دوره 14، شماره 1 - ( بهار و تابستان 1405 )
جلد 14 شماره 1 صفحات 28-16 |
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:
NikKhah S, Pourbabaei H, Hosseini S M. (2026). Modeling the Leaf Area Index Based on Structural Characteristics and Machine Learning Algorithms in Northern Zagros Forests: A Case Study of Marivan, Kurdistan. Ecol Iran For. 14(1), 16-28. doi:10.61882/ifej.2026.592
URL: http://ifej.sanru.ac.ir/article-1-592-fa.html
URL: http://ifej.sanru.ac.ir/article-1-592-fa.html
نیک خواه سیوان، پوربابایی حسن، حسینی سید محسن.(1405). مدل سازی شاخص سطح برگ بر اساس مشخصههای ساختاری و الگوریتم های یادگیری ماشین در جنگل های زاگرس شمالی، مطالعه موردی: مریوان، کردستان بوم شناسی جنگل های ایران (علمی- پژوهشی) 14 (1) :28-16 10.61882/ifej.2026.592
1- دانشکده منابع طبیعی، دانشگاه گیلان، رشت، ایران
2- دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، نور، ایران
2- دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، نور، ایران
چکیده: (849 مشاهده)
چکیده مبسوط
مقدمه و هدف: جنگلهای زاگرس نقش حیاتی در تعدیل آب و هوا، حفظ تنوع زیستی و ذخیره کربن ایفا میکنند. در این میان، جنگلهای زاگرس با سطح حدود پنج میلیون هکتار بهعنوان یکی از ارزشمندترین اکوسیستمهای جنگلی ایران، سهم بسزایی در کاهش پیامدهای گرمایش جهانی و حفاظت خاک دارند. شاخص سطح برگ بهعنوان یکی از کلیدیترین شاخصهای بومشناختی، توان تولیدی اکوسیستمهای جنگلی را بازتاب میدهد و در مدلسازی فرآیندهای فتوسنتز، چرخه کربن و تبخیر و تعرق کاربرد دارد. شاخص سطح برگ بهعنوان یکی از کلیدیترین شاخصهای بومشناختی، توان تولیدی اکوسیستمهای جنگلی را بازتاب میدهد و در مدلسازی فرآیندهای فتوسنتز، چرخه کربن و تبخیر و تعرق کاربرد دارد. با توجه به چالشهای اندازهگیری مستقیم شاخص سطح برگ، استفاده از روشهای غیر مخرب و مبتنیبر یادگیری ماشین برای برآورد این شاخص ضروری است. هدف این مطالعه، مدلسازی شاخص سطح برگ بر اساس ویژگیهای ساختاری درختان (مانند قطر برابر سینه، ارتفاع و درصد تاجپوشش) با استفاده از الگوریتمهای یادگیری ماشین در جنگلهای زاگرس شمالی (منطقه مریوان، استان کردستان) بود. این پژوهش بهدنبال ارائه راهکاری دقیق و کمهزینه برای پایش تغییرات اکوسیستمی و مدیریت پایدار جنگلها است.
