعات خطا برای مدلسازی زيتوده توسط تصويرهاي راداري بهترتيب 57/0 و 17/49 مگاگرم در هکتار (85/23 درصد) و برای تصویرهای نوری 72/0 و 53/39 مگاگرم در هکتار (17/19 درصد) كه نشاندهنده برتري مدلسازي زيتوده روي زميني توسط تصويرهاي نوري بود. نتايج كلي نشان از برآوردهاي دقيقتر زيتوده در صورت استفاده همزمان از تصويرهاي راداري و نوري و استفاده از مدل شبكه عصبي مصنوعي (Artificial Neural Networks -ANN) داشت. لوریان و همکاران (12) به پیشبینی زیتوده روی زمینی با استفاده از دادههای چند زمانه سنتینل 1 (Sentinel-1) در قسمت مرکزی ایتالیا با ترکیب دادههای سنتینل 2 و آلوس 2 پرداختند. نتایج رگرسیونی نشان داد زمانی که مقادیر بالاتر از 400 مگاگرم در هکتار در مدل وارد شود، دقت خوبی در پیشبینی با ضریب تبیین (7/0)، حاصل میشود و سودمندی دادههای سنتینل 1 را برای تهیه نقشه زیتوده برای مطالعات محلی و با انباشتگی کربن قابل توجه نشان میدهد. آگاتا و همکاران (1) در پژوهشی، زیتوده روی زمینی را با استفاده از ترکیب داههای سنتینل 1 و 2 در لهستان، جاییکه مقادیر زیتوده جنگل آن از 300-1 تن در هکتار بوده با روش رگرسیونی جنگل تصادفی برآورد نمودند. نتایج این پژوهش نشان داد که مدل مورد استفاده، مقادیر کم زیتوده روی زمینی را بیشتر از حد معمول و نیز مقادیر بزرگتر آن را با تخمین کمتری برآورد نمود. در مجموع مقدار جذر میانگین مربعلات خطا برابر با 60 تن در هکتار بوده و نتایج اعتبارسنجی بهترین حالت را برای زمانی که زیتوده بین 200-100 تن در هکتار باشد، نشان داده است. چن و همکاران (4) به کمک تصاویر سنتینل 1 و 2 و با استفاده از مدلهای رگرسیونی مختلف در شانگهای چین در سطح 56 قطعه نمونه به برآورد زیتوده روی زمینی پرداختند. بررسی مدلهای مورد استفاده، نشان داد که ویژگیهای بافت و متغیرهای بیوفیزیکی پوشش گیاهی از مهمترین پیشبینیکنندهها بودند و در این میان الگوریتم ماشینبردار بهترین روش برای پیشبینی و نقشهبرداری الگوهای زیتوده روی زمینی است. بهطوریکه میانگین خطا، خطای مطلق، جذر ریشه میانگین خطا و ضریب همبستگی بهترتیب برابر با 004/0، 07/0، 08/0 مگاگرم در هکتار و 1 است. همچنین مقادیر پیشبینی از چهار مدل بین 80/11 تا 12/324 مگاگرم در هکتار متغیر بوده و برای جنگلهای پهنبرگ خزانکننده بسیار دقیق است. نوتاماچوت و همکاران (21) در یک جنگل خصوصی واقع در اندونزی با ترکیب دادههای سنتینل 1 و 2 جهت برآورد زیتوده رویزمینی و برداشت 45 قطعه نمونه 20×20 نشان دادند که ضریب تبیین در برآورد زیتوده در صورت استفاده از سنتینل 1 برابر با 34/0 و سنتینل 2 برابر با 82/0 بود است. نتایج مطالعه ایشان نشان داد که با ترکیب دادههای راداری و نوری این مهم به 84/0 افزایش یافت.
مرور منابع حاکی از آن است که امکان برآورد و مدلسازی زیتوده روی زمینی جنگل با استفاده از دادههای ماهوارهای، با دقتی قابل قبول وجود دارد. مضافاً اینکه، تحت شرایط رویشگاهی متفاوت و گونههای مختلف، از دادههای ماهوارهای و همچنین الگوریتم‌های گوناگونی برای این منظور استفاده شده که نکته حائز اهمیت کاربرد معادلات آلومتریک و از پیش آماده جهت مدلسازی و برآورد ذخیره کربن روی زمینی در غالب مطالعات است. از طرفی کاربرد سنجش از دور به‌دلایل مختلفی از جمله کاهش وقت و هزینه میتواند راهکار مناسبی در این‌گونه مطالعات باشد که در این میان بیشتر مطالعات حاکی از دقت نتایج در خصوص استفاده همزمان از تلفیق سنجنده‌های نوری و راداری بوده است. با توجه به اینکه در بیشتر مطالعات مشابه از روابط آماده آلومتریک برای مدلسازی زیستتوده و ذخیره کربن روی زمینی استفاده شده و علاوه بر آن مطالعهای از نظر برآورد زیستتوده و به دنبال آن ذخیره کربن روی زمینی صورت نگرفته لذا بهرهگیری از موارد فوق یا بهعبارتی تلفیق دادههای طیفی و راداری ونقشهسازی ذخیره کربن روی زمینی از جنبههای نوآوری پژوهش پیشرو است. در این راستا این مطالعه دارای دو هدف اصلی شامل بررسی قابلیت دادههای طیفی، راداری و تلفیق این دو داده در برآورد ذخیره کربن در سری سه سنگده ساری و همچنین مقایسه نتایج روشهای مختلف رگرسیونی در مدلسازی ذخیره کربن در منطقه مورد مطالعه است.
