دوره 13، شماره 2 - ( پاییز و زمستان 1404 )
جلد 13 شماره 2 صفحات 157-143 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Zandi S, Bonyad A E, Hasanzad Navrodi I, Alavi S J, Ghorbanzadeh N. (2025). Estimation of Canopy Cover and Ground Biomass in Afforestation Areas of Western Guilan using Remote Sensing and Geostatistical Methods (Study Area: Pilembera). Ecol Iran For. 13(2), 143-157. doi:10.61882/ifej.2025.578
URL: http://ifej.sanru.ac.ir/article-1-578-fa.html
URL: http://ifej.sanru.ac.ir/article-1-578-fa.html
زندی سلماز، بنیاد امیر اسلام، حسن زاد ناورودی ایرج، علوی سید جلیل، قربان زاده ندا.(1404). بررسی تاجپوشش و زیتوده روی زمینی در جنگل کاریهای غرب گیلان با استفاده از روشهای سنجش از دور و زمین آمار (منطقه مورد مطالعه: پیلمبرا، رضوانشهر) بوم شناسی جنگل های ایران (علمی- پژوهشی) 13 (2) :157-143 10.61882/ifej.2025.578
1- دانشکده منابع طبیعی صومعه سرا، دانشگاه گیلان، گیلان، ایران
2- گروه جنگلداری، دانشکده منابع طبیعی صومعه سرا، دانشگاه گیلان، گیلان، ایران
3- گروه جنگلداری، دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، مازندران، ایران
2- گروه جنگلداری، دانشکده منابع طبیعی صومعه سرا، دانشگاه گیلان، گیلان، ایران
3- گروه جنگلداری، دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، مازندران، ایران
چکیده: (804 مشاهده)
چکیده مبسوط
مقدمه: کاهش سطح جنگل های طبیعی در نتیجه عوامل مختلف سبب شده است که جنگلکاری با هدف توسعه سطح جنگل و تولید چوب از اهمیت ویژهای برخوردار شود. برآورد ویژگیهای جنگل با استفاده از دادههای سنجش از دور به عنوان ابزاری برای مدیریت پایدار منابع طبیعی مطرح شده است. روشهای سنجش از دور و زمینآمار در برآورد تاجپوشش و زی توده روزمینی جنگلها با هدف مدیریتی و حفاظتی می توانند مفید و مقرون بهصرفه باشند. در جنگل های هیرکانی، مشخصه تاج پوشش و زیتوده بهعنوان معیار مهمی برای مطالعه و بررسی تغییرات و پایش جنگل محسوب می گردد. این مطالعه نیز با هدف برآورد و بررسی تاجپوشش و زی توده روزمینی جنگل کاری های پیلمبرا واقع در استان گیلان با استفاده از دادههای تصاویر ماهواره لندست 9، روش های سنجش از دور و زمین آمار انجام شد.
مواد و روش ها: به منظور پیاده سازی قطعات نمونه زمینی (در تابستان 1402)، شبکه پلات ها بهطور تصادفی سیستماتیک و با فاصله 300 در 300 متر انتخاب شد. تعداد 120 قطعه نمونه برداشت شدند. دادههای حاصل از پیمایش میدانی و آماربرداری وارد نرم افزار اکسل و محاسبات مربوط به برآورد تاجپوشش و زیتوده رویزمینی انجام شد. همچنین، شاخصهای گیاهی (شامل NDVI، EVI، DVI، GNDVI، RVI، ARVI، SAVI، OSAVI و IPVI) با استفاده از تصاویر لندست 9 محاسبه شدند . سپس ارزشهای متناظر هر قطعه نمونه از هر یک از شاخصها استخراج و تحلیلهای همبستگی و رگرسیون بر روی این دادهها انجام شدند. از تکنیک Information Gain Ratio (IGR) و شاخص میانگین شایستگی (Average Merit) جهت ارزیابی قدرت پیشبینی عوامل موثر بر میزان تاجپوشش و زیتوده در جنگل کاری های منطقه پیلمبرا استفاده شد. همبستگی بین تاجپوشش و زیتوده رویزمینی در قطعه نمونههای زمینی و ارزشهای طیفی متناظر آنها در دادههای ماهوارهای با استفاده از نرمفزار SPSS و به روش تحلیل همبستگی پیرسون بررسی و روشهای زمین آماری درون یابی فاصله معکوس (IDW)، کریجینگ معمولی و توابع پایه ای شعاعی (RBF) بهمنظور تخمین درصد تاجپوشش و زیتوده روزمینی استفاده شدند. همچنین، از مدلهای رگرسیون جنگل تصادفی و ماشین بردار پشتیبان برای انتخاب متغیرها و برآورد درصد تاجپوشش و زیتوده روزمینی منطقه مورد مطالعه استفاده شد که با استفاده از نرمفزار Weka تحلیل و ارزیابی شدند. در این مطالعه، 80 درصد (تعداد 96 قطعهنمونه) از مجموعه ای شامل 120 قطعه نمونه موجود بهعنوان مجموعه دادههای آموزش مورد استفاده قرار گرفت. بهمنظور بررسی عملکرد روشهای زمین آمار و سنجش از دور در مدلسازی، از منحنی ROC استفاده شد.