مواد و روشها: این مطالعه در جنگلهای زاگرس شمالی (شهرستان مریوان) با آبوهوای سرد و نیمهمرطوب انجام شد. دادههای میدانی از 80 قطعه نمونه مربعی (20×20 متر) بهروش منظم تصادفی جمعآوری گردیدند. در هر قطعه، مشخصههای ساختاری شامل قطر برابر سینه، ارتفاع درختان، درصد تاج پوشش و شاخص سطح برگ با استفاده از تکنیک عکسبرداری نیمکروی و نرمافزارGap Light Analyzer (GLA) اندازهگیری شدند. در هر قطعه نمونه، پنج میکرو پلات یک متر مربعی ایجاد شد آماربرداری پوشش علفی در فصل رویش، زمانی که اکثر گونههای گیاهی به رشد کامل رسیدند، انجام گرفت. در هر میکرو پلات، گونههای علفی شناسایی و درصد پوشش آنها بهصورت چشمی با استفاده از معیار وان درمارل برآورد شد. برای برآورد زی توده روی زمین از مدل رگرسیونی چند جملهای با متغیر مستقل قطر برابر سینه استفاده شد. در این پژوهش، بهمنظور انتخاب مناسبترین الگوریتم برای بررسی ارتباط بین شاخص سطح برگ و متغیرهای مرتبط با توده جنگلی، چهار الگوریتم یادگیری ماشینی، شامل الگوریتم جنگل تصادفی (RF)، نزدیکترین همسایه (KNN)، ماشینبردار پشتیبان (SVM) و رگرسیون فرایند گاوسی (GPR) مورد مقایسه قرار گرفتند. در مدل RF، ۵۰۰ درخت برای پارامتر تعداد درختان (ntree) و برای مشخصه تعداد ویژگی انتخاب شده برای هر درخت (mtry) تعداد دو ویژگی در نظر گرفته شدند. مدل KNN با تعداد هفت همسایه و وزندهی نمونهها از طریق تابع هسته گاوسی پیادهسازی شد و فاصله بین نمونهها با معیار فاصله اقلیدسی محاسبه گردید. مدل SVM با استفاده از تابع پایه شعاعی اجرا شد و پارامترهای بهینهشده آن شامل gamma=0.01،epsilon= 0.1 و ضریب هزینه C=1 تعیین شدند. همچنین، مدل GPR با بهکارگیری تابع هسته گاوسی توسعه یافت. تمام مدلها بهترتیب با استفاده از بستههای randomForest، kknn، e1071 و kernlab در زبان برنامهنویسی R پیادهسازی شدند. دادهها به دو بخش آموزشی (70 درصد) و اعتبارسنجی (30 درصد) تقسیم شدند و عملکرد مدلها با معیارهای ضریب تعیین، جذر میانگین مربعات خطا، جذر میانگین مربعات خطای نسبی و میانگین قدر مطلق خطا ارزیابی گردید.
یافتهها: مقادیر شاخص سطح برگ در منطقه مورد مطالعه بین 0/151 تا 4/623 متغیر بودند که نشاندهنده تنوع بالای تراکم پوشش گیاهی است. همچنین، تحلیل اهمیت متغیرها نشان داد که تاج پوشش با بیشترین سهم (۳۵ درصد) و شاخص تنوع شانون با کمترین تأثیر (کمتر از ۵ درصد) در پیشبینی شاخص سطح برگ نقش داشتند. همبستگی شاخص سطح برگ با درصد تاجپوشش بسیار قوی (r = 0.92) و با قطر برابر سینه و ارتفاع درختان 0/70 بود. زیتوده روی زمین نیز همبستگی متوسطی (r = 0.64) را با شاخص سطح برگ نشان داد. در میان الگوریتمهای یادگیری ماشین، جنگل تصادفی با بالاترین دقت در دادههای آموزشی و R² = 0.96 در اعتبارسنجی بهعنوان بهترین مدل شناسایی شد. الگوریتمهای رگرسیون فرآیند گاوسی و نزدیکترین همسایه با R² = 0.91 و ماشین بردار پشتیبان باR² = 0.88 در رتبههای بعدی قرار گرفتند. ماتریس همبستگی تأثیر قوی ویژگیهای ساختاری بر شاخص سطح برگ را تأیید کرد، در حالیکه شاخص تنوع گونهای شانون-وینر ارتباط ضعیفی با سایر متغیرها داشت.