- موقعيت منطقه مورد مطالعه
برای انجام پژوهش حاضر قسمتی از جنگلهای سری سه سنگده ساری با دامنه ارتفاعی 1400 تا 2000 متر از سطح دریا انتخاب شد. این سری در زیر حوزه آبریز تالار سربند از حوزه آبخیز شماره 64 جنگلهای شمال کشور و در منطقه جنگلهای اداره کل منابع طبیعی استان مازندران منطقه ساری و در محدوده جغرافیایی ˝10ˊ12°53 تا ˝40ˊ15°53 طول شرقی و˝10 ˊ40°36 تا ˝40ˊ58°36 عرض شمالی قرار دارد. تیپ غالب جنگلی از گونه راش (Fagus orientalis Lipsky.) در حدود %79، به همراه ممرز (Carpinus betulus L.) (%8)، توسکا (Alnus subcordata C.A.Mey) (%2)، بلندمازو (Quercus castaneifolia C.A.Mey.) (%1) و سایر گونهها از جمله گیلاس وحشی، شیردار، پلت و ون در حدود %10 است (23). شکل 1 موقعیت منطقه مورد مطالعه را نشان میدهد.
|
شکل1. موقعیت قطعات نمونه در الف) جنگلهای شمال ایران و ب) سری سه سنگده ساری1 Fig. 1- Location of study area on a) forests of northern Iran and b) District 3 of Sangdeh of Sari forests |
1نقاط روی نقشه در شکل 1-ب مربوط به موقعیت قطعات نمونه مورد آماربرداری است.
تصاویر راداری مربوطه، سنتینل 1A به تاریخ 19 آگوست 2018 بوده که با فرمت تصویربرداری IWS: Interferometric Wide Swath: ، نوع محصول Ground Range Detected: GRD و با قطبشهای VV و VH از سایت سازمان فضایی اروپا (European Space: ESA Agency) اخذ گردید. دادههای GRD، تصاویری هستند با پیکسلهای مربعی و Multi-Looking شده که با استفاده از یک بیضوی معادل مانند WGS84 به برد زمین ارجاع و از حالت برد مایل خارج گشتهاند. فرمت تصویربرداری مورد نظر مناسب کاربردهای مختلف از جمله جنگل بوده که پهنای تصویربرداری در این حالت 250 کیلومتر، توان تفکیک مکانی 5 متر در امتداد آزیموت و 20 متر در امتداد Range است (13). تصویر اخذ شده در نرم افزار تخصصی SNAP مورد پردازش قرار گرفت. بدین صورت که ابتدا تصحیحات رادیومتریک بر روی هر دو قطبش تصویر انجام شده و مقادیر خروجی که بهعنوان مقادیر باز پخش (Backscattering) اندازهگیری شده هستند با پارامتر sigma0 برآورد میشوند. سپس تصحیح هندسی از روی تصاویر تصحیح رادیومتری شده انجام و در نهایت بهمنظور تصحیح خطا یا بهعبارتی حذف یا کاهش خطای نویز اسپیکل با استفاده از یک فیلتر پائینگذر با ابعاد 3×3 نسبت به بهبود هر چه بهتر فرکانسهای بالایی که ایجاد شدند، اقدام شد.
تصاویر نوری مورد استفاده در این پژوهش از سنتینل 2B مربوط به تاریخ 29 جولای 2018 است که از سازمان فضایی اروپا در سطح تصحیحات L1C دریافت شد. این سطح از تصحیحات از نظر خطای هندسی بهدلیل زمین مرجع بودن فاقد خطا بوده و چون انعکاس آنها در سطح بالای اتمسفر است، باید با اعمال تصحیح اتمسفریک بر روی آنها، انعکاس آنها بهصورت انعکاس زمینی تبدیل گردد (6). برای این منظور و البته براي اطمينان از صحت تصحيح هندسي تصوير، در ابتدا با استفاده از نقشة وكتوري جاده و انطباق دقيق لایه جادهها با تصوير، صحت تطابق هندسي تصوير مورد بررسی قرار گرفت. پردازش تصاویر این سنجنده در نرمافزار ENVI انجام گرفته است. با توجه به اینکه تعداد 4 باند این سنجنده با قدرت تفکیکپذیری 10 متری و 6 باند با قدرت تفکیکپذیری 20 متری است، هر کدام در قالب یک Stack در آمده و سپس با اعمال Rescaling انعکاس آنها در سطح بالای اتمسفر به انعکاس زمینی تبدیل شده و در مرحله بعد با معرفی طول موجها تصحیح اتمسفری بر روی آنها صورت گرفته و جهت استفاده در مراحل بعدی آماده گردید.
-روش پژوهش
بهمنظور جمعآوری دادهها، در بهار و تابستان 1397 ضمن بررسی و مطالعه منطقه مورد پژوهش، نقشه مدل رقومی ارتفاع (Digital Elevation Model) با قدرت تفکیک مکانی 10 متر که از نقشه 1:25000 با فاصله خطوط میزان 10 متر (اخذ شده از دفتر فنی جنگلداری چالوس) تهیه شد. سپس با استفاده از شبکه آماربرداری تصادفی منظم با ابعاد 200×150 متر که در منطقه پیاده شده است تعداد 150 قطعه نمونه دایرهای به صورت انتخابی با مساحت 10 آری برداشت گردید؛ و مراکز تمام قطعات نمونه با استفاده از دستگاه GPS (سیستم موقعیت یاب جهانی Global Positioning System:) تفاضلی با روش RTK با خطای کمتر از 10 سانتیمتر مشخص گردید. در هر یک از قطعات نمونه مشخصههای نوع گونه، ارتفاع و قطر برابرسینه بیش از 5/7 سانتیمتر تمامی درختان ثبت شد. لازم به ذکر است که زمان آماربرداری زمینی در تابستان 1397 انجام شد.
پس از تعیین قطعات نمونه مورد نظر و اندازهگیری تمامی درختان با قطر بالاتر از 5/7 سانتیمتر در محدوده آن با استفاده از رابطه (1) حجم سرپای تک درختان محاسبه شد. سپس حجم سرپای درختان ابتدا در قطعات نمونه 10 آری و براساس آن، مقادیر این مشخصهها در هر هکتار محاسبه شد.
