مدل سازي ناپارامتريك تصاوير لندست 8 براي برآورد اندوخته كربن روي زميني جنگل هاي زاگرس

Non-parametric modeling of Landsat 8 for estimating aboveground carbon stock in Zagros forests

سابقه و هدف: اهميت اطلاع از اندخته كربن روي زميني جنگل براي مديريت جنگل در سطح محلي، مديريت اراضي در سطوح منطقه‌اي و گزارش انتشار كربن در سطوح ملي و بين‌المللي مهم است. به همين سبب يافتن رو‌ش‌هاي كم‌هزينه و سريع براي برآورد اندوخته كربن در محدوده‌هاي وسيع به يك ضرورت تبديل شده است. بر اين اساس، در سال‌هاي اخير ارزيابي قابليت داده‌هاي منابع مختلف سنجش‌ازدوري در برآورد اندوخته كربن روي زميني جنگل‌ها مورد بررسي قرار گرفته است. در اين تحقيق قابليت تصاوير ماهواره لندست 8 براي برآورد اندوخته كربن توده‌هاي شاخه‌زاد بلوط جنگل هاي زاگرس بررسي گرديد. همچنين كارايي چهار روش مدل‌سازي ناپارامتري شامل جنگل تصادفي، شبكه‌هاي عصبي مصنوعي، كوبيست و رگرسيون اسپلاين تطبيقي چندگانه بررسي شد. مواد و روش‌ها: منطقه مورد مطالعه در بخشي از جنگلهاي زاگرس و در استان كرمانشاه در دو منطقه سرفيروزآباد (جنگل شديداً دست‌خورده) و گهواره (جنگل با حداقل دست‌خوردگي) انجام گرفت. تعداد 124 قطعه نمونه با ابعاد 30×30 متر در يك شبكۀ آماربرداري 200×200 متر در دو منطقه مورد بررسي با استفاده از روش منظم با شروع تصادفي برداشت، و با استفاده از روابط آلومتريك مختص گونه بلوط، مقدار كربن روي زميني در اين نمونه‌ها محاسبه شد. براي مدل‌سازي اندوخته كربن روي زميني با استفاده از داده-هاي سنجش‌ازدوري، از متغيرهاي مختلف استخراج‌شده از تصاوير لندست 8 مانند مقدارهاي‌ باندهاي، نسبت‌گيري‌هاي باندي، شاخص‌هاي گياهي، تجزيه مؤلفه‌هاي اصلي و تبديل تسلدكپ به‌عنوان متغير مستقل و مقدارهاي محاسبه‌شده اندوخته كربن روي -زميني در قطعه نمونه‌هاي برداشت شده به‌عنوان متغير وابسته استفاده شد. ارزيابي صحت نتايج چهار روش ناپارامتري مدل‌سازي جنگل تصادفي، شبكه‌هاي عصبي مصنوعي، كوبيست و رگرسيون اسپلاين تطبيقي چندگانه مورد استفاده در اين پژوهش با استفاده از اعتبارسنجي متقابل و به روش Leave-one-out صورت گرفته و از معيارهاي ارزيابي ضريب تبيين، ريشه ميانگين مربعات خطا و اريبي استفاده شد. يافته‌ها: نتايج نشان داد دقت برآورد اندوخته كربن در منطقه كمتر دستخورده بيشتر از منطقه دست‌خورده است. مقايسه نتايج روش‌هاي مدل‌سازي مورد استفاده در اين مطالعه نشان داد كه اختلاف قابل ‌توجهي در بين نتايج روش‌هاي به‌ كار گرفته شده وجود ندارد و استفاده از روش‌هاي مختلف تاثير چنداني در بهبود نتايج نداشت. علاوه‌براين، استفاده از كل نمونه‌هاي در يك مدل بدون تفكيك نمونه‌ها براساس منطقه مورد مطالعه سبب افزايش صحت برآوردها در منطقه دست‌خورده شد. نتيجه‌گيري كلي: نتايج برآوردها با ضريب تبيين بيشتر از 0/7 و درصد ريشه ميانگين مربعات خطا نزديك به 32% در مجموع هر دو منطقه مورد بررسي، بيانگر توانايي نسبتا مناسب تصاوير لندست 8 و روش‌هاي ناپارامتري در كمي كردن اندوخته كربن در جنگل‌هاي زاگرس با صرفه‌جويي در وقت و هزينه است.

Background and objectives: Information on aboveground carbon (AGC) is important for managing forests at local level, land management at regional levels, and carbon emissions reporting at national and international levels; therefore, there is a critical need for low-cost and time-saving approaches for quantifying of AGC. According to this, the estimation of aboveground carbon stock from remotely-sensed data has currently attracted a lot of attention. We assessed the capability of Landsat 8-derived spectral variables for AGC estimates in Zagros coppice oak forests by four non-parametric modeling including: random forest (RF), Cubist, Multivariate adaptive regression spline (MARS) and artificial neural networks (ANNs) Materials and methods: The study was carried out in part of Zagros forest, in Kermanshah Province. The values of aboveground carbon (AGC) terrestrial references was determined using field measurement data collected in two sites, Gahvareh (very low degraded (LD) site) and SarfiruzAbad (highly degraded (HD) site). Totally, 124 plots (30×30 meters) surveyed in two studied sites by the systematically-gridded plot design and AGC were calculated by developed species-specific allometric equations for Brant oak trees. For modeling AGC using the remotely-sensed data, we used different Landsat 8 derived variables such as single raw bands, simple band ratios, vegetation indices, principle component analysis and tasseled cap as independent variables and calculated AGC values in plots as dependent variable. The assessment of accuracies of four used non-parametric modeling methods: RF, Cubist, MARS and ANNs and was evaluated by “Leave-one-out” cross validation via criteria such as coefficient of variation (R2), root mean square error (RMSE) and bias. Results: The results showed the accuracy of AGC estimates in LD site was better than HD site. The comparison of used modeling methods revealed that there are not significant difference in performances and accuracies of used non-parametric approaches. In additional, using the total plots from two test sites in one model caused the increase the results for HD site estimates. Conclusion: Results showed R2 and relative RMSE values of approximately 0.7 and 32% crossvalidated (combined two studied sites) for modeling AGC using Landsat derived variables, which reveals the high potential of Landsat 8 images and non-parametric modeling methods for quantifying AGC in cost and time saving approach for Zagros forests.