مقايسه قابليت داده‌هاي سنجنده هاي WorldView-2، Pleiades-2 و IRS-LISS III در برآورد موجودي جنگل مطالعه موردي: جنگل آموزشي پژوهشي دارابكلا - ساري

Comparison Worlview-2, pLeiades-2 and LISS III satellite data capability in estimation volume forest stand Case study: Darabkola forest

سابقه و هدف: آگاهي از وضعيت مشخصه‌هاي كمي جنگل همانند موجودي سرپا، يكي از مهمترين اصول در برنامه‌ريزي و تصميم‌گيري مديريت جنگل مي‌باشد. هدف از اين مطالعه، مقايسه قابليت داده‌هاي سنجنده‌هاي مختلف و روش‌هاي ناپارامتري در برآورد موجودي سرپاي جنگل مي‌باشد. مواد و روش‌ها: منطقه مورد مطالعه سري يك جنگل دارابكلا در استان مازندران در جنوب شرق ساري است با مساحت 2612 هكتار كه در حوزه آبخيز 74 اداره كل منابع طبيعي شهرستان ساري واقع شده است. با استفاده از روش نمونه برداري منظم -تصادفي با قطعات 10 آري با شبكه آماربرداري 330 در 500 متر ، 150 قطعه نمونه دايره اي برداشت گرديد. پيش‌پردازش و پردازش‌هاي لازم همانند نسبت گيري، ايجاد شاخص‌هاي گياهي و آناليز بافت بر روي تصاوير ماهواره‌اي سه سنجنده WorldView-2، Pleiades-2 وIRS-LISS III انجام شد. سپس ارزش متناظر با قطعه نمونه ها از تمام باندها استخراج گرديد. براي مدلسازي در اين مطالعه از روش‌هاي مختلف رگرسيوني شامل واريانت هاي مختلف روش نزديكترين همسايه، كرنل‌هاي مختلف روش ماشين بردار پشتيبان و روش جنگل تصادفي استفاده شد. يافته‌ها: نتايج مربوط به مدلسازي موجودي سرپا با استفاده از روش ماشين بردار پيشتبان(SVM) نشان داد بهترين كرنل به ترتيب براي سنجنده worldview- 2،IRS-LISS III وPleiades-2 چند جمله اي، توابع پايه شعاعيRBF)) و چندجمله اي، با درصد مجذورميانگين مربعات خطاي 34/57، 49/5، 43/03 بود. در روش نزديك ترين همسايه(KNN) بهترين واريانت براي سه سنجنده مذكور به ترتيب شبيشف(Chebychev)، شبيشف (Chebychev) و سيتي بلاك (City block) با درصد مجذورميانگين مربعات خطاي 41/18، 55/09 و 46/97 بود . در روش جنگل تصادفي درصد مجذورميانگين مربعات خطا براي اين سه سنجنده به ترتيب برابر با 31/33 ، 48/91 و 45/68 بود . نتايج نشان داد بهترين مدل براي برآورد موجودي سرپا، مربوط به الگوريتم جنگل تصادفي و داده‌هاي تصاوير WorldView-2 با درصد مجذور ميانگين مربعات خطا برابر با 31/33 درصد و اريبي نسبي برابر با 2/8 درصد بود. دليل بهتر بودن نتايج سنجنده World Veiw2 نسبت به سنجنده Pleiades وجود تعداد باند بيشتر و عرض كمتر باندها مي‌باشد. زيرا هرچه تعداد باند بيشتر و عرض باند باريكتر باشد اطلاعات در باندهاي مختلفي ذخيره مي شوند و نسبت سيگنال به نويز افزايش مي يابد در نتيجه آشكارسازي پديده ها بهتر صورت مي گيرد و دقت نتايج نيز بالاتر مي رود. نتيجه گيري: نتايج تفاوت زيادي بين الگوريتم‌هاي ناپارامتريك از نظر ميزان درصد مجذور ميانگين مربعات خطا نشان نداد ولي از نظر سنجنده تفاوت زيادي مشاهده گرديد. نتايج كلي اين مطالعه نشان داد سنجنده‌ها و روش‌هاي رگرسيوني مورد استفاده در اين مطالعه، داراي قابليت نسبتا مناسبي در برآورد موجودي جنگل مي‌باشند. همچنين نتايج نشان داد علاوه بر قدرت تفكيك مكاني سنجنده ها، قدرت تفكيك طيفي آنها نيز تأثير چشمگيري در بالا بردن دقت نتايج مدلسازي موجودي جنگل با استفاده از تصاوير ماهواره اي دارد.

Background and objectives: Investigation on quantitative characteristics of forest such as Stand volume is one of the most important principles in planning and forest management decision. The aim of this study is the comparison of various satellite's data capability and nonparametric methods for estimating stand volume of forest. Materials and methods: The studied area is the district 1 Darabkola forest in Mazandaran province in southeast of Sari with 2612 hectares, which is located in 74 basins of Sari natural recourses Department. Using systematic-random with 10 r. sample plots with 300m×500m sampling net system were measured 150 circular sample plots. The necessary preprocessing and processing include ratio, vegetation index, Principal Component Analysis and texture analyses were done on WorldView-2, Pleiades-2 and IRS-LISS III imagery. For modeling in this study be used different regression methods include different variants of k-Nearest Niebuhr, kernel machine support vector and random forest. Results: The results of modeling the stand volume using machine support vector showed that the best kernel in order for worldview-2, IRS-LISS III and Pleiades-2 satellites were Polynomial, RBF and Polynomial with %RMSE equal to 34.57,49.5 and 43.03. The best variant in k-Nearest Niebuhr in order for said satellites was chebychev, chebychev and City block with %RMSE equal to 41.18,55.09 and 46.97. %RMSE in random forest method in order for said satellites was 31.33, 48.91 and 45.68. Results showed random forest was the best model for estimation stand volume and WorldVeiw-2 satellite data has the best result with percent root mean square error and bias of estimation equal to 31.33 and 2.8 percent. Because of more bands and less width of them, WorldView-2 satellite has better outcomes than Pleiades-2 satellite; since if there are more bands and width of them is narrower, information can be saved in different bands and ratio of signal to noise will be increased. Therefore, the phenomenon detects better and accuracy of outcomes increases. Conclusion: The results did not show much difference between the non-parametric algorithms in terms of Percent Root Mean Square Error, but a large difference was observed in terms of sensors. Overall results of this study showed sensors and Regression methods used in this study have a relatively high capability in estimation of forest stand volume. The results also show in addition to the spatial resolution of satellites their spectral resolution has a significant impact on raising the accuracy of the forest stand volume modeling results using satellite images.