از رابطه (1) برای برآورد حجم درختان استفاده شد. در رابطه با جنگلهای طبیعی شمال ایران و یا خارج از آن ضریب شکل (f) را به طور میانگین 5/0 در نظر می‌گیرند (نمیرانیان، 1388):
[1] |
|
در رابطه فوق V حجم درخت بر حسب سیلو، g سطح مقطع بر حسب متر مربع و h ارتفاع درخت بر حسب متر و f ضریب شکل درختان است.
جهت تهیه نمونههای اولیه، بهدلیل ممنوعیت قطع و بهرهبرداری، از درختان شکسته و افتاده و یا ریشهکن استفاده شده که در مرحله بعدی 9 عدد نمونه به ابعاد 2×2×2 سانتیمتر (29) از هر گونه را از طریق کولیس اندازهگیری کرده سپس جرم نمونهها توسط ترازوی حساس (با دقت 001/0 گرم) اندازهگیری و سپس نمونهها داخل اتوکلاو به مدت 24 ساعت در دمای 2 ± 103 درجه سانتیگراد قرار داده شد تا رطوبت آنها کاملاً از بین برود (7). پس از خارج کردن، نمونهها را به مدت 15 دقیقه در داخل دسیکاتور قرار داده تا خنک و از جذب رطوبت محیط توسط نمونهها جلوگیری بهعمل آید. سپس جرم خشک نمونهها را یکی یکی وزن و بعد بهوسیله کولیس اندازه آنها را در جهات مختلف اندازهگیری نموده و با استفاده از حجم و جرم محاسبه شده چگالی چوب گونههای مختلف طبق رابطه (3) بدست آمد (9).
[2] |
|
در رابطه (2) WD :Wood Density چگالی چوب (گرم بر سانتیمتر مکعب)، M جرم خشک نمونه چوب (گرم) و V حجم خشک نمونه چوب (سانتیمتر مکعب) است.
- محاسبه زیتوده و ذخیره کربن روی زمینی
جهت تعیین میزان زیتوده روی زمینی از مدل جهانی فائو که در جنگلهای بسته، با آب و هوای مرطوب مورد استفاده قرار میگیرد، استفاده شد. برای همین منظور، پس از محاسبه چگالی تمامی گونهها، با استفاده از رابطه (3) میزان زیتوده در سطح قطعات نمونه محاسبه شده است (فائو، 1997).
[3] |
|
سپس برای محاسبه مقدار مشخصه فاکتور زیتوده، اگر حاصلضرب حجم در چگالی بیشتر از 190 تن در هکتار باشد مقدار فاکتور گسترش زیتوده (Factor BEF: Biomass Expansion)، برابر با 74/1 و اگر حاصلضرب حجم در چگالی کمتر از 190 تن در هکتار باشد مقدار آن 66/2 در نظر گرفته شد (فائو، 1997). در این رابطه (VOB: Volume Over Bark)
حجم برآورد شده برای هر اصله درخت، WD چگالی خشک محاسبه شده گونههای مختلف و BEFفاکتور گسترش زیتوده است. برای محاسبه میزان ذخیره کربن، عدد زیتوده بهدست آمده را در ضریب تبدیل به ذخیره کربن که معمولاً 50 درصد در نظر گرفته میشود (26) ضرب شد. در این مطالعه آماربرداری زمینی با روش تصادفی-منظم و برای تعیین وضعیت نرمال بودن دادهها از آزمون کولموگروف-اسمیرنوف و همگن بودن دادهها از آزمون لون استفاده شد.
اولین مرحله پردازش دادهها مرحله پیشپردازش است که در آن خطاها، نویز‌ها و اعوجاج‌های موجود در تصاویر شناسایی و تصحیح میشوند و سپس دادههای تصحیح شده در مرحله پردازش مورد استفاده قرار می‌گیرند. اصلی‌ترین انجام عملیات پیش پردازش، تصحیح هندسی و رادیومتریک است: فرآیند پیشپردازش تصاویر بهمنظور استخراج هر چه بهتر اطلاعات انجام شد. فرآیند تصحیح اتمسفري روي تصاویر ماهوارۀ سنتینل 2 تا حدودي صورت گرفته اما ارزش رقومی این تصاویر بین 0 تا 28000 متغیر است که براي پردازش تصویر، ارزش رقومی پیکسلها در تصویر با استفاده از دستورQUick (QUick Atmospheric Correction) به بازه 0 تا 1 تبدیل شد. پردازش تصاویر نیز شامل عملیاتهای مختلف نظیر نسبتگیری (Ratioing)، تجزیه مؤلفههای اصلی (Principal Component Analysis)، تجزیه و تحلیل بافت (Texture Analysis)، ادغام باندها (Band Integration) و ساختن شاخصهای گیاهی (Vegetation Index Making) است که با توجه به اهداف موجود بر روی دادههای ماهوارهای و در راستای اهداف مختلف صورت گرفت. به منظور تصحیح هندسی نیز از روش تصحیح هندسی چند جملهای درجه دو و با استفاده از 20 نقطه کنترل زمینی و با خطای حدود 47/0 تصحیح استفاده شد. پردازش تصاویر در نرمافزار ENVI5.3 انجام گرفت. با توجه به اینکه تعداد چهار باند این سنجنده با قدرت تفکیکپذیری 10 متری است، هر کدام در قالب یک فایل (ادغام باندهای 2، 3، 4 و 8 تصویر Sentinel 2 و تشکیل یک تصویر جدا) در آمد. علاوه بر باندهاي اصلی، با اعمال پردازشهاي مناسب باندهاي مصنوعی ایجاد شد که در فرآیند مدلسازي مورد استفاده قرار گرفت. در نهایت جهت آماده‌سازی دادهها برای تجزیه و تحلیل و استخراج هر چه بهتر اطلاعات ماهوارهای در بارزسازی مشخصههای کمی در روی تصاویر از پردازش‌هایی شامل، تجزيه يا تحليل مؤلفه اصلي، آنالیز بافت، نسبتگیری‌های مختلف برای ایجاد شاخصهای مهم گیاهی استفاده میشود. در این مطالعه نیز از پردازش‌های مختلفی در بارزسازی مشخصههای کمی درروی تصاویر راداری و طیفی استفاده گردید که در ذیل آمده‌است.
