ارزیابی چهار الگوریتم پیش بینی سطح تاج پوشش جنگل های مانگرو با استفاده از تصاویر دوربین هوایی

محورهای موضوعی : توسعه سیستم های مکانی

اکبر قاسمی ¹ (دکتری جنگلداری، دانشگاه علوم کشاورزی و منابع طبیعی ساری)
اصغر فلاح ² (دانشیار دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری)
شعبان شتایی جویباری ³ (دانشیار، دانشکده علوم جنگل، دانشگاه علوم کشاورزی و منابع طبیعی گرگان)

تاریخ دریافت : 1394/06/04 تاریخ پذیرش : 1394/12/01 تاریخ انتشار : 1395/06/01

کلید واژه: بوشهر, مدل سازی, مانگرو, تاج پوشش, دوربین Ultra cam X,

چکیده مقاله :

امروزه استفاده از شاخص های اکولوژیک همانند تاج پوشش درختان برای شناخت وضعیت اکوسیستم های خاص نظیر رویشگاه های مانگرو و پایش و ارزیابی تغییرات ایجاد شده در طی زمان، امری ضروری می باشد. هدف از این مطالعه استفاده از قابلیت داده‌های طیفی با قدرت تفکیک مکانی بالادر برآورد مشخصه سطح تاج پوشش با استفاده از الگوریتم‌های پارامتریک و ناپارامتریک در جنگل های مانگرو استان بوشهر است. برای انجام تحقیق، 50 قطعه نمونه 400 مترمربع (20×20 متر) به روش خط- نمونه پیاده و اطلاعات قطر برابر سینه، قطر بزرگ و کوچک تاج درختان و ارتفاع تمامی درختان به همراه موقعیت مراکز قطعه نمونه برداشت و سطح تاج پوشش در قطعه نمونه و در هکتار به درصد محاسبه گردید. تصاویر مورد استفاده در این تحقیق مربوط به عملیات عکس برداری در تاریخ 20/10/91 است که با استفاده از دوربین رقومی UltraCam-X برداشت گردید. پس از انجام پیش پردازش‌ها و پردازش‌های مناسب، ارزش‌های رقومی متناظر با قطعات نمونه زمینی از باندهای طیفی استخراج و به عنوان متغیرهای مستقل و درصد تاج پوشش به عنوان متغیر وابسته در نظر گرفته شدند. مدل‌سازی با الگوریتم های نزدیک‌ترین همسایه، ماشین بردار پشتیبان، جنگل تصادفی و رگرسیون خطی چند متغیره با 70 % از قطعات نمونه انجام گردید و نتایج با 30 % باقیمانده قطعات نمونه مورد ارزیابی قرار گرفت. به منظور پیش بینی درصد تاج پوشش، نتایج الگوریتم جنگل تصادفی، نزدیک ترین همسایه، رگرسیون خطی چندمتغیره و ماشین بردار پشتیبان به ترتیب با درصد مجذور میانگین مربعات خطا برابر با 57/13، 95/13، 88/14 و 73/17 و اریبی نسبی برابر با 88/3-، 62/4–، 05/5- و 78/2- بدست آمد که الگوریتم جنگل تصادفی با کمترین درصد مجذور میانگین مربعات خطا توانست درصد تاج پوشش را بهتر پیش بینی نماید. نتایج این تحقیق نشان داد الگوریتم های ناپارامتریک جنگل تصادفی، نزدیک ترین همسایه و ماشین بردار پشتیبان قابلیت بالاتری نسبت به الگوریتم پارامتریک رگرسیون خطی چندمتغیره در برآورد مشخصه درصد تاج پوشش دارا می‌باشند.

چکیده انگلیسی:

Today, it is important to use the ecological indicators, such as canopy cover for recognizing the special status of ecosystems, such as mangrove forests and also monitoring and evaluating changes through a specific period. This study aimed to investigate the sufficiency of parametric and nonparametric algorithms using the spectral data with high spatial resolution in the evaluation of canopy cover in the mangrove forest in the Bushehr province. The vegetative characteristics were studied at 20×20 square meter sample plots. 50 Sample plots were studied for the proposed vegetative characteristic such as diameter, Height and percentage of canopy cover of mangrove forest. The camera UltraCamX digital images which used in this study were harvested to the shooting operation on 2012.01.10. After conducting some proper Preprocessing and processing, the digital values corresponding to the ground samples were extracted from spectral bands and were considered as the independent variables while and the crown canopy percent per plot were considered as the dependent variable. Modeling was carried out based on 75 percent of sample plots using K-Nearest Neighbor methods, support vector machine, random forest and General linear model methods and the results were cross-validated using the remaining 25 percent. The results showed that the best estimates were obtained from the crown canopy percent with method Random Forest, k-NN, SVM and General linear model methods with a root mean square error of 13.57, 13.95, 14.88 and 17.73 percent and relative bias of -3.88, -4.62, -5.05 and -2.88 percent that Random Forest method had the best performance. The results of this study showed UltraCam X Arial spectral data had the high ability for estimating of canopy cover percent.

