برآورد‎ ‎مشخصه‌های‎ ‎کمی‎ ‎جنگل‌های زاگرس‎ ‎با استفاده از الگوریتم‌های‎ ‎ناپارامتریک داده‎‌‎کاوی ‏(بررسی موردی:‏‎ ‎سامان‎ ‎عرفی‎ ‎اولادقباد‎ ‎کوهدشت،‎ ‎لرستان)‏

در این پژوهش، کاربرد طرح های مختلف نمونه برداری خوشه ای بر اساس الگوریتم های ناپارامتریک برای برآورد مشخصه های تعداد در هکتار و تاج پوشش جنگل های سامان عرفی اولادقباد شهرستان کوهدشت با استفاده از داده های زمینی و تصاویر ماهواره 2-sentinel مدل سازی شد. برای برآورد مشخصه ها، 150 خوشه در قالب شش طرح با تعداد چهار ریز قطعه نمونه برای هر طرح به صورت منظم-تصادفی در منطقه پیاده شد. سپس در داخل ریز قطعه نمونه ها، مشخصه های تعداد در هکتار و تاج پوشش شش طرح نمونه برداری خوشه ای برداشت شد. هر خوشه شامل چهار ریز قطعه نمونه با مساحت 700 متر مربع بود. ارزش های رقومی متناظر با قطعات نمونه زمینی از باندهای طیفی استخراج و به عنوان متغیرهای مستقل در نظر گرفته شد. مدل سازی با 75 درصد از داده ها انجام شد و نتایج با 25 درصد باقی مانده ارزیابی شد. برای هر دو مشخصه تعداد در هکتار و تاج پوشش، روش شبکه عصبی مصنوعی به ترتیب با مقادیر درصد مجذور میانگین مربعات خطا و اریبی به ترتیب 10.53 و 2.48 درصد و 9.38 و 0.33 درصد در مدل سازی نسبت به دیگر روش های مورد استفاده دارای نتایج دقیق تری بود. استفاده از طرح های مختلف نمونه برداری خوشه ای، روش های مدل سازی ناپارامتریک و تصاویر ماهواره sentinel-2 نتایج مطلوبی را در برآورد مشخصه های تعداد در هکتار و تاج پوشش به همراه داشت.

estimation of quantitative characteristics of zagros forests using data mining ‎nonparametric algorithms (case study: olad ghobad watershed, koohdasht, lorestan)‎

in this study, the effect of different cluster sampling schemes based on nonparametric algorithms to estimate the characteristics per hectare and canopy cover of customary olad ghobad forests located in koohdasht city in the west of lorestan province, were modeled using data ground and satellite images of the sentinel-2 to estimate the characteristics, 150 clusters in the form of six designs were implemented in a regular-random manner in the region. then, six cluster sampling designs were collected inside the subplots, density characteristics, and canopy. each cluster consisted of four sub-plots with an area of ​​700 square meters. after pre-processing the images and appropriate processing, the numerical values ​​corresponding to the ground sample parts were extracted from the spectral bands and considered as independent variables. modeling was performed with 75% of the data and the results were evaluated with the remaining 25%. for both density characteristics (number per hectare) and canopy, artificial neural network method with squared percent mean square error and bias of 10.53, 2.48, 9.38% and 0.33% respectively in modeling have more accurate results than other methods used. in general, the use of different cluster sampling schemes, nonparametric modeling methods, and sentinel-2 satellite images have good results in estimating the number of per hectare and canopy.