ارزشهاي طیفی معادل قطعههاي زمینی از باندهای اصلی و مصنوعی استخراج و بهعنوان متغیر مستقل در مدلها استفاده شد.
-مدلسازی زیتوده و ذخیره کربن
متغیرهاي مختلف استخراج شده از تصاویر راداری (16 ویژگی)، تصاویر نوری (99 ویژگی) و در نهایت ترکیب تصاویر راداری و نوری (216 ویژگی)، مانند مقادیر باندي، شاخص‌هاي گیاهی، تجزیه مؤلفه‌هاي اصلی و آنالیز بافت بهعنوان متغیر مستقل و مقادیر مشخصههای کمی از جمله زیتوده و ذخیره کربن روی زمینی و سایر مشخصهها در قطعات نمونه برداشت شده بهعنوان متغیر وابسته استفاده شد که مدلسازی از روشهای ناپارامتری جنگل تصادفی، ماشینبردار پشتیبان و نزدیکترین همسایه و روش پارامتری رگرسیون چندگانه خطی صورت گرفته است.
- نسبت‌گیري باندها و ایجاد شاخص‌هاي گیاهی
برای استخراج شاخصهای گیاهی از تصاویر سنتینل 2 که دارای باندهای طیفی در محدوده مرئی و مادون قرمز است، استفاده شده که شاخصهای زیر از آن استخراج گردید (جدول 1).
Table 1. Plant characteristics
فرمول محاسبه شاخص | شاخصهای محاسباتی از داده اپتیکال | |||||||
| DVI (Difference Vegetation Index) | |||||||
| GDVI (Green Difference Vegetation Index) | |||||||
| GNDVI (Green Normalized Difference Vegetation Index) | |||||||
| GRVI (Green Ratio Vegetation Index) | |||||||
| MSR (Modified Simple Ratio) | |||||||
| NDVI (Normalized Difference Vegetation Index) | |||||||
| NLI (Non-Linear Index) | |||||||
| RDVI (Renormalized Difference Vegetation Index) | |||||||
| RVI (SR) (Ratio Vegetation Index-Simple Ratio)
| |||||||
مشخصههای محاسباتی از دادههای راداری | فرمول آماری | |||||||
میانگین |
| |||||||
واریانس |
| |||||||
تباین |
| |||||||
همبستگی |
| |||||||
عدم تجانس |
| |||||||
آنتروپی |
| |||||||
همگنی | ||||||||
[5] | RMSE= | |||||||
[6] | Bias= | |||||||
[7] | RMSE% | |||||||
[8] | Bias% | |||||||
مشخصه | حداقل | حداکثر | میانگین | انحراف معیار | اشتباه معیار | چولگی | کشیدگی | دامنه |
زیتوده رویزمینی (تن در هکتار) | 00/120 | 91/955 | 07/469 | 42/153 | 52/12 | 68/0 | 62/0 | 91/835 |
ذخیره کربن رویزمینی(تن در هکتار) | 00/60 | 95/477 | 53/234 | 71/76 | 26/6 | 68/0 | 62/0 | 95/417 |
-همبستگی باندها با زیتوده و ذخیره کربن رویزمینی
جدول 4 نشان میدهد متغیرهای زیتوده و ذخیره کربن رویزمینی بیشترین همبستگی را داشتهاند.
جدول 4. همبستگی پیرسون بین باندها با زیتوده و ذخیره کربن رویزمینی
Table 4. Pearson correlation between bands with biomass and ground surface carbon storage
باند | میزان همبستگی | باند | میزان همبستگی |
NIR | **460/0- | B11 | **273/0- |
B8A | **446/0- | Red | **253/0- |
B07 | **441/0- | Entropy B11 | *208/0- |
B06 | **436/0- | PCAc | *182/0- |
Blue | **406/0- | DistanceB11 | *168/0- |
Green | **331/0- | Homogenity.B11 | *167/0- |
B05 | **324/0- |
|
|
* ، **: معنی‌داری در سطح بهترتیب 95 و 99 درصد احتمال
Mea:(میانگین)، :var (واریانس)، :con (تباین)، cor: (همبستگی)، :dis (عدم تجانس)، :ent(آنتروپی)، :hom (همگنی)
-مدلسازی با دادههای ماهوارهای
مدلسازی با استفاده از روشهای ناپارامتری بین دادههای ماهوارهای، متشکل از باندهای راداری، طیفی و تلفیقی از این‌دو با مشخصههای زیتوده و ذخیره کربن رویزمینی صورت گرفت. نتایج حاصل از اعتبارسنجی مدلسازی دادههای راداری ماهواره سنتینل 1 طبق جدول 5 نشان میدهد که با در نظر گرفتن درصد جذر میانگین مربعات خطا و مقادیر اریبی، روش ناپارامتری جنگل تصادفی در مدلسازی وضعیت مناسبتری نسبت به سایر روشها داشته است.
