مدل‌سازی شاخص سطح برگ در جنگل‌های زاگرس با استفاده از تصویر sentinel-2 و رگرسیون فرایند گاوسی

سابقه و هدف: شاخص سطح برگ (lai) یک مشخصه زیست‌فیزیکی حیاتی برای ارزیابی وضعیت، توصیف ساختار جنگل و عملکرد بوم‌سازگان‌های جنگلی است. همچنین، این شاخص، یک متغیر کلیدی برای مدل‌سازی تغییرات آب‌وهوایی جهانی، ترسیب کربن، چرخه آب، فتوسنتز و باران‌ربایی است. از داده‌های سنجش از دور براساس مدل‌های یادگیری ماشین به‌طور گسترده برای برآورد lai جنگل در مقیاس‌های وسیع به‌دلیل کمینه کردن زمان، هزینه و تخریب استفاده می‌شود. پژوهش پیش‌رو با هدف بررسی قابلیت داده‌های sentinel-2 در برآورد شاخص سطح برگ جنگل‌های زاگرس شمالی براساس روش رگرسیون فرایند گاوسی (gpr) انجام شد.مواد و روش‌ها: داده‌های میدانی lai در خرداد و تیرماه سال 1402 در جنگل‌های شاخه‌زاد شهرستان‌های مریوان و سروآباد از توابع استان کردستان جمع‌آوری شدند. 93 قطعه‌نمونه مربعی‌شکل با ابعاد 20×20 متر مربع به‌صورت نمونه‌برداری تصادفی برداشت شدند. موقعیت مرکز هر قطعه‌نمونه با استفاده از یک دستگاه dgps ثبت شد. برای اندازه‌گیری lai در هر قطعه‌نمونه از روش عکس‌برداری نیم‌کروی استفاده شد. در داخل هر قطعه‌نمونه، پنج عکس با استفاده از دوربین (coolpix4500+fc-e8) مجهز به عدسی چشم‌ماهی برداشت شد. در ادامه lai برای هر عکس نیم‌کروی و درنهایت، برای هر قطعه‌نمونه با استفاده از بسته «hemispher» در نرم‌افزار برنامه‌نویسی r محاسبه شد. در پژوهش پیش‌رو، یک فریم از تصویر بدون ابر ماهواره sentinel-2b در سطح تصحیح l1c مربوط به تاریخ 11 تیرماه سال 1402 دریافت شد. پس از بررسی کیفیت رادیومتری و درستی هندسه تصاویر، از پردازنده sen2cor برای تصحیح اتمسفری استفاده شد. باندهای اصلی و شاخص‌های طیفی (شاخص‌های پوشش گیاهی، تبدیل تسلدکپ و تجزیه مولفه اصلی) از تصویر sentinel-2 به‌دست آمدند و در سه مجموعه داده شامل باندهای اصلی، شاخص‌های طیفی و ترکیب باندها و شاخص‌ها برای برآورد lai استفاده شدند. در ادامه، مدل‌سازی با استفاده از الگوریتم gpr براساس 65 قطعه‌نمونه زمینی (70 درصد) انجام شد. در پایان، مدل‌ها براساس 28 قطعه‌نمونه زمینی (30 درصد) با استفاده از معیارهای ضریب تبیین (r2) و جذر میانگین مربعات خطا (rmse)، جذر میانگین مربعات خطای نسبی (rrmse) و ضریب آکائیک (aic) ارزیابی شدند.نتایج: بررسی آماره‌های توصیفی داده‌های زمینی شاخص سطح برگ نشان داد که مقادیر حداقل، حداکثر، متوسط و انحراف معیار شاخص سطح برگ اندازه‌گیری‌شده در جنگل مورد پژوهش به‌ترتیب 0.33، 3.88، 2.129 و 0.627 مترمربع بر مترمربع بود. همچنین، بررسی همبستگی پیرسون بین شاخص سطح برگ جنگل و متغیرهای طیفی (باندهای اصلی و شاخص‌‌های طیفی) نشان داد که شاخص سطح برگ همبستگی بیشتری با شاخص‌های طیفی (به‌یژه شاخص‌های gndvi، savi و tctv) در مقایسه با باندهای اصلی دارد. نتایج ارزیابی مدل‌های به‌دست‌آمده از مدل‌سازی شاخص سطح برگ جنگل با استفاده از الگوریتم یادگیری ماشین رگرسیون فرایند گاوسی براساس 30 درصد قطعه‌نمونه‌های زمینی با استفاده از سه مجموعه داده (باندهای اصلی، شاخص‌های طیفی و ترکیب باندهای اصلی و شاخص‌های طیفی) حاصل از تصویر sentinel-2 نشان داد که مدل به‌دست ‌آمده از مجموعه باندهای اصلی ماهواره sentinel-2 با ضریب تبیین 0.81، جذر میانگین مربعات خطا 0.21 مترمربع به مترمربع، جذر میانگین مربعات خطای نسبی 9.41 درصد و ضریب آکائیک 103.65، عملکردی مناسبی در مقایسه با دو مجموعه باندهای اصلی و ترکیب باندهای اصلی و شاخص‌های طیفی در برآورد شاخص سطح برگ جنگل مورد مطالعه داشته است. براساس بهترین مدل، نقشه شاخص سطح برگ جنگل مورد مطالعه با استفاده از مدل حاصل از باندهای اصلی تصویر sentinel-2 تهیه شد.نتیجه‌گیری کلی: به‌طورکلی، نتایج این پژوهش تاحدودی قابلیت داده‌های ماهواره sentinel-2 برای ارزیابی شاخص سطح برگ در جنگل‌های شاخه‌‌زاد زاگرس شمالی را اثبات می‌کند. با‌ این‌حال، استفاده از داده‌های زمینی شاخص سطح برگ و داده‌های sentinel-2 در فصل‌های مختلف رویش می‌تواند در تایید استحکام و کاهش عدم قطعیت یافته‌های پژوهش پیش‌رو کمک کند.

