مدل سازي تنوع گونه‌هاي درختي در جنگل‌هاي سري گردشي با استفاده از تصاوير GeoEye (مطالعه موردي: سري گردشي ساري)

Tree species diversity monitoring using GeoEye satellite image in Gardeshi forest District

سابقه و هدف: شناخت ارتباط بين حفظ تنوع زيستي و فرآيندهاي اكوسيستم، به عنوان يكي از مباحث اصلي در پژوهش‌هاي بوم شناسي مي‌باشد. جنگل‌ها يكي از منابع طبيعي با ارزش كره زمين مي‌باشد كه نقش مهمي در تعادل اكولوژيكي و زندگي جوامع انساني دارد. تنوع گونه-هاي درختي يكي از پارامترهاي كليدي به منظور توضيح اكوسيستم‌هاي جنگلي در مديريت همگام با طبيعت مي‌باشد. مدلسازي و تهيه نقشه تنوع درختي ابزاري مفيد براي حفاطت و مديريت جنگل‌ها مي‌باشد. جنگل‌هاي خزري، از نظر تنوع درختي، غني‌ترين جنگل‌هاي ايران مي‌باشد كه طي سال‌هاي اخير در معرض تغييرات شديد قرار گرفته است. يكي از مهمترين و به صرفه‌ترين راه‌ها جهت كسب اطلاع از تنوع درختي استفاده از تصاوير ماهواره‌اي مي‌باشد. هدف از اين مطالعه تعيين قابليت تصاوير GeoEye در پايش تنوع درختي در جنگل‌هاي سري گردشي واقع در استان مازندران مي‌باشد. مواد و روش‌ها: بدين منظور ابتدا با استفاده از آماربرداري زميني تعداد 150 قطعه نمونه با ابعاد 30 در 30 متر برداشت گرديد. سپس شاخص-هاي شانون – وينر، سيمپسون و عكس سيمپسون در هر قطعه نمونه محاسبه گرديد. پيش‌پردازش و پردازش‌اي لازم همانند تجزيه مولفه اصلي، ساخت شاخص‌هاي گياهي و آناليز بافت بر روي تصاوير انجام شد. براي مدلسازي از روش‌هاي درخت طبقه‌بندي و رگرسيوني، جنگل تصادفي، واريانت‌هاي مختلف نزديك‌ترين همسايه و كرنل‌هاي مختلف ماشين بردار پشتيبان استفاده شد. از 70 درصد از نمونه‌هاي تعليمي براي مدلسازي استفاده شد. سپس بهترين باندها براي مدلسازي انتخاب گرديد. ارزيابي مدل‌ها با استفاده از 30 درصد نمونه‌ها انجام شد. سپس بهترين مدل‌ها براي هر قسمت مشخص گرديد. يافته‌ها: نتايج نشان داد از بين شاخص‌ها توليد شده، باند مادون قرمز و باندهاي مصنوعي حاصل از آن، به‌عنوان بهترين باند جهت مدلسازي تشخيص داده شد. كرنل RBF از روش ماشين بردار پشتيبان با ضريب تبيين 58 درصد و ريشه ميانگين مجذور خطاي نسبي 46 درصد براي مدلسازي شاخص تنوع شانون وينر از ميان مدل‌هاي فوق داراي بهترين نتيجه بود. همچنين روش جنگل تصادفي با ضريب تبيين 54 و 57 درصد و ريشه ميانگين مجذور خطاي نسبي حدود 48 و 14 درصد به ترتيب براي روش‌هاي سيمپسون و عكس سيمپسون داراي بهترين نتيجه بود. نتيجه‌گيري: نتايج نشان داد داده‌هاي ماهواره GeoEye داراي قابليت نسبتا مناسبي در برآورد تنوع درختي در جنگل‌هاي سري گردشي مي‌باشد. از مدل‌هاي مورد استفاده روش جنگل تصادفي براي دو حالت و كرنل RBF روش ماشين بردار پشتبان در يك حالت داراي بهترين نتيجه بود. در مجموع نتايج نشان داد از اين داده‌هاي مي‌توان جهت مديريت، حفاظت و پايش تنوع درختي در جنگل‌هاي شمال كشور استفاده نمود.

Background and Objectives: Understanding the link between conservation of biodiversity and ecosystem processes is one of the main issues in ecological research. Forests are one of the valuable natural resources of the planet, which plays an important role in the ecological balance and the lives of human societies. Tree species diversity is a key parameter to describe forest ecosystems in close-to-nature forest management. Modeling and mapping of tree diversity are a useful tool for conservation and management of forests. Hyrcanian forest, In terms of tree diversity, the richest forests in Iran during recent years has been subject to Extreme changes. Ecologists in recent decades have been paying more attention to estimating tree diversity through quick and non-destructive methods. Integrating remote-sensing data with ground data can be a suitable method for this purpose. The aim of this study is determination of GeoEye satellite image capability for tree species diversity monitoring in Gardeshi forest District. Materials and Methods: For this purpose, using field sampling, 150 samples with 30×30 dimension were taken. Then the Shannon-Weiner, Simpson and Simpson index were calculated in each plots. Preprocessing and processing include principle component analyze, vegetation index and texture analyze carry out in the satellite image. 70% of training samples were used for modeling. For modeling, classification and regression tree methods, Random forest, different variants of the nearest neighbor and different kernels of machine support vector were used. The best bands were selected for modeling. Models were evaluated using 30% of the samples. Then the best models were specified for each diversity index. Results: The results showed that among the indices, the Near-Infrared band and derived texture analyses bands extracted from Near Infrared band were selected as the best band for modeling. The results showed RBF kernel of SVM with a 58% determined coefficient and a root mean square error of 46% and Relative bias of 1.9% for the Simpson Model was the best. Also, for the Shannon Wiener Diversity index the highest results with the determined coefficient of 54.4 percent and relative bias of 0.06 percent, was related to sigmoid kernel. Conclusion: The results showed that GeoEye-1 satellite data lacked satisfactory results in estimating tree diversity in circular forest forests. The models used by the RBF kernel method and the Sigmoid kernel method had the best result in the carrier vector machine method.