جدول 5 .نتایج اعتبارسنجی مدلسازی دادههای راداری ماهواره سنتینل 1 با زیتوده و ذخیره کربن رویزمینی
Table 5. Validation results of Sentinel 1 radar data modeling model with biomass and ground surface carbon storage
الگوریتم | نوع کرنل و معیار | زیتوده رویزمینی | ذخیره کربن رویزمینی | |||
Bias% | RMSE% | Bias% | RMSE% | |||
ناپارامتریک | جنگل تصادفی | - | 66/5 | 67/32 | 315/2 | 84/32 |
ماشینبردار پشتیبان
| خطی | 64/3 | 44/44 | 65/9 | 14/45 | |
چندجمله‌ای درجه دو | 51/27 | 49/35 | 93/12 | 48/35 | ||
چندجمله‌ای درجه سه | 37/26 | 84/33 | 40/12 | 84/33 | ||
پایه شعاعی | 10/27 | 64/35 | 76/12 | 89/35 | ||
سیگموئید | 48/31 | 37/37 | 22/14 | 32/38 | ||
نزدیکترین همسایه
| فاصله اقلیدسی | 67/0- | 82/33 | 31/0- | 82/33 | |
مربع فاصله اقلیدسی | 19/1- | 63/33 | 56/0- | 63/33 | ||
منهتن | 19/3- | 89/32 | 50/1- | 89/32 | ||
چبیشف | 92/0- | 79/32 | 43/0- | 79/32 | ||
نتایج حاصل از اعتبارسنجی مدلسازی دادههای طیفی ماهواره سنتینل 2 طبق جدول 6 نشان میدهد که در برآورد هر دو مشخصه زیتوده و ذخیره کربن رویزمینی، با توجه به مقادیر درصد جذر میانگین مربعات خطا و اریبی روش ماشینبردار پشتیبان با کرنل پایه شعاعی شرایط بهمراتب مناسبتری را نشان داد.
جدول 6. نتایج اعتبار سنجی مدلسازی دادههای طیفی ماهواره سنتینل 2 با زیتوده و ذخیره کربن رویزمینی
Table 6. Validation results of Sentinel 2 satellite spectral data modeling with biomass and surface carbon storage
الگوریتم ناپارامتریک نوع کرنل و معیار | زیتوده رویزمینی | ذخیره کربن رویزمینی | |||
Bias% | RMSE% | Bias% | RMSE% | ||
جنگل تصادفی | 31/7 | 41/30 | 52/3 | 89/29 | |
ماشینبردار پشتیبان
| خطی | 48/31 | 16/38 | 27/20 | 07/45 |
چندجمله‌ای درجه دو | 28/0 | 47/27 | 16/0 | 47/27 | |
چندجمله‌ای درجه سه | 19/2 | 63/27 | 03/1 | 63/27 | |
پایه شعاعی | 32/3 | 68/24 | 10/2 | 68/24 | |
سیگموئید | 69/23 | 54/26 | 17/11 | 55/26 | |
نزدیکترین همسایه
| فاصله اقلیدسی | 66/5- | 64/30 | 66/2- | 64/30 |
مربع فاصله اقلیدسی | 71/0 | 02/32 | 33/0 | 02/32 | |
منهتن | 54/2- | 39/34 | 19/1- | 39/34 | |
چبیشف | 93/0 | 38/32 | 44/0 | 38/32 | |
در نهایت با تلفیق دادههای نوری و راداری، روش جنگل تصادفی نسبت به دو روش دیگر برازش بهتری در برآورد زیتوده و ذخیره کربن رویزمینی داشته است (جدول 7).
جدول 7. نتایج اعتبار سنجی مدلسازی تلفیق تصاویر ماهواره سنتینل 1 و2 با زیتوده و ذخیره کربن رویزمینی
Table 7. Validation results of modeling integration of Sentinel 1, 2 satellite images with biomass and surface carbon storage
الگوریتم ناپارامتریک نوع کرنل و معیار | زیتوده رویزمینی | ذخیره کربن رویزمینی | |||
Bias% | RMSE% | Bias% | RMSE% | ||
جنگل تصادفی | 44/2- | 79/32 | 01/0- | 79/30 | |
ماشینبردار پشتیبان
| خطی | 813/6 | 54/50 | 489/7 | 04/50 |
چندجمله‌ای درجه دو | 512/15 | 52/36 | 294/7 | 52/36 | |
چندجمله‌ای درجه سه | 419/22 | 33/35 | 536/10 | 33/35 | |
پایه شعاعی | 603/3- | 84/38 | 662/1- | 84/38 | |
سیگموئید | 599/15 | 50/37 | 341/7 | 50/37 | |
نزدیکترین همسایه
| فاصله اقلیدسی | 804/6- | 4/33 | 198/3- | 4/33 |
مربع فاصله اقلیدسی | 318/14- | 11/36 | 729/6- | 11/36 | |
منهتن | 837/16- | 92/41 | 914/7- | 92/41 | |
چبیشف | 741/3- | 49/33 | 758/1- | 49/33 | |
بهترین برازش توسط روشهای ناپارامتری در برآورد مشخصه مورد بررسی در جدول 8 آمده است. بدین ترتیب روش جنگل تصادفی زمانی که تلفیق دادههای ماهوارههای Sentinel 1, 2 انجام گرفته، نتایج بهتری را نشان داده و در مقابل روش ماشینبردار پشتیبان و نزدیکترین همسایه، در استفاده از دادههای طیفی، برازش مناسبتری داشت.
جدول 8. نتایج اعتبار سنجی مدلسازی دادههای ماهوارهای با زیتوده و ذخیره کربن رویزمینی
Table 8. Validation results of modeling satellite data with biomass and surface carbon storage
نزدیکترین همسایه | ماشینبردار پشتیبان | جنگل تصادفی | روش
مشخصه | |||
RMSE% | Bias% | RMSE% | Bias% | RMSE% | Bias% | |
02/32 | 45/0 | 68/24 | 74/0 | 79/32 | 52/0- | زیتوده |
طیفی- مربع اقلیدسی | طیفی- تابع پایه شعاعی | تلفیقی | ||||
02/32 | 45/0 | 68/24 | 98/0 | 79/30 | 01/0 | ذخیره کربن |
طیفی- مربع اقلیدسی | طیفی- تابع پایه شعاعی | تلفیقی | ||||
- نقشه پراکنش ذخیره کربن رویزمینی
برای تهیه نقشه پراکنش ذخیره کربن رویزمینی بهمنظور نشان دادن توزیع مکانی آن، از نتایج با توجه به نتایج اعتبارسنجی مدلسازی دادههای ماهوارهای و کمکی (خصوصیات توپوگرافی) با مشخصههای کمی که مناسب‌ترین مدل را در پیشبینی این مشخصه ارائه نموده، استفاده گردید. با توجه به شکل 2 میتوان مناطق با ذخیره کربن مختلف را شناسایی نمود. بهطوریکه در جهت شمالی منطقه مورد مطالعه و در ارتفاعات پائین‌تر میزان ذخیره کربن رویزمینی اغلب مابین 200-150 تن در هکتار و با افزایش ارتفاع از سطح دریا و در قسمت‌های جنوبی‌تر این مهم به 300-250 و 350-300 تغییر می‌یابد.
