برآورد تاج‌ پوشش جنگل بلوط با استفاده از داده‌های ماهوارۀ لندست 9 در جنگل ‌های زاگرس شمالی

مقدمه: تاج‌ پوشش جنگل (fcc) از مشخصه‌های ساختاری مهم در پایش سلامت و کیفیت توده‌های جنگلی است. اندازه‌گیری این مشخصه براساس روش‌های زمینی به هزینه و زمان زیاد نیاز دارد و اجرا در سطح‌های وسیع، بسیار سخت است. امروزه استفاده از تکنیک‌های سنجش از دور می‌تواند محدودیت روش‌های زمینی را جبران کند. پژوهش پیش ‌رو با هدف بررسی کارایی ماهوارۀ لندست 9 در مدل‌سازی و برآورد تاج‌پوشش در بخشی از جنگل‌های بلوط زاگرس شمالی انجام گرفته است.مواد و روش‌ها: به‌منظور جمع‌آوری داده‌های زمینی مشخصۀ تاج‌پوشش جنگل، 79 قطعه نمونۀ مربع‌شکل با ابعاد 45×45 متر براساس روش نمونه‌برداری تصادفی- منظم با ابعاد شبکۀ آماربرداری 200×200 متر در تابستان سال 1402 در بخشی از جنگل‌های بانه در استان کردستان پیاده شد. در هر قطعه نمونه، قطر بزرگ و عمود بر آن تاج درختان با استفاده از متر نواری اندازه‌گیری و در نهایت برای هر قطعه نمونه براساس مساحت تاج هر درخت، مشخصۀ تاج‌پوشش جنگل محاسبه شد. یک فریم از داده‌های سنجندۀ oli-2 ماهوارۀ لندست 9 در سطح تصحیح collection 2 level 1 مربوط به تاریخ 23 تیر 1402 دریافت شد. پس از بررسی کیفیت هندسی تصویر و تصحیح اتمسفری به روش flaash، شاخص‌های پوشش گیاهی، تجزیۀ مولفه‌های اصلی (pca) و تبدیل تسلدکپ روی تصویر انجام گرفت. در مجموع 7 باند اصلی و 35 باند محاسباتی استفاده و ارزش‌های طیفی این 42 متغیر طیفی به‌دست‌آمده از داده‌های لندست 9 با استفاده از نقشۀ قطعه نمونه‌های زمینی برداشت‌شده استخراج شد. در ادامه، مشخصۀ تاج‌پوشش جنگل با استفاده از مدل‌های آماری پارامتری رگرسیون به روش گام‌به‌گام (mlr) و ناپارامتری جنگل تصادفی (rf) و ماشین بردار پشتیبان (svm) براساس سه مجموعه از متغیرهای طیفی (باندهای اصلی، باندهای محاسباتی و ترکیب باندهای اصلی و محاسباتی) و 70 درصد داده‌ها مدل‌سازی شد. ارزیابی و برازش مدل‌های رگرسیونی با استفاده از آماره‌های ضریب تبیین (r2)، جذر میانگین مربعات خطا (rmse) و جذر میانگین مربعات خطا نسبی (rrmse) به روش اعتبارسنجی متقابل براساس 30 درصد داده‌ها انجام گرفت.یافته‌ها: بررسی داده‌های تاج‌پوشش جنگل اندازه‌گیری شدۀ زمینی براساس آماره‌های توصیفی نشان داد که جنگل تحت پژوهش در وضعیت نیمه‌انبوه قرار دارد. تحلیل همبستگی پیرسون انجام‌گرفته برای بررسی ارتباط مشخصۀ تاج‌پوشش جنگل با متغیرهای طیفی نشان داد که شاخص‌های پوشش گیاهی نسبت به تغییرات تاج‌پوشش جنگل حساسیت بیشتری دارند. نتایج مدل‌سازی با استفاده از 70 درصد قطعه نمونه‌ها نشان داد که مدل حاصل از rf براساس ترکیب باندهای اصلی و محاسباتی با 0.88= r^2 و 16.95= rrmse مدل بهینه در برآورد مقدار تاج‌پوشش است. ارزیابی اهمیت نسبی متغیرهای طیفی استفاده‌شده در مدل به‌دست‌آمده نشان داد که شاخص گیاهی ndnir.swir2 دارای بیشترین تاثیر در فرایند مدل‌سازی rf و تجزیۀ مولفۀ اصلی حاصل از باند 7 (pca.b7) دارای کمترین اهمیت است. اعتبارسنجی مدل‌های به‌دست‌آمده با استفاده از اعتبارسنجی متقابل نشان داد که مدل rf حاصل از باندهای اصلی تصویر ماهوارۀ لندست 9 با مقادیر 0.85 = r2 و 15.65 = rrmse به‌عنوان بهترین مدل برآورد و نقشه‌برداری تاج‌پوشش جنگل تحت پژوهش انتخاب شد.نتیجه‌گیری: به‌طور کلی این پژوهش نشان داد که با استفاده از باندهای اصلی داده‌های ماهوارۀ لندست 9 به‌همراه به‌کارگیری الگوریتم یادگیری ماشین rf می‌توان با دقت مناسبی مشخصۀ تاج‌پوشش جنگل را در جنگل‌های با مدیریت سنتی زاگرس شمالی برآورد کرد.