منابع و مأخذ:

1. امیری، س. ن.، ژ.  سجادی و س. ح. صدوق ونینی. 1389. کاربرد شاخص­های گیاهی حاصل از داده­های ماهواره­ای IRS در تعیین سطح جنگلهای حرای نایبند در مجاورت تاسیسات نفتی پارس جنوبی. علوم محیطی، 8(1): 69-84.

2. بهاروند، س. و س. سوری. 1394. پهنه­بندی خطر زمین لغزش با استفاده از روش شبکه عصبی مصنوعی (مطالعة موردی: حوزه سپیددشت، لرستان). سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6(4): 15-31.

3. حجاریان، م. 1384. بررسی تغییرات کمی جنگل‌های مانگرو منطقة قشم با استفاده از عکس‌های هوایی و تصاویر ماهواره‌ای در یک دوره 40 ساله. پایان­نامه کارشناسی ارشد. دانشگاه تهران. 123 صفحه.

4. دانه­کار، ا.، م. عرفانی، غ. نوری، ح. عقیقی، م. مروی مهاجر و ط. اردکانی.1391. بررسی تغییرات وسعت رویشگاه مانگرو (مطالعه موردی: خور گواتر در استان سیستان و بلوچستان). مجله جنگل ایران، 4(3): 197-207.

5. سفیانیان، ع.، ا. محمدی توفیق، ل. خداکرمی و ف. امیری. 1390. تهیه نقشه کاربری اراضی با استفاده از روش شبکه عصبی مصنوعی (مطالعه موردی: حوزه آبخیز کبودرآهنگ، رزن و خونجین - تلخاب در استان همدان). سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 2(1): 1–12.

6. شاهولی کوه شور، ا.، م. پیرباوقار و پ. فاتحی. 1393. تهیه نقشه تراکم تاج­پوشش جنگل در جنگل­های نیمه­انبوه تا تنک با استفاده از مدل FCD (مطالعة موردی: جنگل­های مریوان). سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 5(2): 49–59.

7. صادقی، ا. 1384. بررسی روند تغییرات سطح و تراکم جنگل‌های مانگرو در حوزه دریای عمان با استفاده از عکس‌های هوایی (منطقه جاسک و سیریک). پایان­نامه کارشناسی ارشد. دانشگاه آزاد اسلامی واحد علوم و تحقیقات. 80 صفحه.

8. صفاایسنی، ه. 1385. مدیریت زیست‌محیطی جنگل‌های مانگرو حوزه تیاب و کلاهی بر اساس ساختار و تغییرات رویشگاه. پایان­نامه کارشناسی ارشد. دانشگاه آزاد اسلامی واحد علوم و تحقیقات خوزستان. 87 صفحه.

9. محمدی، ج. 1392. بهبود برآورد برخی مشخصه‌های کمی ساختار جنگل با استفاده از تلفیق داده­های لیدار و تصاویر هوایی رقومی در جنگل‌های پهن­برگ شصت‌کلاته گرگان. پایان­نامه دکتری جنگلداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان.232 صفحه.

10. نوریان، ن. و ش. شتایی جویباری. 1393. بررسی قابلیت داده‌های ماهواره‌ای با قدرت تفکیک مکانی متفاوت با تاکید بر شاخص‌های طیفی در تفکیک توده­های خالص جنگلکاری. پژوهش‌های علوم و فناوری چوب و جنگل، 21(3): 149-166.

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

12. یوسفی، ص.، م. تازه، س. میرزایی، ح. ر. مرادی و ش. توانگر. 1393. مقایسة الگوریتم­های مختلف طبقه‌بندی تصاویر ماهواره­ای در تهیة نقشة کاربری اراضی (مطالعة موردی: شهرستان نور). سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 5(3): 67–76.

13. Asner GP, Powell GV, Mascaro J, Knapp DE, Clark JK, Jacobson J, Kennedy-Bowdoin T, Balaji A, Paez-Acosta G, Victoria E. 2010. High-resolution forest carbon stocks and emissions in the Amazon. Proceedings of the National Academy of Sciences, 107(38): 16738-16742.

