پهنه‌بندی درصد سوختگی برگ تاج‌پوشش درختی با استفاده از تصاویر پهپاد و سنتینل 2 در پارک جنگلی دلند استان گلستان

سابقه و هدف: جنگل‌ها در معرض آشفتگی‌های فراوان قرار دارند که سلامت آن‌ها را تحت تاثیر قرار می‌دهند. یکی از این آشفتگی‌ها، تنش سوختگی برگ درختان است که معمولاً در تابستان‌های بسیار گرم اتفاق می‌افتد و عموما باعث ضعف و درنهایت خشک شدن درختان در درازمدت شود. بنابراین شناسایی و رصد گسترش سطح آن از اهمیت بالایی برخوردار است. یکی از روش‌های شناسایی آن، استفاده از داده‌های سنجش‌ازدور به‌عنوان یکی از منابع اطلاعاتی مهم می‌باشد. تصاویر پهپادی به دلیل برداشت‌های سریع و در زمان‌های دلخواه یکی از گزینه‌های مناسب می‌باشد ولی دارای محدودیت‌هایی نظیر سطح برداشتی و محدوده‌های طیفی حس‌گرها می‌باشند. استفاده تلفیقی از تصاویر پهپاد و تصاویر ماهواره‌ای با سطح برداشتی زیاد می‌تواند در شناسایی و تهیه نقشه وضعیت سوختگی برگ تاج‌پوشش درختان و دیگر خسارت‌ها و تهیه نقشه طبقات شدت آنها در سطح وسیع‌تر کمک زیادی نماید. هدف از این پژوهش بررسی و شناسایی سوختگی برگ تاج پوشش درختان با استفاده از تصاویر پهپاد در بخشی از پارک جنگلی دلند استان گلستان و تلفیق آن با تصاویر سنتینل 2 برای تهیه نقشه درصد سوختگی برگ تاج پوشش توده درختی منطقه در سطح وسیع‌تر می‌باشد. مواد و روش‌ها: تصاویر rgb پهپاد در بخشی از پارک جنگلی دلند برداشت و مورد پیش‌پردازش و پردازش‌های مناسب قرار گرفتند. هم چنین تصاویر سنتینل 2 تهیه و ازنظر هندسی و رادیومتری مورد بررسی قرار گرفتند. برداشت‌های زمینی درختان دارای سوختگی برگ و درختان سالم در شهریور 1400 به‌صورت انتخابی و با دستگاه موقعیت‌یاب جهانی تفاضلی با دقت بالا (کم تر از 10 سانتیمتر) صورت گرفت. در گام اول تصاویر پهپاد با استفاده از الگوریتم ماشین بردار پشتیبان به سه‌طبقه درختان دارای سوختگی برگ، درختان سالم و روشنه طبقه‌بندی شدند. همچنین طبقه‌بندی تصاویر اصلی پهپاد به همراه شاخص‌های پوشش‌ حاصل از باندهای طیفی پهپاد و با شاخص‌های طیفی منتخب تکرار گردید. درنهایت نقشه‌های تهیه‌شده مورد ارزیابی صحت قرار گرفتند. در گام دوم به‌منظور تهیه نقشه طبقات درصد سوختگی برگ تاج پوشش توده در سطح وسیع‌تر و در کل پارک با استفاده از تصویر سنتینل 2، از نقشه طبقه‌بندی‌شده پهپاد که دارای بالاترین صحت بوده است، به‌عنوان نمونه آموزش در مدل رگرسیونی جنگل تصادفی و کالیبره کردن آن استفاده گردید. درنهایت با استفاده از مدل تهیه‌شده، نقشه طبقات شدت سوختگی برگی توده‌های کل محدوده پارک جنگلی دلند تهیه شد. یافته‌ها: نتایج حاصل از طبقه‌بندی تصویر پهپاد نشان داد که باندهای طیف مرئی پهپاد قادر است درختان دارای سوختگی برگی و درختان سالم را با صحت کلی 89.62 درصد و ضرب کاپای 0.84 تفکیک نماید. با تلفیق باندهای اصلی و 9 شاخص پوشش‌گیاهی، نتایج پژوهش اندکی کاهش یافت (صحت کلی 87.40 درصد و ضریب کاپای 0.81)؛ اما با تلفیق باندهای اصلی پهپاد و بهترین شاخص‌های گیاهی (egmri، egi و ndi)، نتایج طبقه‌بندی بهبود یافت (صحت کلی 91.11 درصد و ضریب کاپای 0.86). در طبقه‌بندی درصد سوختگی برگ تاج پوشش توده جنگلی با استفاده از تلفیق تصویر سنتینل 2، بررسی مدل رگرسیون جنگل تصادفی نشان داد که استفاده از داده‌های پهپاد به‌عنوان نمونه آموزش این مدل، قادر است با مجذور میانگین مربعات خطای 17.4 و ضریب تبیین 0.63، میزان درصد سوختگی برگ تاج پوشش درختان را در سطح پیکسل‌های تصویر سنتینل 2 برآورد نماید. نتیجه گیری: نتایج این پژوهش نشان داد که تصاویر rgb پهپاد از قابلیت مناسبی برای تشخیص درختان دارای تنش سوختگی برگ تاج پوشش درختان برخوردار می باشند. هم چنین به کارگیری شاخص هایی گیاهی مانند egmri ، egi و ndi که تاثیر بالایی در متمایز کردن سوختگی برگ درختان دارند، می توانند صحت نقشه های طبقه بندی شده را بهبود دهند. تلفیق نتایج حاصل از تصاویر پهپاد به عنوان نمونه های آموزش برای تهیه طبقات درصد سوختگی برگ تاج پوشش درختان در تصویر سنتینل 2 ، نتایج امیدوارکننده ای را نشان داد و می تواند به عنوان رویکردی جدید در مناطق وسیعی که تنش سوختگی برگ درختان مشاهده می گردد، مورداستفاده قرار گیرد.

