مدل‌سازی برآورد زیست‌توده چوبی روی‌زمینی جنگل‌های شاخه‌زاد بلوط زاگرس با استفاده از داده‌های راداری ماهواره سنتینل-‌1

برآورد میزان زیست‌توده در توده‌های جنگلی با روش‌های سنجش از ‌دوری اهمیت بسیاری دارد. هم‌زمان‌نبودن دریافت داده‌های ماهواره‌ای و اطلاعات میدانی و کاربرد معادلات آلومتریک جهانی، برای محاسبه وزن زیست‌توده درختان جنگلی داخل کشور، از مهم‌ترین دلایل عدم قطعیت در نتایج و تحلیل‌های حاصل از مطالعات مشابه قبلی به‌شمار می‌روند. به‌حداقل‌رساندن این مشکلات و بررسی قابلیت و عملکرد داده‌ها در توسعه مدل مناسب برآورد زیست‌توده جنگل، در منطقه بانکول بخش کارزان شهرستان سیروان، استان ایلام، با استفاده از داده‌های راداری ماهواره سنتینل‌1، اخذشده در تاریخ 6 تیرماه 1396، هدف این تحقیق بود. اندازه قطر میانگین تاج‌پوشش درختان در 53 قطعه نمونه زمینی مربعی، مربوط به فرم رویشی شاخه‌زاد، به ابعاد 30×30 متر که در بازه زمانی 2 تا 20 خرداد 1396، به‌کمک دستگاه موقعیت‌یاب جهانی تفاضلی و به‌روش تعیین موقعیت کینماتیک آنی روی زمین اجرا و برداشت‌ شدند، وارد روند برآورد زیست‌توده شد. میانگین زیست‌توده برداشت‌شده میدانی 10.63 تن‌درهکتار بود. پس از استخراج ویژگی‌های راداری، آن دسته از ویژگی‌ها که بیشترین میزان همبستگی را با مقادیر زیست‌توده داشتند انتخاب‌ و از بین آنها، با به‌کارگیری الگوریتم ژنتیک و با استفاده از دو مدل رگرسیون k نزدیک‌ترین همسایه و رگرسیون بردار پشتیبان، مناسب‌ترین ترکیب ویژگی‌ها شناسایی‌ و سپس، مقادیر زیست‌توده مدل‌سازی شد. اعتبارسنجی مدل‌ها با استفاده از 26 قطعه نمونه تست، انجام گرفت. همبستگی بین ویژگی‌های حاصل از داده‌های راداری و مقادیر زیست‌توده نشان داد که ویژگی‌های vh، mean vv، mean vv glcm (correlation) و mean vh glcm (dissimilarity) بیشترین حساسیت را به مقادیر زیست‌توده داشتند. استفاده از مدل‌های رگرسیون نشان داد که روش رگرسیون بردار پشتیبان، با rmse نسبی 0.08، از روش رگرسیون k نزدیک‌ترین همسایه، با rmse نسبی 0.10، دقیق‌تر عمل کرده است. از بین ترکیب‌های ویژگی مورد بررسی نیز، بهترین ترکیب در حالت استفاده از رگرسیون k نزدیک‌ترین همسایه، دارای rmse به‌میزان تقریبی 0.99 تن‌درهکتار (معادل10%) و ضریب تعیین 0.23 و در حالت استفاده از رگرسیون بردار پشتیبان، دارای rmse به‌میزان 0.87 تن‌درهکتار (معادل 8%) و ضریب تعیین 0.14 بود. مدل‌های نهایی حاصل از ترکیب ویژگی‌های بهینه استخراج‌شده از داده راداری در طول موج باند c و روش‌های رگرسیونی پارامتری و غیرپارامتری مورد بررسی در این تحقیق به‌تنهایی قادر به بهبود اثر اشباع‌شدگی در داده، برای برآورد زیست‌توده در جنگل‌های مورد مطالعه، نبودند و منجر به پیشنهاد مدل برآوردکننده‌ای با صحت قابل‌قبول نشد.

Modeling the AboveGround Biomass Estimation in Zagros Oak Coppice Forests Using Radar Data of Sentinel1 Satellite

Estimating the biomass values in forests stands through remote sensing is important. It has been reported that the major reasons of uncertainty are the lack of concurrency in satellite data and field information as well as the use of global allometric equations for estimating the weight of biomass of forest trees inside the country. Minimizing the above problems and the investigation of data performance in developing appropriate model for estimating the forest biomass in the Bankoll region of Karazan District of Sirvan County in Ilam province using Sentinel1 satellite data in 27th of June, 2017 was the main goal of this study. Average size of the trees crown in 53 rectangular plots related to the coppice growth form with dimensions of 30×30 mwhich during 23 may 2017 to 10 June 2017 through applying DGPS by RTK method have been implemented on the ground were entered in the process of estimation the value of biomass. The average harvested field biomass was 10.63 Mg ha1. After extraction of radar features, those features which had the greatest correlation with the values of biomass were selected using genetic algorithm by two models including KNearest Neighbor (KNN) regression and SupportVector Regression (SVR), then the most appropriate combination was identified and the biomass values were modelled. Models were validated using 26 test plots. Correlation of features obtained from radar data and the value of biomass indicated that features of VH، Mean VV، Mean VV GLCM (Correlation) and Mean VH GLCM (Dissimilarity) had the greatest sensitivity towards the value of biomass. Using regression models indicated that SVR model (Relative RMSE of 0.08) was more precise compared with KNN regression (relative RMSE of 0.10). The best combination in the use of KNN regression model with a relative RMSE of almost 0.99 Mg ha1 (equal to 10%) and the coefficient of determination (R2) of 0.22 and the best combination when using SVR model was a relative RMSE of 0.87 Mg ha1 (equal to 8%) and the R2 of 0.14. The results indicated that the final models, obtained from the optimal features extracted from radar data in the wavelength of C band and used parametric and nonparametric regressional methods in this research, were not abled to improve the saturated effect in data for estimation of biomass in the studied forests and it was not resulted in presenting an estimating model with an acceptable accuracy.