14. Baret F, Guyot G. 1991. Potentials and limits of vegetation indices for LAI and APAR assessment. Remote Sensing of Environment, 35(2-3): 161-173.

15. Bell G, Howell B, Johnson G, Raun W, Solie J, Stone M. 2004. Optical sensing of turfgrass chlorophyll content and tissue nitrogen. HortScience, 39(5): 1130-1132.

16. Calvao T, Palmeirim J. 2004. Mapping Mediterranean scrub with satellite imagery: biomass estimation and spectral behaviour. International Journal of Remote Sensing, 25(16): 3113-3126.

17. Elvidge CD, Chen Z. 1995. Comparison of broad-band and narrow-band red and near-infrared vegetation indices. Remote Sensing of Environment, 54(1): 38-48.

18. Gang PO, Agatsiva J L. 1992. The current status of mangroves along the Kenyan coast: a case study of Mida Creek mangroves based on remote sensing. In: The Ecology of Mangrove and Related Ecosystems. Springer: 29–36.

19. Gonzalez RC, Woods RE. 2008. Digital image processing. Prentice hall Upper Saddle River. 954 pp.

20. Hogarth PJ. 2015. The biology of mangroves and seagrasses. Oxford University Press. 304 pp.

21. Hyde P, Nelson R, Kimes D, Levine E. 2007. Exploring LiDAR–RaDAR synergy—predicting aboveground biomass in a southwestern ponderosa pine forest using LiDAR, SAR and InSAR. Remote Sensing of Environment, 106(1): 28-38.

22. Jensen JR, Lin H, Yang X, Ramsey III E, Davis BA, Thoemke CW. 1991. The measurement of mangrove characteristics in southwest Florida using SPOT multispectral data. Geocarto International, 6(2): 13-21.

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

24. Kalbi S, Fallah A, Hojati SM. 2014. Using and comparing two nonparametric methods (CART and RF) and SPOT-HRG satellite data to predictive tree diversity distribution. Nusantara Bioscience, 6(1): 57-62.

25. Kalbi S, Fallah A, Shataee S. 2014. Forest Stand Types Classification Using Tree-Based Algorithms and SPOT-HRG Data. Environmental Resources Research, 2(1): 31-46.

26. Maniatis D, Mollicone D. 2010. Options for sampling and stratification for national forest inventories to implement REDD+ under the UNFCCC. Carbon Balance and Management, 5(1): 1–14.

27. Mohammadi J, Shataee S, Babanezhad M. 2011. Estimation of forest stand volume, tree density and biodiversity using Landsat ETM⁺ Data, comparison of linear and regression tree analyses. Procedia Environmental Sciences, 7: 299-304.

28. Mutanga O, Adam E, Cho MA. 2012. High density biomass estimation for wetland vegetation using WorldView-2 imagery and random forest regression algorithm. International Journal of Applied Earth Observation and Geoinformation, 18: 399-406.

29. Rahman M, Csaplovics E, Koch B. 2005. An efficient regression strategy for extracting forest biomass information from satellite sensor data. International Journal of Remote Sensing, 26(7): 1511-1519.

30. Ramsey EW, Jensen JR. 1996. Remote sensing of mangrove wetlands: relating canopy spectra to site-specific data. Photogrammetric Engineering and Remote Sensing, 62(8): 939-948.

31. Ranson K, Sun G. 1994. Mapping biomass of a northern forest using multifrequency SAR data. IEEE Transactions on Geoscience and Remote Sensing, 32(2): 388-396.

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

33. Rouse Jr JW, Haas R, Schell J, Deering D. 1974. Monitoring vegetation systems in the Great Plains with ERTS. Third Earth Resources Technology Satellite-1 Symposium- Volume I: Technical Presentations. NASA SP-351, compiled and edited by Stanley C. Freden, Enrico P. Mercanti, and Margaret A. Becker, 1994 pages, published by NASA, Washington, D.C., 309 pp.

34. Sarker LR, Nichol JE. 2011. Improved forest biomass estimates using ALOS AVNIR-2 texture indices. Remote Sensing of Environment, 115(4): 968-977.

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

36. Shataee S. 2011. Non-parametric forest attributes estimation using Lidar and TM data. In: 32nd Asian Conference on Remote Sensing, Taipei, Chinese Taipei. pp 887-893.

37. Townsend PA. 2002. Estimating forest structure in wetlands using multitemporal SAR. Remote Sensing of Environment, 79(2): 288-304.

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

39. Wang T, Zhang H, Lin H, Fang C. 2015. Textural–Spectral Feature-Based Species Classification of Mangroves in Mai Po Nature Reserve from Worldview-3 Imagery. Remote Sensing, 8(24): 1-15.