نتیجهگیری: این مطالعه نشان میدهد که الگوریتم جنگل تصادفی با توجه به توانایی در مدلسازی روابط غیر خطی و پیچیده، ابزاری کارآمد برای برآورد غیر مستقیم شاخص سطح برگ در جنگلهای زاگرس است. همبستگی قوی شاخص سطح برگ با تاج پوشش و ویژگیهای ساختاری درختان، امکان استفاده از این متغیرها را بهعنوان نمایندههای فیزیکی تراکم برگها فراهم میکند. از منظر مدیریت منابع طبیعی و حفاظت جنگلهای زاگرس، این پژوهش اهمیت بالایی دارد. مدلسازی دقیق شاخص سطح برگ و شناخت ارتباط آن با ویژگیهای ساختاری میتواند به پایش تغییرات اکوسیستمهای جنگلی، ارزیابی اثرات تغییرات اقلیمی و طراحی برنامههای مدیریت پایدار کمک کند. همچنین، این شاخص میتواند بهعنوان یک نماگر حساس در شناسایی تنشهای محیطی و آسیبهای ناشی از عوامل زیستی مورد استفاده قرار گیرد. یافتههای این پژوهش میتوانند بهعنوان پایهای علمی برای برنامهریزی مدیریت پایدار جنگلهای زاگرس، پایش تغییرات اقلیمی و ارزیابی تنشهای محیطی مورد استفاده قرار گیرند. پیشنهاد میشود در مطالعات آینده از ترکیب دادههای سنجش از دور و یادگیری عمیق برای بهبود دقت مدلها استفاده شود. این پژوهش گامی مؤثر در جهت حفظ اکوسیستمهای ارزشمند زاگرس و تصمیمگیریهای مبتنیبر شواهد است.
مقدمه و هدف: جنگلهای زاگرس نقش حیاتی در تعدیل آب و هوا، حفظ تنوع زیستی و ذخیره کربن ایفا میکنند. در این میان، جنگلهای زاگرس با سطح حدود پنج میلیون هکتار بهعنوان یکی از ارزشمندترین اکوسیستمهای جنگلی ایران، سهم بسزایی در کاهش پیامدهای گرمایش جهانی و حفاظت خاک دارند. شاخص سطح برگ بهعنوان یکی از کلیدیترین شاخصهای بومشناختی، توان تولیدی اکوسیستمهای جنگلی را بازتاب میدهد و در مدلسازی فرآیندهای فتوسنتز، چرخه کربن و تبخیر و تعرق کاربرد دارد. شاخص سطح برگ بهعنوان یکی از کلیدیترین شاخصهای بومشناختی، توان تولیدی اکوسیستمهای جنگلی را بازتاب میدهد و در مدلسازی فرآیندهای فتوسنتز، چرخه کربن و تبخیر و تعرق کاربرد دارد. با توجه به چالشهای اندازهگیری مستقیم شاخص سطح برگ، استفاده از روشهای غیر مخرب و مبتنیبر یادگیری ماشین برای برآورد این شاخص ضروری است. هدف این مطالعه، مدلسازی شاخص سطح برگ بر اساس ویژگیهای ساختاری درختان (مانند قطر برابر سینه، ارتفاع و درصد تاجپوشش) با استفاده از الگوریتمهای یادگیری ماشین در جنگلهای زاگرس شمالی (منطقه مریوان، استان کردستان) بود. این پژوهش بهدنبال ارائه راهکاری دقیق و کمهزینه برای پایش تغییرات اکوسیستمی و مدیریت پایدار جنگلها است.