|
شکل 2. نقشه پراکنش ذخیره کربن رویزمینی در منطقه مورد مطالعه Fig. 2- Land surface carbon storage distribution map in the study area |
بحث و نتیجهگیری
با توجه به توانایی زیاد بومسازگانهای جنگلی در ذخیرة کربن میتوان اذعان داشت؛ این بومسازگان تأثیر اساسی در ذخیرة جهانی کربن در اتمسفر دارد. با توجه به اهمیت کمی کردن کربن در مقیاسهاي مختلف محلی تا جهانی، این پژوهش سعی دارد تا میزان اندوختۀ کربن جنگلهاي سری سه سنگده ساری را با استفاده از روشهاي کم هزینه برآورد کند. براساس اطلاعات موجود در بیشتر مطالعات برای مدلسازی زیتوده از روابط آماده آلومتریک استفاده شده است. لذا این تحقیق در نظر دارد تا به کمک تلفیق دادههاي طیفی و راداری ماهوارههای سنتینل 1 و 2 به یافتن مدلهای آماری و تجربی مناسب جهت برآورد ذخیره کربن روی زمینی در منطقه مورد مطالعه بپردازد.
در مجموع نتایج بهدست آمده از بررسی آماره توصیفی نشان میدهد که با توجه به دامنه تغییرات مشاهده شده، نمونه خوبی از توده‌های جنگلی به لحاظ دارا بودن از تمامی قطر و ارتفاع است. علاوه بر این، نتایج حاکی از آن است که منطقه مورد مطالعه از نظر توزیع مکانی مشخصه مورد بررسی دارای شرایط ناهمگن است و از این منظر با نتایج مطالعه نوریان و همکاران (20) مبنی بر دامنه تغییرات زیاد دادههای زمینی مطابقت دارد.
با توجه به بررسی همبستگی میان زیتوده و ذخیره کربن رویزمینی با باندهای مختلف، نتایج نشان داد که باند مادون قرمز نزدیک بیشترین همبستگی را در برآورد این‌دو مشخصه با مقدار 460/0- در سطح 99 درصد احتمال داشته‌است. یکی از دلایل همبستگی بیشتر باند مادون قرمز در مقایسه با سایر باندهای دیگر با زیتوده و یا ذخیره کربن رویزمینی این است که طیف مادون قرمز نزدیک کمتر تحت تأثیر پخش اتمسفری قرار میگیرد؛ لذا انرژی بازتاب شده از پوشش گیاهی با سهولت بیشتری به سنجنده می‌رسد. بهعبارتی با افزایش رشد درختان و حجم توده، تاج درختان بزرگتر، آب برگ‌ها بیشتر و تعداد اشکوب‌های توده نیز افزایش می‌یابد که به‌نوبه خود باعث ایجاد سایه بیشتر در تاج، افزایش خلل و فرج در تاج در نتیجه پخش و جذب بیشتر انرژی و در نهایت بازتاب کمتر توده میشود. همچنین می‌دانیم که میزان بازتابش از پوشش زنده به مقدار آب، ساختمان سلولی، مقدار کلروفیل و ساختمان گیاه و نیز اختلاف مورفولوژیکی نظیر تاج پوشش، شکل برگ و زاویه سطح برگ در باندهای مختلف بستگی دارد، لذا تعیین صحیح جهت این همبستگی از نظر مثبت یا منفی بودن نیاز به بررسی‌های بیشتری دارد که در این زمینه میتوان ویژگی‌هایی مانند چگونگی پوشش گیاهی، خاک، درصد تاج پوشش و … در قطعات نمونه زمینی را برای تحلیل‌های بعدی مورد مطالعه قرار داد.
در پژوهش پیشرو، مدلسازی زیتوده و ذخیره کربن رویزمینی با استفاده از دادههای ماهوارهای حاکی از آن است که ترکیب دادههای طیفی با راداری نتوانسته بهبودی در برآورد آنها داشته باشد و بر اساس نتایج، دادههای طیفی بهترین برآورد را نشان داده است. در هر دو حالت، الگوریتم ماشینبردار پشتیبان با تابع پایه شعاعی برازش مناسبتری داشته‌است. در هنگام استفاده تنها از دادههای ماهوارهای برای زیتوده و ذخیره کربن، درصد اریبی بهترتیب 74/0 و 98/0 و مقادیر مساوی درصد جذر میانگین مربعات خطا برابر با 68/24 حاصل شد. نتایج بهدست آمده نسبت به مطالعات سارکر و نیکول (25) به‌خاطر بهرهگیری از ترکیب رادارست با باندهای طیفی AVNIR-2 و روش مدلسازی و تبدیلات موجک بر روی تصاویر و سیواسانکار و همکاران (27) به‌علت استفاده از بازپراکنش باند L با حساسیت بیشتر در برآورد زیتوده، ضعیف‌تر نشان داده است. در تحقیق پاندیت و همکاران (22) به‌خاطر آماربرداری از تمامی درختان با قطر بیش از پنج سانتیمتر در قطعات نمونه 500 متر مربعی و نیز محاسبه زیتوده با استفاده از روابط آلومتریک منطقه‌ای، برآورد زیتوده نسبت به پژوهش حاضر از وضعیت بهتری برخوردار است. برآورد زیتوده در این مطالعه نسبت به تحقیق مورین و همکاران (19) تا حدودی دارای وضعیت بهتری است؛ که علت بالاتر بودن خطای آن را میتوان به نوع پوشش جنگلی منطقه مورد مطالعه که از نوع سوزنی‌برگان است، نسبت داد.
