Modeling of Aboveground Carbon stock using Sentinel -1, 2 satellite Imagery and Parametric and Nonparametric Relationships (Case Study: District 3 of Sangdeh Forests)

Subject Areas : Agriculture, rangeland, watershed and forestry

Seyed Mahdi Rezaei Sangdehi ¹ , Asghar Fallah ² , Homan Latifi ³ , Nastaran Nazariani ⁴

1 - Ph.D. student in Forestry, Faculty of Natural Resources, Sari University of Agricultural Sciences and Natural Resources, Sari, Iran.
2 - Prof. Department of Forestry, Faculty of Natural Resources. Sari Agricultural Sciences and Natural Resources. University-IRAN
3 - Assistant Professor, Faculty of Surveying Engineering, Khajeh Nasir Tusi University of Technology, Tehran, Iran.
4 - Postdoctoral researcher, Department of Forestry, Faculty of Natural Resources, Sari University of Agricultural Sciences and Natural Resources

Received: 2022-01-21 Accepted : 2022-04-20 Published : 2023-05-22

Keywords: Vegetation indices, Bias, remote sensing, Support Vector Machines: SVM, biomass,

Abstract :

In this study, the goal is; Find suitable statistical and experimental models for estimating ground carbon storage by combining spectral and radar data from Sentinel 1, 2. There are 150 random circular samples with an area of 10 acres and a total of 150 samples. With global coverage, all height classes were selected. 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. After that, the amount of biomass at the surface of the sample parts was calculated based on the FAO global model and the amount of carbon storage on the ground by applying a coefficient. Radar and spectral images were subjected to various preprocessing operations and necessary processing. Then, the numerical values corresponding to the ground sample plots were extracted from the spectral bands and considered as independent variables. Modeling was performed by non-parametric methods of RF, SVM, kNN, and parametric methods of multiple linear regressions. 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 surface carbon storage; Random forest method with the RMSE%, and percentage of bias. The studied characteristics (32.79, -2.24) and (30.79 and 0.01), respectively, have had a better performance in modeling. In general, the results obtained from the validation showed that in estimating the two characteristics the RF method showed better results if the Sentinel 1, 2 data were combined, and in contrast to the SVM.

Full-Text:



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.

روش تحقیق

- 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.

- داده­هاي ماهواره­ای

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

- آماربرداري زمینی

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.

- محاسبه چگالی گونه­ها

 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.

-استخراج ارزش­هاي طیفی 

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).

جدول1. شاخص‌های گیاهی

Table 1. Plant characteristics

- آنالیز بافت

الگوی بافتی توسط مقادیر درجه خاکستری با تغییر پذیری تن تصویر در منطقه یا در محیط همسایگی با استفاده از پنجره‌ای که بر روی تصویر قرار داده می‌شود، مشخص می‌گردد. در مطالعه پیش­رو نیز از مشخصه‌های بافت بر مبنای ماتریس وقوع، میانگین و واریانس، و بر مبنای هم‌وقوع شاخص‌های تباین، همبستگی، عدم تجانس (ناهمگنی)، آنتروپی و همگنی برای تمامی باندها استخراج گردید. هم‌چنین اندازه پنجره مورد استفاده در این مطالعه 5×5 انتخاب گردید که روابط آماری مشخصه‌های بافت در جدول 2 آمده است.

 

جدول 2. مشخصه‌های بافت

Table 2. Texture 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)

 

- تجزيه مؤلفه اصلي

به‌منظور حذف اطلاعات تکراری طیفی و متمرکز کردن عمده اطلاعات باندهایی که دارای همبستگی زیادی هستند تجزیه مؤلفه اصلی بر روی تصاویر انجام گرفت. از آن‌جایی‌که انتخاب باندها برای این امر به دو صورت استاندارد و انتخابی صورت می‌گیرد، در این پژوهش از روش انتخابی (باندهای راداری سنتینل 1 با دو قطبش افقی و عمودی، باندهای نوری سنتینل 2 ده و بیست متری) استفاده واطلاعات حاصل از آن‌ها استخراج گردید.