یافته ها: نتایج IGR و شاخص میانگین شایستگی (MA) نشان دادند که بیشترین همبستگی معنی دار بین درصد تاجپوشش با متغیرهای OSAVI (0/918)و NDVI (0/915) و همچنین بیشترین همبستگی معنی دار بین زی توده روزمینی (تن در هکتار) و متغیرهای SAVI (0/913) و NDVI (0/920) مشاهده شد. وجود یا نبود وابستگی مکانی پارامتر درصد تاجپوشش و زیتوده پس از برازش چندین مدل نیمتغییرنما، بر پایه آماره مجموع مربعات باقیمانده (RSS) و ضریب تبیین (R2)، مدل نمایی برای زیتوده روزمینی (0/64 = R2) و مدل کروی برای تاج پوشش (0/76 = R2) بهعنوان مناسب ترین مدل انتخاب شد. نتایج اعتبارسنجی شاخص درصد تاجپوشش و زیتوده با استفاده از معیارهای RMSE و اریبی نشان دادند که الگوریتم جنگل تصادفی و ماشین بردار پشتیبان نسبت به رویکرد زمینآمار به سبب داشتن کمترین مقدار مجذور میانگین مربعات خطا و اریبی دارای وضعیت و اعتبار بیشتری بودند. همچنین، هر دو مدل جنگل تصادفی و ماشین بردار پشتیبان عملکرد مناسبی داشتند اما در پیش بینی درصد تاج پوشش، مدل جنگل تصادفی (92%) نسبت به مدل ماشین بردار پشتیبان (83%) دارای مقدار صحت و شاخص حساسیت بالاتری بود. نتایج این مطالعه نشان دادند که بین درصد تاجپوشش و زیتوده (تن در هکتار) با بیش از 80 درصد متغیرهای مورد مطالعه ارتباط و همبستگی معنادار مشاهده شد. بهمنظور بررسی عملکرد روشهای زمینآمار و سنجش از دور در مدلسازی، از منحنی ROC استفاده شد. در این مطالعه، مقادیر AUC مبتنی بر مدلهای یادگیری ماشین برای تاجپوشش و زیتوده (0/94 =RF ) و (0/93 = SVM) نسبت به روشهای زمین آمار برای تاج پوشش (0/71) و زیتوده (0/76)در زمینه پیش بینی و مدلسازی این شاخصها دارای عملکرد بهتری بودند. همچنین، بین مقادیر تاجپوشش و زیتوده روزمینی برآوردشده و مقدار واقعی تفاوت های معنی داری در سطوح احتمال 99 و 95 درصد وجود نداشتند.
نتیجه گیری: آگاهی از روند تغییرات تاجپوشش و زیتوده روزمینی برای برنامه های کاربردی و مدیریت جنگل ها و نیز ارزیابی خدمات محیط زیستی بسیار مهم است. با توجه به نتایج حاصل، می توان اذعان داشت که اطلاعات به دست آمده از باندهای اصلی و شاخصهای طیفی نقش به سزایی در برآورد تاجپوشش و زیتوده رویزمینی داشتند. علاوه بر این، کارایی مدلهای مورد استفاده در این مطالعه میتواند از انتخاب تکنیکهای نگاشت پیشبینیکننده برای مدلسازی زیتوده روزمینی جنگل خبر دهد. توانایی جنگل تصادفی در برآورد متغیرهای جنگلی اشاره شده در این تحقیق می تواند زمینه ساز مطالعات آینده باشد.