oak forest canopy cover estimation using landsat 9 data inthe northern zagros forests

introduction: forest canopy cover (fcc) is one of the most important structural characteristics in monitoring health and quality of forest stands. measuring this characteristic based on ground methods requires a lot of cost and time, and it is extremely difficult to implement on a large scale. today, use of remote sensing techniques can compensate for the limitations of terrestrial methods. the present study was conducted with the aim of investigating the efficiency of landsat 9 satellite in modeling and estimating the canopy cover of the northern zagros oak forests.materials and methods: in order to collect fcc field data, 79 square plots with dimensions of 45×45 m were implemented based on systematic-random sampling method with 200×200 m grid size in summer 2023 in a part of baneh forests, kurdistan province. in each plot, the large diameter and the perpendicular diameter of the crown of trees or shoots were measured using a tape measure. finally, fcc values were calculated for each plot based on the crown area of each tree or stem. in the present study, a frame of the oli-2 sensor data of the landsat 9 satellite at the collection 2 level 1 correction level was received on july 23, 2023. after verifying the geometrical quality of the image and performing atmospheric correction using flaash method, vegetation indices, principal component analysis (pca), and tasseled cap transformation were performed on the image. in total, the number of 35 computational bands and 7 original usage bands and the spectral values of these 42 spectral variables obtained from landsat 9 data were extracted using the map of field plots. in the following, fcc using stepwise regression (mlr) and non-parametric random forest (rf) and support vector machine (svm) statistical models based on three sets of spectral variables (original bands, computational bands and combination of original and computational bands) and 70% of the data were modeled. finally, the regression models were evaluated and fitted using the coefficient of determination (r2), root mean square error (rmse) and root mean square relative error (rrmse) statistics using cross-validation method based on 30% of data.results: investigation of fcc data measured on the field data on descriptive statistics showed that the researched forest is in a semi-dense condition. pearson’s correlation analysis conducted to investigate the relationship between fcc and spectral variables showed that vegetation indices are more sensitive to fcc changes. the results of modeling using 70% of the samples showed that the model obtained from rf is based on the combination of the original and computational bands with r2 = 0.88 and rrmse = 16.95 as the optimal model in estimating the amount of canopy. the evaluation of the relative importance of the spectral variables used in the obtained model showed that ndnir.swir2 has the highest influence in the rf modeling process and pca of band 7 (pca.b7) has the least importance. validation of the obtained models using cross-validation showed that the rf model obtained from the original bands of the landsat 9 image with of r2 = 0.85 and rrmse = 15.65 was selected as the best model for forest canopy estimation and mapping.conclusion: in general, this research showed that by using the original bands of landsat 9 satellite data based on the rf machine learning algorithm, it is possible to estimate and map the fcc in the traditionally managed forests of north zagros with reasonable accuracy.