-روش‌های ناپارامتریک

-الگوریتم جنگل تصادفی (Random Forest:RF)

اجرای مدل‌سازی به روش جنگل تصادفی و تعیین تعداد بهینه درختان ابتدا با 400 درخت اولیه انجام شد. سپس با مشاهده نمودار تغییرات میزان مربعات خطا برای داده‌های آزمون (Train) و آموزش (Test) در جایی که با افزایش تعداد روند افزایش مربعات خطا حالت ثابتی پیدا نمود به‌عنوان تعداد درخت بهینه انتخاب گردید. به‌منظور تعداد بهینه برآورد گره‌ها (Predictors)، از جذر تعداد کل متغیرها استفاده شد و هم‌چنین مقدار نسبت زیر نمونه (Subsample Proportion) از 5/0 تا 9/0 مورد آزمون و بررسی قرار گرفته است                                

-الگوریتم ماشین بردار پشتیبان (Support Vector Machine: SVM)

برای مدل‌سازی با الگوریتم ماشین بردار پشتیبان از توابع پایه شعاعی، چندجمله‌ای درجه دو و سه، سیگموئید و خطی در این مطالعه استفاده شد. در این روش مقدار گاما (Gamma) معمولاً از تقسیم یک بر تعداد متغیرهای مستقل که در این‌جا تعداد باندهای اصلی و مصنوعی است، بدست می‌آید. برای تعیین مقادیر بهینه ظرفیت (Capacity) و اپسیلون (Epsilon) از اعتبارسنجی متقابل (Cross-Validation) و جستجوی خودکار شبکه‌ای با اعتبارسنجی 10 قسمتی و تکرار 1000 بار استفاده گردید. مقدار ظرفیت از 1 تا حداکثر 50 و مقدار اپسیلون از 1/0 تا حداکثر 5/0 در نظر گرفته شد.

-الگوریتم نزدیکترین همسایه (k-Nearest Neighbor: kNN)

در اجرای این روش از چهار معیار فاصله اقلیدسی، مربع فاصله اقلیدسی، منهتن و چبیشف به‌صورت وزن داده شده و داده‌ها به‌صورت استاندارد استفاده گردید. با توجه به اهمیت تعداد همسایه، مقدار بهینه این پارامتر بین 1 تا 35 در نظر گرفته شد. در این روش نیز با جستجوی خودکار شبکه‌ای و اعتبار سنجی 10 قسمتی و 1000 بار تکرار انجام شده است.

-اعتبارسنجی مدل

به­منظور ارزیابی و برازش مدل­هاي رگرسیونی، 30 درصد از داده­ها به­صورت تصادفی انتخاب (15) و به­عنوان مجموعه داده­هاي ارزیابی کنار گذاشته شدند. با استفاده از معیارهاي میانگین جذر مربعات خطا (Root Mean Square of the Error) (رابطه 5)، اریبی (رابطه 6)، درصد میانگین جذر مربعات خطا (رابطه 7) و درصد اریبی (رابطه 8)، اعتبار مدل­هاي آماري مورد ارزیابی قرار گرفت.

 

مشخصه‌های محاسباتی از داده‌های راداری	فرمول آماری
میانگین
واریانس
تباین
همبستگی
عدم تجانس
آنتروپی
همگنی

در این روابط  مقدار برآورد شده، میانگین برآورد شده و Y مقدار مشاهده شده و همچنینn  تعداد مشاهدات )قطعات نمونه)  است. 

لازم به ذکر است؛ برای پیاده کردن قطعات نمونه بر روی تصویر از ArcGIS 10.3، سپس در محیط نرم­افزارهایSNAP  و 5.3  ENVI پیش­پردازش و پردازش تصویر انجام و از نرم­افزارSTATISTICA  نیز برای مدل­سازی استفاده شد.

 

 

 

نتایج

آمار توصیفی مربوط به مشخصه­های مورد اندازه­گیری در جدول 3 آورده شده است. حداقل، حداکثر و میانگین زی­توده روی ‌زمینی 120، 91/955 و 07/469 تن در هکتار و برای مشخصه ذخیره کربن 60، 95/477 و 53/234 تن در هکتار است.

 

جدول 3. آماره توصیفی زی­توده و ذخیره کربن روی­زمینی

Table 3. Descriptive statistics of biomass and carbon storage on land

[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.

References

 

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. 

 

9

 

---