Ecology of Iranian Forests

fa 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) Estimation of Canopy Cover and Ground Biomass in Afforestation Areas of Western Guilan using Remote Sensing and Geostatistical Methods (Study Area: Pilembera) سنجش از دور سنجش از دور پژوهشي Research <div style="text-align: justify;">چکیده مبسوط مقدمه: کاهش سطح جنگل&lrm; های طبیعی در نتیجه عوامل مختلف سبب شده &lrm;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&lrm; عنوان ابزاری برای مدیریت پایدار منابع طبیعی مطرح شده &lrm;است. روش‌‌های سنجش از دور و زمین‌آمار در برآورد تاج&lrm;پوشش و زی &lrm;توده رو&lrm;زمینی جنگل‌ها با هدف مدیریتی و حفاظتی می &lrm;توانند مفید و مقرون به‌صرفه باشند. در جنگل&lrm; های هیرکانی، مشخصه تاج&lrm; پوشش و زی&lrm;توده به&lrm;عنوان معیار مهمی برای مطالعه و بررسی تغییرات و پایش جنگل محسوب می &lrm;گردد. این مطالعه نیز با هدف برآورد و بررسی تاج&lrm;پوشش و زی&lrm; توده رو&lrm;زمینی جنگل&lrm; کاری&lrm; های پیلمبرا واقع در استان گیلان با استفاده از داده&lrm;‌های تصاویر ماهواره لندست 9، روش&lrm; های سنجش از دور و زمین&lrm; آمار انجام شد. مواد و روش &lrm;ها: به&lrm; منظور پیاده&lrm; سازی قطعات&lrm; نمونه زمینی (در تابستان 1402)، شبکه پلات&lrm; ها به&lrm;طور 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 &lrm;افزار اکسل و محاسبات مربوط به برآورد تاج&lrm;پوشش و زی&lrm;توده روی&lrm;زمینی 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 &lrm; 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 تاج&lrm;پوشش و زی&lrm;توده در جنگل&lrm; کاری&lrm; های منطقه پیلمبرا استفاده شد. همبستگی بین تاج‌پوشش و زی&lrm;توده روی&lrm;زمینی در قطعه‌ نمونه‌های زمینی و ارزش&lrm;‌های طیفی متناظر آن&lrm;ها در داده&lrm;‌های ماهوار‌ه&lrm;ای با استفاده از نرم&lrm;فزار SPSS و به &lrm;روش تحلیل همبستگی پیرسون بررسی و روش&lrm;‌های زمین &lrm;آماری درون&lrm; یابی فاصله معکوس (IDW)، کریجینگ معمولی و توابع پایه&lrm; ای شعاعی (RBF) به&lrm;منظور تخمین درصد تاج&lrm;پوشش و زی&lrm;توده روزمینی استفاده شدند. همچنین، از مدل&lrm;‌های رگرسیون جنگل تصادفی و ماشین&lrm; بردار پشتیبان برای انتخاب متغیرها و برآورد درصد تاج&lrm;پوشش و زی&lrm;توده رو&lrm;زمینی منطقه مورد مطالعه استفاده شد که با استفاده از نرم&lrm;فزار Weka تحلیل و ارزیابی شدند. در این مطالعه، 80 درصد (تعداد 96 قطعه‌نمونه) از مجموعه&lrm; 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 &lrm;دار بین درصد تاج&lrm;پوشش با متغیر‌های OSAVI (0/918)و NDVI (0/915) و همچنین بیشترین همبستگی معنی&lrm; دار بین زی&lrm; توده رو&lrm;زمینی (تن در هکتار) و متغیر‌های SAVI (0/913) و NDVI (0/920) مشاهده شد. وجود یا نبود وابستگی مکانی پارامتر درصد تاج&lrm;پوشش و زی&lrm;توده پس از برازش چندین مدل نیم&lrm;تغییرنما، بر پایه آماره مجموع مربعات باقی&lrm;مانده (RSS) و ضریب تبیین (R2)، مدل نمایی برای زی&lrm;توده روزمینی (0/64 = R2) و مدل کروی برای تاج پوشش (0/76 = R2) به&lrm;عنوان مناسب&lrm; ترین مدل انتخاب شد. نتایج اعتبارسنجی شاخص درصد تاج&lrm;پوشش و زی&lrm;توده 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 تاج&lrm;پوشش و زی&lrm;توده (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 مدل&lrm;‌های یادگیری ماشین برای تاج&lrm;پوشش و زی&lrm;توده (0/94 =RF ) و (0/93 = SVM) نسبت به روش&lrm;‌های زمین&lrm; آمار برای تاج پوشش (0/71) و زی&lrm;توده (0/76)در زمینه پیش &lrm;بینی و مدل&lrm;سازی این شاخص&lrm;‌ها دارای عملکرد بهتری بودند. همچنین، بین مقادیر تاج&lrm;پوشش و زی&lrm;توده رو&lrm;زمینی برآورد&lrm;شده و مقدار واقعی تفاوت &lrm;های معنی&lrm; داری در سطوح احتمال 99 و 95 درصد وجود نداشتند. نتیجه&lrm; گیری: آگاهی از روند تغییرات تاج&lrm;پوشش و زی&lrm;توده رو&lrm;زمینی برای برنامه &lrm;های کاربردی و مدیریت جنگل&lrm; ها و نیز ارزیابی خدمات محیط &lrm;زیستی بسیار مهم است. با توجه به نتایج حاصل، می &lrm;توان اذعان داشت که اطلاعات به&lrm; دست&lrm; آمده از باند‌های اصلی و شاخص‌های طیفی