مواد و روشها: این مطالعه در جنگلهای زاگرس شمالی (شهرستان مریوان) با آبوهوای سرد و نیمهمرطوب انجام شد. دادههای میدانی از 80 قطعه نمونه مربعی (20×20 متر) بهروش منظم تصادفی جمعآوری گردیدند. در هر قطعه، مشخصههای ساختاری شامل قطر برابر سینه، ارتفاع درختان، درصد تاج پوشش و شاخص سطح برگ با استفاده از تکنیک عکسبرداری نیمکروی و نرمافزارGap Light Analyzer (GLA) اندازهگیری شدند. در هر قطعه نمونه، پنج میکرو پلات یک متر مربعی ایجاد شد آماربرداری پوشش علفی در فصل رویش، زمانی که اکثر گونههای گیاهی به رشد کامل رسیدند، انجام گرفت. در هر میکرو پلات، گونههای علفی شناسایی و درصد پوشش آنها بهصورت چشمی با استفاده از معیار وان درمارل برآورد شد. برای برآورد زی توده روی زمین از مدل رگرسیونی چند جملهای با متغیر مستقل قطر برابر سینه استفاده شد. در این پژوهش، بهمنظور انتخاب مناسبترین الگوریتم برای بررسی ارتباط بین شاخص سطح برگ و متغیرهای مرتبط با توده جنگلی، چهار الگوریتم یادگیری ماشینی، شامل الگوریتم جنگل تصادفی (RF)، نزدیکترین همسایه (KNN)، ماشینبردار پشتیبان (SVM) و رگرسیون فرایند گاوسی (GPR) مورد مقایسه قرار گرفتند. در مدل RF، ۵۰۰ درخت برای پارامتر تعداد درختان (ntree) و برای مشخصه تعداد ویژگی انتخاب شده برای هر درخت (mtry) تعداد دو ویژگی در نظر گرفته شدند. مدل KNN با تعداد هفت همسایه و وزندهی نمونهها از طریق تابع هسته گاوسی پیادهسازی شد و فاصله بین نمونهها با معیار فاصله اقلیدسی محاسبه گردید. مدل SVM با استفاده از تابع پایه شعاعی اجرا شد و پارامترهای بهینهشده آن شامل gamma=0.01،epsilon= 0.1 و ضریب هزینه C=1 تعیین شدند. همچنین، مدل GPR با بهکارگیری تابع هسته گاوسی توسعه یافت. تمام مدلها بهترتیب با استفاده از بستههای randomForest، kknn، e1071 و kernlab در زبان برنامهنویسی R پیادهسازی شدند. دادهها به دو بخش آموزشی (70 درصد) و اعتبارسنجی (30 درصد) تقسیم شدند و عملکرد مدلها با معیارهای ضریب تعیین، جذر میانگین مربعات خطا، جذر میانگین مربعات خطای نسبی و میانگین قدر مطلق خطا ارزیابی گردید.
یافتهها: مقادیر شاخص سطح برگ در منطقه مورد مطالعه بین 0/151 تا 4/623 متغیر بودند که نشاندهنده تنوع بالای تراکم پوشش گیاهی است. همچنین، تحلیل اهمیت متغیرها نشان داد که تاج پوشش با بیشترین سهم (۳۵ درصد) و شاخص تنوع شانون با کمترین تأثیر (کمتر از ۵ درصد) در پیشبینی شاخص سطح برگ نقش داشتند. همبستگی شاخص سطح برگ با درصد تاجپوشش بسیار قوی (r = 0.92) و با قطر برابر سینه و ارتفاع درختان 0/70 بود. زیتوده روی زمین نیز همبستگی متوسطی (r = 0.64) را با شاخص سطح برگ نشان داد. در میان الگوریتمهای یادگیری ماشین، جنگل تصادفی با بالاترین دقت در دادههای آموزشی و R² = 0.96 در اعتبارسنجی بهعنوان بهترین مدل شناسایی شد. الگوریتمهای رگرسیون فرآیند گاوسی و نزدیکترین همسایه با R² = 0.91 و ماشین بردار پشتیبان باR² = 0.88 در رتبههای بعدی قرار گرفتند. ماتریس همبستگی تأثیر قوی ویژگیهای ساختاری بر شاخص سطح برگ را تأیید کرد، در حالیکه شاخص تنوع گونهای شانون-وینر ارتباط ضعیفی با سایر متغیرها داشت.
