مقایسه‌ کارآیی رگرسیون‌های گاوسی و خطی در برآورد زی‌توده با استفاده از تصاویر ماهواره‌ سنتینل-2 (مطالعه‌ موردی: جنگل خیرود)

هدف از پژوهش حاضر بررسی کارایی و مقایسه‌ عملکرد روش های ناپارامتری رگرسیون گاوسی و پارامتری رگرسیون حداقل مربعات خطی در برآورد زی توده‌ روی زمینی در یک جنگل ناهمگن کوهستانی با استفاده از داده های ماهواره سنتینل-2 است. به‌منظور مدل سازی و اعتبارسنجی زی توده‌ روی زمینی، تعداد 102 قطعه نمونه‌ مربعی شکل با ابعاد 45×45 متر به روش انتخابی در توده های خالص راش و ممرز در جنگل خیرود برداشت شدند. حجم سرپای درختان و میزان زی توده با استفاده از جدول تاریف و چگالی متوسط چوبی برای هرگونه برآورد شد. تصحیح اتمسفری بر روی تصویر سنتینل-2 انجام شد. باندهای اصلی به‌همراه باندهای حاصل از شاخص های پوشش گیاهی، تبدیل تسلدکپ و تجزیه‌ مولفه های اصلی برای تجزیه و تحلیل همبستگی و مدل سازی استفاده شدند. 70 درصد قطعه نمونه ها براساس سه مجموعه داده شامل باندهای اصلی، شاخص های پوشش گیاهی و مجموعه باندهای اصلی با شاخص های پوشش گیاهی برای مدل سازی و 30 درصد باقیمانده برای اعتبارسنجی مدل ها استفاده شدند. نتایج اعتبارسنجی مدل ها براساس آماره های ضریب تعیین (r2) و درصد میانگین مجذور مربعات خطا (rrmse) نشان داد، رگرسیون گاوسی در مدل سازی زی توده و باندهای اصلی با (0/56=r2 و 21/14=rrmse)، بهترین نتایج را به‌دست آورده است. همچنین مدل سازی زی توده و باندهای اصلی برای رگرسیون حداقل مربعات خطی با (0/43=r2 و 23/32=rrmse) به‌دست آمد. در هر دو روش استفاده همزمان از شاخص های پوشش گیاهی و باندهای اصلی باعث بهبود نتایج مدل سازی نشد. نتایج این پژوهش نشان داد که رویکرد استفاده از روش رگرسیون گاوسی و تصاویر سنتینل-2 می تواند منجر به بهبود قابل توجه برآورد زی توده‌ روی زمین جنگل شود.

comparison of gaussian process regression and least squares linear regression to estimate above-ground biomass using sentinel-2 data (case study: kheyrud forest)

the aim of this research was to investigate the performance of the non-parametric gaussian process regression (gpr) and the parametric linear least squares regression (lmsr) in estimating above-ground biomass (agb) in a heterogeneous mountain forest using sentinel-2 data. to model and validate the above-ground biomass, 102 square-shaped sample plots with dimensions of 45 × 45 meters were collected using a selective method in pure fagus orientalis and carpinus betulus l. stands in the kheyrud forest. tree volume, and subsequently agb were estimated using a local volume table and average wood density for each species. atmospheric correction was applied to the sentinel-2 image. the main spectral bands, vegetation indices, tasseled cap transformation, and principal component analysis veriables were used to model agb. seventy percent of the field sample plots were used for modeling with three datasets (main spectral bands, vegetation indices, and the combination of main bands and vegetation indices). to validate the models thirty percent of field sample plots were used. based on the coefficient of determination and relative root mean squared error (rrmse), the gpr achieved the best result, with r² = 0.56 and rrmse = 21.14%. the results of above-ground biomass modeling using the main bands for lmsr produced an r² = 0.43 and rrmse = 23.32%. a combination of vegetation indices (vis) and main spectral bands did not improve the model accuracy for both gpr and lmsr. overall, our results indicated that combining gpr with sentinel-2 data reasonably improved forest agb estimation.