قابلیت داده‌های قطبش چهارگانه راداری alospalsar2 در برآورد مشخصه‌های ساختاری توده‌های جنگلی دست‌کاشت عرب‌داغ استان گلستان

برآورد مشخصه‌های کمی جنگل اهمیت زیادی برای آگاهی از وضعیت و نحوه عملکرد آن در برنامه‌ریزی و مدیریت جنگل دارد. هدف از پژوهش پیش رو، برآورد مشخصه‌های ساختاری توده‌های‌ جنگلی دست کاشت به طور عمده سوزنی‌برگ با استفاده از داده‌های با قطبش چهارگانه راداری به روش قطبش سنجی و الگوریتم‌های ناپارامتریک در منطقه عرب داغ استان گلستان بود. ابتدا 319 قطعه‌نمونه دایره‌ای شکل به مساحت 400 متر مربع به روش خوشه‌ای منظم تصادفی پیاده شد و قطر برابر سینه تمام درختان، ارتفاع برخی از آن‌ها در هر قطعه‌نمونه به ‌همراه موقعیت دقیق قطعه‌نمونه برداشت شد. سپس، حجم سرپا، رویه زمینی و تعداد پایه در هکتار محاسبه شد. پیش‌پردازش‌ها و پردازش‌های مورد نیاز روی‌داده‌های خام رادار انجام شد و مقادیر متناظر با قطعه ‌نمونه‌ های زمینی از شاخص‌های به‌ دست آمده از داده‌های رادار استخراج شد. مدل‌سازی با الگوریتم‌های جنگل تصادفی، ماشین ‌بردار پشتیبان و k نزدیک‌ترین همسایه با 75 درصد از قطعات نمونه انجام شد و نتایج با 25 درصد باقیمانده قطعه ‌نمونه‌ ها ارزیابی شدند. نتایج نشان داد که کمترین جذر میانگین مربعات خطا و اریبی مدل‌سازی‌ها با استفاده از الگوریتم جنگل تصادفی برای مشخصه رویه زمینی 50/6 و 1/7 درصد و با الگوریتم ماشین ‌بردار پشتیبان برای مشخصه‌های حجم سرپا و تعداد در هکتار به ترتیب 58/8، 7/9 و 52/07، 5/1 بود. درمجموع، این پژوهش نشان داد که داده‌های قطبش چهارگانه سنجنده alos2 با توجه به زیاد بودن دامنه تغییرات مشخصه‌های کمی ساختار جنگل‌های دست کاشت منطقه مورد مطالعه، قابلیت متوسطی در برآورد مشخصه‌های مذکور دارند.

Capatility of AlosPalsar2 radar quad polarization data for estimation of structural quantitative characteristics of planted forest, Arabdagh region, Iran

Estimating forest attributes is essential for understanding the condition and function of the forest to be applied in forest planning and management. The purpose of this study was to estimate the structural attributes of coniferdominated plantations using radio detection and ranging (RADAR) polarimetric data and nonparametric algorithms in the Arabdagh region of Golestan province. Fieldbased structural attributes were collected from 319 circular plots with 400 m2 areas designed within a random cluster method. Within each plot, diameter at breast height (for all trees) and height (for some trees) were measured. The precise position of plots ere also recorded. Then stand volume, basal area, and the number of stem per ha were calculated. The required preprocessing and processing were conducted on raw RADAR data, followed by the extraction of plotbased values from the derived indices. Model training was done on 75% of plots using random forest, support vector machine, and K nearest neighbor algorithms. Results were validated with the remaining 25% of the plots. The results showed the lowest Root Mean Square Error and Bias for Random Forest algorithm for basal area 50.62% and 1.7%, respectively. Moreover, the support vector machine model achieved 58.82% and 7.94% for volume as well as 52.07% and 5.1% for no. of trees per hectare. As a whole, this study showed that the full polarization PALSAR2 data has a moderate ability to estimate the quantitative structural attributes due to the high amplitude of changes in the quantitative forest characteristics.