leaf area index estimation in the zagros forests of iran using sentinel-2 image and gaussian process regression

background and objectives: leaf area index (lai) is a vital biophysical characteristic to assess the condition, describe forest structure and function of forest ecosystems. lai is a key input in modeling global climate change, carbon fluxes, water cycle, photosynthesis, and interception processes. the estimation of lai in forests through remote sensing data, using machine learning models, has gained widespread attention, particularly for large-scale lai mapping. this method is favored for its efficiency, involving minimal time investment, cost-effectiveness, and a non-destructive approach. this study aimed to investigate the potential of sentinel-2 data for estimating the lai of northern zagros forests, employing the gaussian process regression (gpr) method.methodology: lai field data were collected in june and july 2023 from a coppice forest in the marivan and sarvabad counties of kurdistan province, iran. a total of 93 square plots, each measuring 20×20 square meters, were randomly selected. the location of each plot was recorded using a dgps device. the lai within each plot was measured using the hemispherical photography method. five photos were captured within each sample using a coolpix4500+fc-e8 camera equipped with a fisheye lens. the lai was then calculated for each hemispherical photo and averaged for each sample plot using the hemispher package in the r programming language. a cloud-free sentinel-2b image with l1c correction level was acquired on july 2, 2023. after verifying the radiometric and geometric quality of the image, the sen2cor processor was used to apply atmospheric correction. different input data, including spectral bands and spectral indices (vegetation indices, tasseled cap transformation, and principal component analysis) were generated from the sentinel-2 image. these datasets, i.e., the spectral bands, spectral indices, and a combination of spectral bands and spectral indices, were used to estimate lai. the modeling process was carried out using the gpr algorithm based on 65 sample plots (70% of the dataset). the performance of the models was finally evaluated using 28 plots (30% of the dataset) with different metrics such as the coefficient of determination (r2), root mean square error (rmse), relative root mean square error (rrmse), and akaike information criterion (aic).results: the descriptive statistics for the measured lai showed that the minimum, maximum, average, and standard deviation values of the leaf area index over the study area were 0.33, 3.88, 2.129, and 0.627 m2.m-2, respectively. the pearson correlation analysis between forest lai and spectral variables (including original bands and spectral indices) indicated a stronger correlation between lai and spectral indices (i.e., gndvi, savi, and tctv) than the original bands.