نتیجهگیری: این مطالعه نشان میدهد که الگوریتم جنگل تصادفی با توجه به توانایی در مدلسازی روابط غیر خطی و پیچیده، ابزاری کارآمد برای برآورد غیر مستقیم شاخص سطح برگ در جنگلهای زاگرس است. همبستگی قوی شاخص سطح برگ با تاج پوشش و ویژگیهای ساختاری درختان، امکان استفاده از این متغیرها را بهعنوان نمایندههای فیزیکی تراکم برگها فراهم میکند. از منظر مدیریت منابع طبیعی و حفاظت جنگلهای زاگرس، این پژوهش اهمیت بالایی دارد. مدلسازی دقیق شاخص سطح برگ و شناخت ارتباط آن با ویژگیهای ساختاری میتواند به پایش تغییرات اکوسیستمهای جنگلی، ارزیابی اثرات تغییرات اقلیمی و طراحی برنامههای مدیریت پایدار کمک کند. همچنین، این شاخص میتواند بهعنوان یک نماگر حساس در شناسایی تنشهای محیطی و آسیبهای ناشی از عوامل زیستی مورد استفاده قرار گیرد. یافتههای این پژوهش میتوانند بهعنوان پایهای علمی برای برنامهریزی مدیریت پایدار جنگلهای زاگرس، پایش تغییرات اقلیمی و ارزیابی تنشهای محیطی مورد استفاده قرار گیرند. پیشنهاد میشود در مطالعات آینده از ترکیب دادههای سنجش از دور و یادگیری عمیق برای بهبود دقت مدلها استفاده شود. این پژوهش گامی مؤثر در جهت حفظ اکوسیستمهای ارزشمند زاگرس و تصمیمگیریهای مبتنیبر شواهد است.
فهرست منابع
1. Arias, D., Calvo-Alvarado, J., & Dohrenbusch, A. (2007). Calibration of LAI-2000 to estimate leaf area index (LAI) and assessment of its relationship with stand productivity in six native and introduced tree species in Costa Rica. Forest Ecology and Management, 247(1-3), 185-193. [DOI:10.1016/j.foreco.2007.04.039]
2. Babaei Kafaki, S., Khademi, A., & Mataji, A. (2009). Relationship between leaf area index and phisiographical and edaphical condition in a Quercus macranthera stand (Case study: Andebil's forest, Khalkhal). Iranian Journal of Forest and Poplar Research, 17(2), 289-280.
3. Chaturvedi, R. K., Singh, S., Singh, H., & Raghubanshi, A. S. (2017). Assessment of allometric models for leaf area index estimation of Tectona grandis. Tropical Plant Research, 4(2), 274-285. 10.22271/tpr.2017.v4.i2.037 [DOI:10.22271/tpr.2017.v4.i2.037]
4. Chen, Y., Ma, L., Yu, D., Feng, K., Wang, X., & Song, J. (2021). Improving Leaf Area Index Retrieval Using Multi-Sensor Images and Stacking Learning in Subtropical Forests of China. Remote Sensing, 14(1), 148. [DOI:10.3390/rs14010148]
5. Da Silva, D. A., Pfeifer, M., Pattison, Z., & Vibrans, A. C. (2020). Drivers of leaf area index variation in Brazilian Subtropical Atlantic Forests. Forest Ecology and Management, 476, 118477. [DOI:10.1016/j.foreco.2020.118477]
6. Darvish-Sefat, M., Miri, N., Shakeri, Z., Zahed, M., Zargham, N., & Nosratolah, A. (2017). Estimation of leaf area index in Zagros forests using Landsat 8 satellite data. Iranian Journal of Forest, 9(1), 29-42. [In Persian]
7. Fang, H., Baret, F., Plummer, S., & Schaepman‐Strub, G. (2019). An overview of global leaf area index (LAI): Methods, products, validation, and applications. Reviews of Geophysics, 57(3), 739-799. [DOI:10.1029/2018RG000608]
8. Hemmat Baland, E., Akbarinia, M., & Banj Shafei, A. (2010). The effect of fire on some soil chemical properties in oak forests of Marivan. Iranian Journal of Forest and Poplar Research, 18(3), 421-432. https://www.cabidigitallibrary.org/doi/full/10.5555/20113021094 [In persian]
9. Jonckheere, I., Fleck, S., Nackaerts, K., Muysa, B., Coppin, P., Weiss, M., & Baret, F. (2004). Review of methods for in situ leaf area index determination Part I. Theories, sensors and hemispherical photography. Agricultural and Forest Meteorology, 121(1-2), 19-35. [DOI:10.1016/j.agrformet.2003.08.027]
10. Kang, Y., Ozdogan, M., Gao, F., Anderson, M. C., White, W. A., Yang, Y., & Erickson, T. A. (2021). A data-driven approach to estimate leaf area index for Landsat images over the contiguous US. Remote Sensing of Environment, 258, 112383. [DOI:10.1016/j.rse.2021.112383]
11. Liu, J., Wang, D., Gong, H., Wang, C., Zhu, J., & Wang, D. (2025). Advancing the Understanding of Fine-Grained 3D Forest Structures using Digital Cousins and Simulation-to-Reality: Methods and Datasets. arXiv preprint arXiv:2501.03637. [DOI:10.48550/arXiv.2501.03637]
12. Liu, S., Jin, X., Nie, C., Wang, S., Yu, X., Cheng, M., & Liu, Y. (2021). Estimating leaf area index using unmanned aerial vehicle data: shallow vs. deep machine learning algorithms. Plant Physiology, 187(3), 1551-1576. [DOI:10.1093/plphys/kiab322]
13. Mahdavi, Y., Rokhollah, M., & Naji. Evaluation of Allometric Relationships for Estimation of Biomass, Carbon Sequestration and Leaf Area Index of Kikum Trees. Journal of Forest Ecology of Iran. 13(2), 130-142.