بدین ترتیب با توجه به نتایج میتوان اذعان داشت که در منطقه مطالعاتی حاضر، اطلاعات طیفی نقش مهم و کاربردی‌تر را در برآورد زیتوده و ذخیره کربن رویزمینی نسبت به تصاویر راداری داشته و در مجموع نشان از قابلیت متوسط ماهواره سنتینل در تخمین مشخصهها دارد. در صورت کاربرد سنجش از دور در برآورد زیتوده و مشخصههای ساختاری جنگل پیشنهاد میشود از دادههای راداری با طول موج بلند، قطبشهای چهارگانه و کاربرد تکنیک‌های تداخل‌سنجی و ترکیب با دادههای طیفی با قدرت تفکیک مکانی بالا بهمنظور افزایش دقت و صحت ارزیابی استفاده شود. همچنین پیشنهاد میشود دادههای طیفی مانند (PRISM Panchromatic Remote-sensing Instrument for Stereo Mapping: ) استر و اسپات با قابلیت دید استریو جهت برآورد ساختار عمودی که از پارامترهای مهم تخمین زیتوده است، مورد استفاده قرار گیرد.
تقدیر و تشکر
در پایان نامه: این مقاله حاصل پایان نامه با عنوان مدلسازی ذخیره کربن روی زمینی و مشخصههای ساختاری جنگل با استفاده از تلفیق تصاویر ماهواره سنتینل 1 و 2 (مطالعه موردی: جنگلهای سری سه سنگده) در مقطع (دکترا) در سال 1399 و کد 245602 است که با حمایت دانشکاهعلوم کشاورزی و منابع طبیعی ساری اجرا شده است.
1- Agata, H. A., D. Lewandowska, K. Ziolkowski, M. Sterenczak, C. Lisanczuk, Schmullius, and C. Pathe. 2018. Forest Aboveground Biomass Estimation Using a Combination of Sentinel-1 and Sentinel-2 Data. International Geoscience and Remote Sensing Symposium, 9026-9029. Valencia, Spain.
2- Aronoff, S. 2005. Remote Sensing for GIS Managers. ESRI Press, Redlands, CA. 524pp.
3- Chang, J., and M. Shoshany. 2016. Mediterranean Shrublands Biomass Estimation Using Sentinel-1 and Sentinel-2. IEEE International Geoscience and Remote Sensing Symposium.DOI:10.1109/IGARSS.2016.7730380.
4- Chen, L., R. Chunying, Z. Bai, W. Zongming, and X. Yanbiao. 2018. Estimation of Forest Above-Ground Biomass by Geographically Weighted Regression and Machine Learning with Sentinel Imagery. Forest, 9: 582-602.
5- Clark, D.A. S. Brown, D.W. Kicklighter, J.Q. Chambers, J.R. Tomlison, and J. Ni. 2001. Measuring net primary production in forests: concepts and field methods. Ecological Applications, 11:356-370.
6- Egbers, R. 2016. Sentinel-2 data processing and identifying glacial features in Sentinel-2 imagery. Bachelor Thesis. TU Delft University of Technology in Netherlands, 53p.
7- Enayati A.A. 2013. Wood Physics. 3086.2. University of Tehran Press. 340pp. (In Persian).
8- Ghasemi, N., M.R. Sahebi, and A. Mohammadzadeh. 2013. Biomass estimation of a temperate deciduous forest using wavelet analysis. IEEE Transactions on Geoscience and Remote Sensing, 51(2): 765-776.
9- Henry, M., A. Besnard, W.A. Asante, J. Eshun, S. Adu-Bredu, R. Valentini, M. Bernoux and L. Saint-Andre, 2010. Wood density, phytomass variations within and among trees, and allometric equations in a tropical rainforest of Africa, Forest Ecology and Management, 260: 1375–1388.
10- Ketterings, Q.M., R. Coe, M.V. Noordwijk, Y. Ambagau, and C.A.Palm. 2000. Reducing uncertainty in the use of allometric biomass equation for predicting above-ground tree biomass in mixed secondary forests. Forest Ecology and Management Journal, 146(2001): 199-209.
11- Khorrami R. Darvishsefat A. A. and M. Namiranian. 2008. Investigation on the Capability of Landsat7 ETM+ data for Standing Volume Estimation of Beech Stands (Case Study: Sangdeh Forests). Journal of the Iranian Natural Resources. 60(40): 1289-1281 pp. (In Persian).
12- Laurin, G.V., J. Balling, P. Corona, W. Mattioli, N. Puletti, M. Rizzo, J. Truckenbrodt, and M. Urban. 2018. Above-ground biomass prediction by Sentinel-1 multitemporal data in central Italy with integration of ALOS2 and Sentinel-2 data. Journal of Applied Remote Sensing, 12(1): 016008-1-016008-18.
13- Lazecky, M., F.C. Comut, Y. Qin, and D. Perissin. 2017. Sentinel-1 Interferometry System in the High- Performance Computing Environment. In The Rise of Big Spatial Data, Springer International Publishing, 131-139.
14- Le Toan, T., S. Quegan, M. W. J. Davidson, H. Balzter, P. Paillou, K. Papathanassiou, S. Plummer, F. Rocca, S. Saatchi, H. Shugart, and L. Ulander. 2011. The biomass mission: mapping global forest biomass to better understand the terrestrial carbon cycle. Remote Sensing of Environment, 115: 2850-2860.
15- Li, M. 2010. Estimation and analysis of forest biomass in northest forest region using remote sensing technology. Estimation of canopy-average surface-specific leaf area using Landsat TM data. Northoest Forestry University.
16- Lu, D., Q. Chen, G. Wang, L. Liu, G. Li, and E. Moran. 2014. A survey of remote sensing based aboveground biomass estimation methods in forest ecosystems. International Journal of Digital Earth, 9(1): 1-43.
17- Machar, I., J. Simon, K. Rejsek, V. Pechanec, J. Brus, and H. Kilianova. 2016. Assessment of forest management in protected areas based on multidisciplinary research. Forests, 7: 285, 16p. doi:10.3390/f7110285.