مقدمه: کاهش سطح جنگل های طبیعی در نتیجه عوامل مختلف سبب شده است که جنگلکاری با هدف توسعه سطح جنگل و تولید چوب از اهمیت ویژهای برخوردار شود. برآورد ویژگیهای جنگل با استفاده از دادههای سنجش از دور به عنوان ابزاری برای مدیریت پایدار منابع طبیعی مطرح شده است. روشهای سنجش از دور و زمینآمار در برآورد تاجپوشش و زی توده روزمینی جنگلها با هدف مدیریتی و حفاظتی می توانند مفید و مقرون بهصرفه باشند. در جنگل های هیرکانی، مشخصه تاج پوشش و زیتوده بهعنوان معیار مهمی برای مطالعه و بررسی تغییرات و پایش جنگل محسوب می گردد. این مطالعه نیز با هدف برآورد و بررسی تاجپوشش و زی توده روزمینی جنگل کاری های پیلمبرا واقع در استان گیلان با استفاده از دادههای تصاویر ماهواره لندست 9، روش های سنجش از دور و زمین آمار انجام شد.
مواد و روش ها: به منظور پیاده سازی قطعات نمونه زمینی (در تابستان 1402)، شبکه پلات ها بهطور تصادفی سیستماتیک و با فاصله 300 در 300 متر انتخاب شد. تعداد 120 قطعه نمونه برداشت شدند. دادههای حاصل از پیمایش میدانی و آماربرداری وارد نرم افزار اکسل و محاسبات مربوط به برآورد تاجپوشش و زیتوده رویزمینی انجام شد. همچنین، شاخصهای گیاهی (شامل NDVI، EVI، DVI، GNDVI، RVI، ARVI، SAVI، OSAVI و IPVI) با استفاده از تصاویر لندست 9 محاسبه شدند . سپس ارزشهای متناظر هر قطعه نمونه از هر یک از شاخصها استخراج و تحلیلهای همبستگی و رگرسیون بر روی این دادهها انجام شدند. از تکنیک Information Gain Ratio (IGR) و شاخص میانگین شایستگی (Average Merit) جهت ارزیابی قدرت پیشبینی عوامل موثر بر میزان تاجپوشش و زیتوده در جنگل کاری های منطقه پیلمبرا استفاده شد. همبستگی بین تاجپوشش و زیتوده رویزمینی در قطعه نمونههای زمینی و ارزشهای طیفی متناظر آنها در دادههای ماهوارهای با استفاده از نرمفزار SPSS و به روش تحلیل همبستگی پیرسون بررسی و روشهای زمین آماری درون یابی فاصله معکوس (IDW)، کریجینگ معمولی و توابع پایه ای شعاعی (RBF) بهمنظور تخمین درصد تاجپوشش و زیتوده روزمینی استفاده شدند. همچنین، از مدلهای رگرسیون جنگل تصادفی و ماشین بردار پشتیبان برای انتخاب متغیرها و برآورد درصد تاجپوشش و زیتوده روزمینی منطقه مورد مطالعه استفاده شد که با استفاده از نرمفزار Weka تحلیل و ارزیابی شدند. در این مطالعه، 80 درصد (تعداد 96 قطعهنمونه) از مجموعه ای شامل 120 قطعه نمونه موجود بهعنوان مجموعه دادههای آموزش مورد استفاده قرار گرفت. بهمنظور بررسی عملکرد روشهای زمین آمار و سنجش از دور در مدلسازی، از منحنی ROC استفاده شد.
یافته ها: نتایج IGR و شاخص میانگین شایستگی (MA) نشان دادند که بیشترین همبستگی معنی دار بین درصد تاجپوشش با متغیرهای OSAVI (0/918)و NDVI (0/915) و همچنین بیشترین همبستگی معنی دار بین زی توده روزمینی (تن در هکتار) و متغیرهای SAVI (0/913) و NDVI (0/920) مشاهده شد. وجود یا نبود وابستگی مکانی پارامتر درصد تاجپوشش و زیتوده پس از برازش چندین مدل نیمتغییرنما، بر پایه آماره مجموع مربعات باقیمانده (RSS) و ضریب تبیین (R2)، مدل نمایی برای زیتوده روزمینی (0/64 = R2) و مدل کروی برای تاج پوشش (0/76 = R2) بهعنوان مناسب ترین مدل انتخاب شد. نتایج اعتبارسنجی شاخص درصد تاجپوشش و زیتوده با استفاده از معیارهای RMSE و اریبی نشان دادند که الگوریتم جنگل تصادفی و ماشین بردار پشتیبان نسبت به رویکرد زمینآمار به سبب داشتن کمترین مقدار مجذور میانگین مربعات خطا و اریبی دارای وضعیت و اعتبار بیشتری بودند. همچنین، هر دو مدل جنگل تصادفی و ماشین بردار پشتیبان عملکرد مناسبی داشتند اما در پیش بینی درصد تاج پوشش، مدل جنگل تصادفی (92%) نسبت به مدل ماشین بردار پشتیبان (83%) دارای مقدار صحت و شاخص حساسیت بالاتری بود. نتایج این مطالعه نشان دادند که بین درصد تاجپوشش و زیتوده (تن در هکتار) با بیش از 80 درصد متغیرهای مورد مطالعه ارتباط و همبستگی معنادار مشاهده شد. بهمنظور بررسی عملکرد روشهای زمینآمار و سنجش از دور در مدلسازی، از منحنی ROC استفاده شد. در این مطالعه، مقادیر AUC مبتنی بر مدلهای یادگیری ماشین برای تاجپوشش و زیتوده (0/94 =RF ) و (0/93 = SVM) نسبت به روشهای زمین آمار برای تاج پوشش (0/71) و زیتوده (0/76)در زمینه پیش بینی و مدلسازی این شاخصها دارای عملکرد بهتری بودند. همچنین، بین مقادیر تاجپوشش و زیتوده روزمینی برآوردشده و مقدار واقعی تفاوت های معنی داری در سطوح احتمال 99 و 95 درصد وجود نداشتند.