نقش به &lrm;سزایی در برآورد تاج&lrm;پوشش و زی&lrm;توده روی&lrm;زمینی داشتند. علاوه&lrm; بر این، کارایی مدل‌های مورد استفاده در این مطالعه می‌تواند از انتخاب تکنیک‌های نگاشت پیش‌بینی‌کننده برای مدل‌سازی زی&lrm;توده روزمینی جنگل خبر دهد. توانایی جنگل تصادفی در برآورد متغیرهای جنگلی اشاره &lrm;شده در این تحقیق می&lrm; تواند زمینه&lrm; ساز مطالعات آینده باشد. </div> <div id="gtx-trans" style="position: absolute; left: 125px; top: 184.4px; text-align: justify;"><div class="gtx-trans-icon"></div></div> <div style="text-align: justify;">Extended Abstract Background: The reduction of natural forests due to various factors has made afforestation particularly important, aiming to increase forest area and wood production. Estimating forest characteristics using remote sensing data has been proposed as a tool for sustainable natural resource management. Remote sensing and geostatistical methods can be useful and cost-effective in estimating canopy cover and aboveground biomass of forests for management and conservation purposes. In the Hyrcanian forests, canopy structure and biomass are considered important criteria for studying and monitoring changes in the forest. This study aimed to estimate and examine the canopy cover and aboveground biomass of the afforested areas of Pilemebra, located in Guilan Province, using Landsat 9 satellite imagery, remote sensing methods, and geostatistics. Methods: To implement ground sample plots (in summer 2023), the plot grid was randomly and systematically selected with a distance of 300 by 300 meters. A total of 120 sample plots were collected. The data obtained from field surveys and statistical measurements were entered into Excel to perform calculations related to canopy cover and aboveground biomass. Additionally, vegetation indices (including NDVI, EVI, DVI, GNDVI, RVI, ARVI, SAVI, OSAVI, and IPVI) were calculated using Landsat 9 images, and then the corresponding values for each sample plot were extracted from each of the indices. Correlation and regression analyses were conducted on these data. The Information Gain Ratio (IGR) technique and Average Merit index were used to evaluate the predictive power of factors affecting canopy cover and biomass in the afforestation areas of the Pilmabra region. The correlation between canopy cover and aboveground biomass in the ground sample plots and their corresponding spectral values in satellite data was examined using SPSS software and Pearson’s correlation analysis. Inverse Distance Weighting (IDW), ordinary kriging, and radial basis functions (RBF) were employed for estimating the percentage of canopy cover and aboveground biomass. Furthermore, Random Forest (RF) regression models and support vector machines were used for variable selection and estimating the percentage of canopy cover and aboveground biomass in the study area, which were analyzed and evaluated using Weka software. In this study, 80% (96 sample plots) of a set of 120 existing sample plots were used as training datasets. The ROC curve was utilized to assess the performance of geostatistical methods and remote sensing in modeling. Results: The results of IGR and the Mean Competence Index (MA) indicated that the highest significant correlation was observed between the percentage of canopy cover and the variables OSAVI (0.918) and NDVI (0.915), as well as the highest significant correlation between aboveground biomass (tons per hectare) and the variables SAVI (0.913) and NDVI (0.902). The presence or absence of spatial dependence of the canopy cover percentage and biomass, after fitting several semivariogram models based on the residual sum of squares (RSS) and the coefficient of determination (R²), showed that the exponential model for aboveground biomass (R² = 0.64) and the spherical model for canopy cover (R² = 0.76) were selected as the most suitable models. The validation results of the canopy cover percentage and biomass using RMSE and bias criteria indicated that the RF algorithm and Support Vector Machine (SVM) had a better status and validity than the geostatistical approach due to having the lowest mean squared error and bias values. Additionally, both the RF and SVM models performed well; however, the RF model (92%) had a higher accuracy and sensitivity index in predicting the percentage of canopy cover than the SVM model (83%). The results of this study showed a significant relationship and correlation between the percentage of canopy cover and biomass (tons per hectare) with over 80% of the studied variables. The ROC curve was used to evaluate the performance of geostatistical and remote sensing methods in modeling. In this study, the AUC values based on machine learning models for canopy cover and biomass (RF = 0.94, SVM = 0.93) outperformed geostatistical methods for canopy cover (0.71) and biomass (0.76) in terms of predicting and modeling these indices. Furthermore, there was no significant difference at the 99% and 95% probability levels between the estimated values of canopy cover and aboveground biomass and the actual values. Conclusion: Awareness of changes in the canopy of vegetation is very important for application programs, resource management, and the assessment of environmental services. Based on the obtained results, it can be stated that the information derived from the main bands and spectral indices played a significant role in estimating canopy cover and aboveground biomass. Furthermore, the effectiveness of the models used in this study may indicate the selection of predictive mapping techniques for modeling forest aboveground biomass. The ability of random forests to estimate the forest variables mentioned in this research could pave the way for future studies.</div> تصاویر ماهواره‌ای, جنگل تصادفی, کریجینگ, لندست 9, ماشین ‎بردار پشتیبان Kriging, Landsat 9, Random Forest, Support Vector Machine, Satellite images 143 157 http://ifej.sanru.ac.ir/browse.php?a_code=A-10-831-1&slc_lang=fa&sid=1 Solmaz Zandi سلماز زندی solmazzandi94@gmail.com 100319475328460010642 0009-0000-9791-2265 Yes Faculty of Natural Resources of Soumesara, Guilan University, Guilan, Iran دانشکده منابع طبیعی صومعه ‎سرا، دانشگاه گیلان، گیلان، ایران Amir Eslam Bonyad امیر اسلام بنیاد bonyadd20@gmail.com 100319475328460010643 100319475328460010643 No Department of Forestry, Faculty of Natural Resources, Soumesara, Guilan University, Guilan, Iran گروه جنگل‎داری، دانشکده منابع طبیعی صومعه ‎سرا، دانشگاه گیلان، گیلان، ایران Iraj Hassanzad Navroodi ایرج حسن زاد ناورودی iraj.hassanzad@gmail.com 100319475328460010644 100319475328460010644 No Department of Forestry, Faculty of Natural Resources, Soumesara, Guilan University, Guilan, Iran گروه جنگل‎داری، دانشکده منابع طبیعی صومعه ‎سرا، دانشگاه گیلان، گیلان، ایران Seyed Jalil Alavi سید جلیل علوی sjalavi3@gmail.com 100319475328460010645 100319475328460010645 No Department of Forestry, Faculty of Natural Resources and Marine Sciences, Tarbiat Modares University, Mazandaran, Iran گروه جنگل‎داری، دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، مازندران، ایران Neda Ghorbanzadeh ندا قربان زاده ghorbanzadehneda@gmail.com 100319475328460010646 100319475328460010646 No Faculty of Natural Resources of Soumesara, Guilan University, Guilan, Iran دانشکده منابع طبیعی صومعه ‎سرا، دانشگاه گیلان، گیلان، ایران