18- Montes, N., T. Gauquelin, W. Badri, V. Bertaudiere, and El.H. Zaoui. 2000. A non-destructive method for estimating above-ground forest biomass in threatened woodlands, Forest Ecology and Management Journal, 130: 37-46.
19- Morin, D., M. Planells, D. Guton, L. Villard, S. Mermoz, A. Bouvet, H. Thevenon, J.F. Dejoux, T.L. Toan, and G. Dedieu. 2019. Estimation and Mapping of Forest Structure Parameters from Open Access Satellite Images: Development of a Generic Method with a Study Case on Coniferous Plantation. Remote Sensing, 11: 1-25.
20- Noorian N. Shataee Sh. Mohammadi J. 2019. Evaluation of RapidEye satellite data for estimation some quantitative
structure variables in the Caspian forests of Gorgan region. RS & GIS for Natural Resources. 9(4): 1-16. (In Persian).
21- Nuthammachot, N., A. Askar, D. Stratoulias, and P. Wcaksono. 2020. Combined use of Sentinel-1 and Sentinel-2 data for improving above-ground biomass estimation. Geocarto International. Published online. https://doi.org/10.1080/10106049.2020.1726507.
22- Pandit, S., T. Satoshi, and D. Timothy. 2018. Estimating Above-Ground Biomass in Sub-Tropical Buffer Zone Community Forests, Nepal, Using Sentinel 2 Data. Remote Sensing, 10(4):1-18.
23- Revision of Sangdeh forestry plan, series three (Sarband chamber). 2010. Forests, Rangelands and Watershed Management Organization, Wood Frame Company. 321 pp. (In Persian).
24- Safari A. Sohrabi H. 2021. Using the bootstrap approach for comparing statistical modeling methods to estimate remotely-sensed aboveground biomass in Zagros forests. RS & GIS for Natural Resources. 11(2): 49-67. (In Persian).
25- Sarker, L.F. and J. Nichol. 2013. Forest Biomass Estimation from the Fusion of C-band SAR and Optical Data Using Wavelet Transform. Remote Sensing for Agriculture, Ecosystems, and Hydrology XV. 8887: 1-9.
26- Singh, V., A. Tewari, S.P.S. Kushwaha, and V.K. Dadhwal. 2011. Formulating allometric equations for estimating biomass and carbon stock in small diameter trees. Forest Ecology and Management, 261: 1945–1949.
27- Sivasankar, T., J. M. Lone, K.K. Sarma, A. Qadir, and P.L.N. Raju. 2018. The potential of multi-frequency multipolarized ALOS-2/PALSAR-2 and Sentinel-1 SAR data for aboveground forest biomass estimation. International Journal of Engineering and Technology, 10(3): 797-802.
28- Vafaei S., Soosani, J., Adeli, K., H. Fadaei, and H. Naghavi. 2017. Estimation of aboveground biomass using optical and radar (Case study: Nav-e Asalem forests, Gilan) images. Iranian Journal of Forest and Poplar Research, 25 (2): 320-331. (In Persian).
29- Vahedi A. A. 2014. Optimal allometric biomass equations for Hornbeam (Carpinus betulus L.) boles
within the Hyrcanian forests. Iranian Journal of Forest and Poplar Research. 22(2):225-236. Doi: 10.22092/ijfpr.2014.10668 . (In Persian).
30- Vicharnakorn, P., R. P. Shrestha, M. Nagai, A. P. Salam, and S. Kiratiprayoon. 2014. Carbon stock assessment using remote sensing and forest inventory data in Savannakhet, Lao PDR. Remote Sensing, 6:5452–5479.
31- Zimble, D.A., D.L. Evans, G.C. Carlson, R.C. Parker, S.C. Grado, and P.D. Gerard. 2003. Characterizing vertical forest structure using small-footprint airborne LiDAR, Remote Sensing of Environment Journal, 87: 171-182.
Modeling of Biomass and Aboveground Carbon stock using Sentinel -1, 2 satellite Imagery Relationships (Case Study: Sari of District 3 of Sangdeh Forests)
Abstract
In the study, the goal is; to find suitable statistical models for estimating ground carbon storage by combining spectral and radar data from Sentinel- 1, 2 satellites in a part of the Sari Sangdeh series of forests. In this regard, 150 circular plots were selected and executed in a random-regular method with an area of 10 ares (0.1ha). Species of species type, the total height of trees, and diameter equal to the chest of trees with more than 7.5 cm were recorded in each sample plot. Then the density of all species in the sample plots was determined in the laboratory. After that, the amount of biomass at the level of sample parts was calculated based on the FAO global model and the amount of carbon storage on the ground by applying a coefficient. Necessary pre-processing and processing were applied on radar and spectral images. Then the numerical values corresponding to the ground plots were extracted from the spectral bands and considered independent variables. Modeling was performed by nonparametric methods of Random Forest, Support Vector Machine, and K-Nearest Neighbor. The results showed that the average ground biomass was 469.07 tons per hectare and carbon storage was 234.53 tons per hectare. Also, the highest correlation was obtained between the main and artificial bands with the two characteristics related to the near-infrared band. The results of modeling validation showed the combination of optical and radar data of Sentinel-1, 2 satellites with biomass and carbon storage of the ground surface; the Random Forest method compared to other non-parametric methods with average squared error percentage and sloping percentage for biomass characteristics (32.79 tons per hectare and -2.24 percent) and carbon storage (30.79 tons per hectare, 0.01) respectively, has had a better performance in modeling. In general, the results of validation showed that the use of Random Forest methods and images of Sentinel-1, 2 satellites did not perform well in estimating biomass characteristics and carbon storage.
Key words: Bias, Biomass, Remote Sensing, Support Vector Machines: SVM, Vegetation Indices.
سند
الروابط
المراكز ذات الصلة
دعامة
الصفحات الرسمية
حقوق هذا الموقع الإلكتروني مملوكة لنظام SANAD Press Management. © 1442-1446