نتیجه گیری: آگاهی از روند تغییرات تاجپوشش و زیتوده روزمینی برای برنامه های کاربردی و مدیریت جنگل ها و نیز ارزیابی خدمات محیط زیستی بسیار مهم است. با توجه به نتایج حاصل، می توان اذعان داشت که اطلاعات به دست آمده از باندهای اصلی و شاخصهای طیفی نقش به سزایی در برآورد تاجپوشش و زیتوده رویزمینی داشتند. علاوه بر این، کارایی مدلهای مورد استفاده در این مطالعه میتواند از انتخاب تکنیکهای نگاشت پیشبینیکننده برای مدلسازی زیتوده روزمینی جنگل خبر دهد. توانایی جنگل تصادفی در برآورد متغیرهای جنگلی اشاره شده در این تحقیق می تواند زمینه ساز مطالعات آینده باشد.
فهرست منابع
1. Brockerhoff, E. G., Barbaro, L., Castagneyrol, B., Forrester, D. I., Gardiner, B., González-Olabarria, J. R., ... & Jactel, H. (2017). Forest biodiversity, ecosystem functioning and the provision of ecosystem services. Biodiversity and Conservation, 26(13), 3005-3035.
https://doi.org/10.1007/s10531-017-1453-2 [DOI:https://doi.org/10.1007/s10531-017-1453-2]
2. Brown, S., Gillespie, A. J. R., & Lugo, A. E. (1989). Biomass estimation methods for tropical forests with applications to forest inventory data. Forest Science, 5, 881-902.
https://doi.org/10.1093/forestscience/35.4.881 [DOI:https://doi.org/10.1093/forestscience/35.4.881]
3. Cole-Thomas, G., & Ewel-John, J. (2006). Allometric equations for four valuable tropical tree speciesForest Ecology and Management. Forest Ecology and Management, 229(1-3), 351-360.
https://doi.org/10.1016/j.foreco.2006.04.017 [DOI:10.1016/J.FORECO.2006.04.017]
4. Fugen, J., Sun, H., Erxue, C., Tianhong, W., Yalingand, C., & Qingwang, L. (2022). Above-Ground Biomass Estimation for Coniferous Forests in Northern China Using Regression Kriging and Landsat 9 Images. Remote Sensing, 14(22), 574. [DOI:10.3390/rs14225734]
5. Ganz, S., Adler, P., & Kändler, G. (2020). Forest cover mapping based on a combination of aerial images and Sentinel-2 satellite data compared to National Forest Inventory data. Forests, 11(12), 1322. [DOI:10.3390/f11121322]
6. Ghanbari-Motlaq, M., Babaei-Kafaki, S., Mataji, A., & Akhwan, R. (2019). Estimation of above ground biomass in Hyrcanian forest using satellite data. Journal of Environmental Science and Technology, 22(5). [DOI:10.22034/JEST.2020.36440.4305]
7. Gheysarbeigi, S., Pir-Bavaghar, M., & Valipour, A. (2024). Forest Aboveground Biomass Estimation Using Satellite Imagery and Random Forest Regression Model. Geography and Environmental Sustainability, 14(1), 85-100. [DOI:10.22126/GES.2024.9971.27150]
8. Haidari, M., Matinizadeh, M., Pourhashemi, M., Nouri, E., & Bagheri-Delijani, N. (2024). Investigating changes in the physical and chemical characteristics of soil in control and dieback stands in Marivan county, Kurdistan province in Iran. Forest Research and Development, 10(1), 95-111. [DOI:10.30466/jfrd.2024.55002.1703]
9. Hassan, A., & Mohammadi, J. (2024). Estimation of aboveground biomass of Arabdagh reforested stands, Golestān province using Sentinel-2 satellite data. Journal of Wood and Forest Science and Technology, 30(40), 93-110. [DOI:10.22069/JWFST.2024.21807.2039]
10. Hosseini, S., Sarikhani, N. E., & Soleimani, K. (2003). Investigation of effective factors in routing forest roads using geographic information system (case study of Khairud-Kanar Nowshahr forest). Iranian Journal of Natural Resources, 57(1), 47-59.