https://doi.org/10.61882/ifej.2025.549 [DOI:10.61882/ifej.2025.549. [In Persian]]
14. Marvie Mohadjer, M. R. (2011). Silviculture. University of Tehran press, Tehran, 418p.
15. McDowell, N. G., Phillips, N., Lunch, C., Bond, B. J., & Ryan, M. G. (2002). An investigation of hydraulic limitation and compensation in large, old Douglas-fir trees. Tree Physiology, 22(11), 763-774.
https://doi.org/10.1093/treephys/22.11.763 [DOI:10.1093/treephys/22.11.763.]
16. Miri, N., Fatehi, P., Darvishsefat, A., Pir Bavaghar, M., & Homolová, L. (2024). Leaf area index estimation in the Zagros forests of Iran using Sentinel-2 image and Gaussian Process Regression. Iranian Journal of Forest and Poplar Research, 31(4), 323-337. 10.22092/ijfpr.2023.364041.2129
17. Moser-Reischl, A., Franceschi, E., Rahman, M. A., Rodrigues-Leite, J., Pretzsch, H., Pauleit, S., & Rötzer, T. (2025). Spatial and temporal dynamics of the leaf area index (LAI) of selected tree species in urban environments. Urban Forestry & Urban Greening, 107, 128795.
https://doi.org/10.1016/j.ufug.2025.128795 [DOI:10.1016/j.ufug.2025.128795.]
18. Oyonarte, P.B., & Cerrillo, R. M. N. (2003). Aboveground phytomass models for major species in shrub ecosystems of western Andalusia. Forest Systems, 12(3), 47-55. [DOI:10.5424/1078]
19. Panahi, P., Pourhashemi, M., & Zandebasiri, M. (2013). Application of visual surveys to estimate acorn production of Brants oak (Quercus brantii Lindl.) in northern Zagros Forests of Iran. Caspian Journal of Environmental Sciences, 11(1), 85-95.
20. Persson, S. (2014). Estimating leaf area index from satellite data in deciduous forests of Southern Sweden. MSc thesis series INES, 35.
21. Putzenlechner, B., Bevern, F., Koal, P., Grieger, S., Kappas, M., Koukal, T., & Filipponi, F. (2024). Accuracy assessment of LAI, PAI and FCOVER from Sentinel-2 and GEDI for monitoring forests and their disturbance in Central Germany. European Journal of Remote Sensing, 57(1), 2422323.
https://doi.org/10.1080/22797254.2024.2422323 [DOI:10.1080/22797254.2024.2422323.]
