برآورد مکانی اندوخته کربن روی زمین جنگل‌های بلوط زاگرس با استفاده از رگرسیون کریجینگ، رگرسیون وزن‌دار جغرافیایی کریجینگ و تصاویر لندست 8

زمینه و هدف: برآورد اندوخته کربن روی زمین برای مدیریت پایدار و اصولی جنگل ضروری است؛ از این رو انتخاب روش مناسب برای برآورد اندوخته کربن روی زمین جنگل اهمیت ویژه‌ای دارد. متداول‌ترین روش‌ برآورد، مدل‌های رگرسیون خطی است که با استفاده از داده کمکی کم‌هزینه، متغیر هدف را در مناطق وسیع برآورد می‌کند. مدل‌های اولیه رگرسیون  به دلیل ثابت بودن ضرایب رگرسیون در تمام نقاط، ناهمگنی و ساختار مکانی را در مدل‌سازی لحاظ نمی‌کنند. هدف مطالعه حاضر برآورد اندوخته کربن روی زمین جنگل با استفاده از رگرسیون کریجینگ و رگرسیون وزن‌دار جغرافیایی کریجینگ و اطلاعات مستخرج از تصاویر لندست 8 و مقایسه روش‌ها است.روش بررسی: مطالعه در بخشی از جنگل‌های زاگرس در استان کهگیلویه و بویراحمد انجام گرفت. در مجموع 184 قطعه نمونه زمینی (30 متر در 30 متر) برداشت و با استفاده از روابط آلومتریک مقدار کربن روی زمین نمونه‌ها محاسبه شد. در روند مدل‌سازی از تصاویر لندست 8 به‌عنوان داده کمکی استفاده شد. معیارهای ضریب تبیین، مجذور میانگین مربعات خطا جهت ارزیابی روش‌ها استفاده شد. یافته‌ ها: نتایج نشان داد روش رگرسیون وزن‌دار جغرافیایی کریجینگ (21=rmse و 0.66 = r2) در مقایسه با رگرسیون کریجینگ (28=rmse و 0.49 = r2) در برآورد اندوخته کربن روی زمین جنگل عملکرد مناسبی دارد. این روش می‌تواند جایگزین مناسبی برای روش‌های اولیه از جمله رگرسیون خطی باشد. بحث و نتیجه ‌گیری: روش‌های ترکیبی با در نظر گرفتن ناهمگنی و همبستگی مکانی می‌تواند جایگزین مناسبی برای روش‌های اولیه رگرسیونی با هدف برآورد اندوخته کربن روی زمین جنگل باشند.

estimating the spatial distribution of above-ground carbon of zagros forests using regression kriging, geographically weighted regression kriging and landsat 8 imagery

background and objective: estimating aboveground carbon (agc) of forest is a fundamental task for sustainable management of forest ecosystems; therefore, there is a critical need for appropriate approaches for quantifying of agc. the most commonly used approaches for estimating include global regression models that estimate the target variable over a wide range using cost-effective auxiliary data. traditional regression models with fixed regression coefficients at all locations do not consider heterogeneity and spatial structure in modeling. the objective of this study is estimating the agc using regression kriging, geographically weighted regression kriging and landsat 8 data and compare methods. material and methodology: the study was carried out in part of zagros forest, in kohgiluyeh and boyer-ahmad province. totally, 184 plots (30×30 meters) surveyed and agc were calculated by allometric equations. 32 variables were extracted from landsat 8 as auxiliary data in the modeling process. the assessment of accuracies of methods was evaluated by k-fold cross validation via criteria such as coefficient of variation (r2), root mean square error (rmse).findings: the results showed that geographically weighted regression kriging (r 2 = 0.66, rmse= 21) had a better performance compared to regression kriging. discussion and conclusion: hybrid methods with heterogeneity and spatial correlation can be a good alternative to early regression methods for estimating aboveground carbon (agc).