zoning of tree crown leaf burn using uav and sentinel 2 images in deland forest park, golestan province

background and objectives: forests are subject to a variety of disturbances that adversely affect their health. one of these disturbances is caused by leaf burn, which usually occurs in a very hot summers and typically causes trees to weaken and dry up in the long-time. therefore, identifying and monitoring the expansion of its level is of great importance. the use of remote sensing data, as one of the important sources of information, can be used to identify leaf burn trees. it is possible to use uav images at desired times, but they have limitations such as the captured surface and the spectral resolution of the sensors. the combined use of uav images and high-resolution satellite imagery can be usefull in identifying and mapping of leaf burn tree crown, other damage, and their large-scale severity classes. the purpose of this study is to investigate and identify leaf burn of the tree crowns using uav images in a part of deland forest park in golestan province and combining it with sentinel 2 images to produce a classification map of leaf burn over a large landscpe. materials and methods: rgb uav images were taken, pre-processed, and properly processed. also, sentinel 2 images were prepared and analyzed from the geometrically and radiometrically points of view. ground truth of leaf burn trees and healthy ones was carried out in september 2021 in a selective manner with a differential global positioning device at an accuracy of <10-cm. in the first step, the uav images were classified into three categories: trees with burnt leaves, healthy, and clear trees using the support vector machine algorithm. the resulted classification map was also repeated with vegetation indices obtained from uav spectral bands. finally, the resulted maps were validated. next, in order to produce a map of the leaf burn tree canopy, the image of sentinel 2, based on the classified map of the uav with the highest accuracy was used to train the regression model based on the random forest algorithm. finally, a map of leaf burn intensity classes was produced over the entire deland forest park. results: the result showed that the uav visible spectrum bands are able to distinguish trees with healthy and burnt leaves with an overall accuracy of 89.62% and kappa coefficient of 0.84. by combining the main bands and 9 vegetation indices, the overall accuracy and kappa coefficient were decreased to 87.40% 0.81, respectively, however, by combining the uav bands and the best vegetation indices (e.g., egmri, egi and ndi), classification results were slightly improved to 91.11% overall accuracy and 0.86 kappa coefficient. in the classification of leaf burn percentage of the forest canopy using sentinel 2 image integration, the random forest regression model showed that the use of uav data as a training sample is capable of achieving a rmse of 17.4 % and an r2 of 0.63% to estimate the percentage of leaf burn of tree canopy at the pixel level. conclusion: this study suggests that rgb images of the uav can detect trees with leaf burn stress. in addition, plant indices, i.e., egmri, egi, and ndi can improve the accuracy of classified maps by differentiating leaf burn. combining results of uav images as training samples to prepare leaf burn classes in the sentinel 2 image has shown promising results and can be used as a new approach where large-scale leaf burn stress is observed.