‌مدل‌سازي زيتوده جنگل‌هاي شاخه‌زاد بلوط غرب با استفاده از متريك‌هاي استخراج شده از داده‌هاي لايدار هوايي

Modeling biomass of coppice Persian oak forests using metrics extracted from aerial laser scanner (LiDAR) data

يكي از مهمترين داده‌هاي فعال سنجش از دوري براي استفاده در كمي كردن ويژگي‌هاي مختلف توده ها جنگلي داده‌هاي لايدار است. از جمله حوزه هاي فعال تحقيقاتي سنجش از دور، امكان سنجي برآورد زيتوده درختان با استفاده از متريك‌هاي مختلف داده‌هاي لايدار هوايي است. روش بررسي: زيتوده درختان در 127 قطعه نمونه مربعي به روش منظم تصادفي در دو منطقه كم­تراكم و پرتراكم به ابعاد 900 متر مربع براي اندازه­گيري موجود در قطعات نمونه برداشت شد. داده­هاي لايدار براي يافتن وحذف هر گونه خطا بررسي، DTM [1]، DSM [2]و CHM[3] از اين داده ها استخراج و شاخص­هاي آماري مختلف از ارتفاعي داده­هاي لايدار براي هر قطعه نمونه استخراج شد. به منظور برآورد ­زيتوده رگرسيون گام به گام استفاده شد. يافته‌ها: نتايج دقت متوسط براي براورد زيتوده توسط داده‌هاي لايدار نشان داد به شكلي كه مقدار ضريب تعيين و جذر ميانگين مربعات خطا (بر حسب تن در هكتار) در برآورد زيتوده با داده­هاي لايدار براي برگ، سرشاخه، شاخه، تنه وكل درخت در كل منطقه به ترتيب (58/0 و 28)، (54/0 و 23)، (68/0 و 35/1) (68/0 و 53/1) (65/0 و 69/3) بود. بحث و نتيجه گيري: به دليل خطاي بالا در مشخص كردن نوك تاج درختان در توده­هاي پهن­برگ و مخصوصا توده­هاي شاخه­زاد به دليل ارتفاع كم و شكل غيرهندسي­تر، برآورد ارتفاع و ساير مشخصه­ها در اين توده­ها با خطاي زيادي همراه است. رسيدن به دقت‌هاي بالا مستلزم تحقيقات بيشتر است.

One of the most important active remotely sensed data for quantification of different attributes of forest stands is LiDAR data. A research hotspot in this subject is to estimate forest biomass using different LiDAR derived metrics. Material and Methodology: Forest biomass was measured in 127 systematically designed 900-meter square rectangular plots in two different sites (dense and sparse sites). LiDAR data was inspected for any possible error. DTM, DSM, and CHM were extracted from LiDAR data and different metrics at plot level were calculated. For modeling, stepwise regression was applied. Findings: Result showed a moderate precision for biomass estimation using LiDAR data in a way that the coefficient of determination and root mean square error (Ton/ha) for biomass estimation of leaves, twigs, branches, bole, and whole tree were 0.58-28, 0.54-23, 0.68-1.35, 0.68-1.53, .65-3.69, respectively. Discussion and Conclusion: Due to high error of determination of tree tips in broadleaves forests especially in coppice stands which have low tree height with irregular shapes; the error of the estimation of tree height using LiDar data is high. Better results demand further researches.