22. Sarvazad, A., & Fallah, A. (2023). Investigation the Effect of Dead Trees on the Trend of Changes in Soil Carbon Storage Across an Altitudinal Gradient of Western oak Forests (Case study: Qalajeh Forest). Ecology of Iranian Forest, 11(22), 142-150. [In Persian] [DOI:10.61186/ifej.11.22.130]
23. Seyed Mousavi, S. Z., Mohammadi, J., Darvishzadeh, R., Shataee Jouibary, Sh., Rahmani, R., & Ghorbani, Kh. (2024). The Effects of Changes in the Forest Structure's Quantitative Traits on the Leaf Area Index in Hyrcanian Forests, Golestan Province. Iranian Journal of Forest Ecology, 12(2), 59-72. doi:10.61186/ifej.12.2.59 [DOI:10.61186/ifej.12.2.59]
24. Sinan, M., & Hasenauer, H. (2025). Improving leaf area index (LAI) estimation by integrating forest inventory and remote sensing (No. EGU25-4928). Copernicus Meetings, [DOI:10.5194/egusphere-egu25-4928]
25. Sohrabi, H., & Shirvani, A. (2012). Allometric equations for estimating standing biomass of atlantic pistache (Pistacia atlantica var. mutica) in Khojir National Park. Iranian Journal of Forest, 4(1), 55-64. http://www.sid.ir/en/ViewPaper.asp?ID=245508&varStr=6 [In Persian]
26. Sohrabi, H., Daryaei, A. (2015). Estimation of aboveground biomass of small-diameter hornbeam, beech and ironwood trees using power regression models. Journal of Wood & Forest Science and Technology, 22(2), 137-150. 20.1001.1.23222077.1394.22.2.8.2 [In Persian]
27. Tian, L., Qu, Y., & Qi, J. (2021). Estimation of forest LAI using discrete airborne LiDAR: a review. Remote Sensing, 13(12), 2408.
https://doi.org/10.3390/rs13122408 [DOI:10.3390/rs13122408.]
28. Tobin, B., Black, K., Osborne, B., Reidy, B., Bolger, T., & Nieuwenhuis, M. (2006). Assessment of allometric algorithms for estimating leaf biomass, leaf area index and litter fall in different-aged Sitka spruce forests. Forestry, 79(4), 453-465.
https://doi.org/10.1093/forestry/cpl030 [DOI:10.1093/forestry/cpl030.]
29. Wilby, R. L., & Dawson, C. W. (2013). The Statistical Downscaling Model: insights from one decade of application. International Journal of Climatology, 33(7), 1707. 10.1002/joc.3544 [DOI:10.1002/joc.3544]
30. Yan, G., Hu, R., Luo, J., Weiss, M., Jiang, H., Mu, X., & Zhang, W. (2019). Review of indirect optical measurements of leaf area index: Recent advances, challenges, and perspectives. Agricultural and Forest Meteorology, 265, 390-411. [DOI:10.1016/j.agrformet.2018.11.033]
31. Yousofvand Mofrad, M., Soosani, J., Ostakh, E., & HosseinZadeh, R. (2018). Estimate the above ground biomass in Brant's oak (Quercus brantii Lindl.) (Case Study: Region Melah-Shbanan horramabad). Journal of Wood and Forest Science and Technology, 24(4), 148-172. 10.22069/jwfst.2017.12418.1648
32. Zhai, C., Ding, M., Ren, Z., Bao, G., Liu, T., Zhang, Z., ... & Lin, H. (2023). A LiDAR-driven effective leaf area index inversion method of urban forests in Northeast China. Forests, 14(10), 2084.
https://doi.org/10.3390/f14102084 [DOI:10.3390/f14102084.]
33. Zheng, G., & Moskal, L. M. (2009). Retrieving leaf area index (LAI) using remote sensing: theories, methods and sensors. Sensors, 9(4), 2719-2745.
https://doi.org/10.3390/s90402719 [DOI:10.3390/s90402719.]
34. Zou, J., Hou, W., Chen, L., Wang, Q., Zhong, P., Zuo, Y., & Leng, P. (2020). Evaluating the impact of sampling schemes on leaf area index measurements from digital hemispherical photography in Larix principis-rupprechtii forest plots. Forest Ecosystems, 7(1), 1-18. [DOI:10.1186/s40663-020-00262-z]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