https://doi.org/10.3923/pjbs.2006.2055.2061 [DOI:10.3923/pjbs.2006.2055.2061 [In Percian]]
11. Hualei, Y., Yang, X., Heskel, M., Sun, S., & Tang, J. (2017). Seasonal variations of leaf and canopy properties tracked by ground-based NDVI imagery in a temperate forest. Scientific Reports, 7(1), 1267 ref. 64. [DOI:10.1038/s41598-017-01260-y]
12. Li, Y., Li, C., Li, M., & Liu, Z. (2019). Influence of Variable Selection and Forest Type on Forest Aboveground Biomass Estimation Using Machine Learning Algorithms. Forests, 10, 1073. [DOI:10.3390/f10121073]
13. MacDicken, K. G. (2015). Global forest resources assessment 2015: what, why and how? Forest Ecology and Management, 352(7), 3-8. [DOI:10.1016/j.foreco.2015.02.006]
14. Miri, N., & Darvish-Sefat, A. A. (2021). Estimation of canopy cover of Zagros forests using OLI sensor data of Landsat 8 satellite. Ecology of Iran's Forests, 9(17), 196-206.
https://doi.org/10.52547/ifej.9.17.196 [DOI:https://sid.ir/paper391604/fa]
15. Mirrajabi, H., Oladi, J., & Mataji, A. (2016). Estimating above Ground Carbon Storage in Urban Afforestation Using Satellite Data (Case Study: Chitgar Forest Park in Tehran. Ecology of Iranian Forest, 4(7), 35-42. http://ifej.sanru.ac.ir/article-1-223-fa.html [In Persian]
16. Ohman, J. L., Gregory, M. J., & Robets, H. M. (2014). Scale considerations for integrating forest inventory plot data and satellite image data for regional forest mapping, remote sensing of invironment. Remote Sensing of Environment, 151, 3-15.
https://doi.org/10.1016/j.rse.2013.08.048 [DOI:https://doi.org/10.1016/j.rse.2013.08.048]
17. Rahdari-Sufianian, A., Khaledin, S., & Jaddin, M.-N., S. (2012). Investigating the capability of satellite data in preparing a map of vegetation canopy percentage in arid and semi-arid areas (case study of Mote Wildlife Sanctuary). Environmental Science and Technology, 15(4 (series 59), 43-54. [DOI:https://sid.ir/paper/87267/fa]
18. Rezaei-Sangdehi, S. M., Fallah, A., Oladi, J., & Latifi, H. (2022). The Modeling of Some Quantitative Characteristics Forest Using Topographic Features Stands (Case Study: District-3 of Sangdeh Forests). Ecology of Iranian Forest, 10(19), 88-98.
https://doi.org/10.52547/ifej.10.19.88 [DOI:10.52547/ifej.10.19.88 [In Persian]]
19. Vafaei, S., Maleknia, R., Naghavi, H., & Fathizadeh, O. (2022). Estimation of Forest Canopy Using Remote Sensing and Geostatistics (Case Study: Marivan Baghan Forests). Journal of Environmental Science and Technology, 24(1), 71-82. https://www.sid.ir/fileserver/jf/692140111606.pdf
20. Xie, Y., Chen, T. B., Lei, M., Yang, J., Guo, Q. J., Song, B., & Zhou, X. Y. (2011). Spatial distribution of soil heavy metal pollution estimated by different interpolation methods: Accuracy and uncertainty analysis. Chemosphere, 82, 468-476. [DOI:10.1016/j.chemosphere.2010.09.053]
21. Zhang, G., Ganguly, S., Nemani, R., White, M., Milesi, C., Hashimoto, H., . . . & Myneni, R. (2014). Estimation of forest aboveground biomass in California using canopy height and leaf area index estimated from satellite data. Journal Remote Sensing of Environment, 151, 44-56. [DOI:10.1016/j.rse.2014.01.025]
22. Zobeiri, M. (2010). Vector statistics in the forest. Tehran University Publications.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
