ارزيابي امكان برآورد برخي مشخصه هاي كمي جنگل هاي زاگرس با استفاده از تصاوير ماهواره IRS-P6 (مطالعه موردي: جنگل هاي شهرستان بانه)

Evaluation of capability of IRS-P6 satellite data for predicting quantitative attributes of forests (case study: Northern Zagros forests)

هدف از تحقيق حاضر، بررسي امكان برآورد مشخصه هاي تراكم (تعداد پايه در هكتار) و سطح مقطع درختان با استفاده از تصاوير سنجنده هاي LISS-III و ‍PAN ماهواره IRS-P6، در بخشي از جنگل هاي زاگرس شمالي در شهرستان بانه استان كردستان است. به منظور جمع آوري داده هاي زميني از يك شبكه آماربرداري به روش منظم تصادفي شامل312 قطعه نمونه دايره‌اي شكل 1/0 هكتاري استفاده شد. تصحيح هندسي تصاوير با استفاده از 29 نقطه كنترل به روش چندجمله اي با خطاي 81/6 متر انجام شد. پس از پردازش تصاوير، ارزش هاي متناظر قطعه هاي نمونه زميني (آماره‌هاي ميانگين، انحراف معيار و دامنه) به عنوان متغير مستقل از تصاوير اصلي، شاخص هاي گياهي متناسب و مولفه هاي حاصل از تحليل مولفه هاي اصلي استخراج و تعداد در هكتار و سطح مقطع به عنوان متغير وابسته در نظر گرفته شدند. با استفاده از تحليل رگرسيوني چندگانه و روش گام به گام بهترين مدل هاي رگرسيوني توليد و با در نظر گرفتن معيارهاي ريشه دوم ميانگين مربعات خطا (RMSE)، اريبي (Bias)، همبستگي و مقدار F، مدل مناسب انتخاب شد. ضريب تعيين بهترين مدل برآوردكننده سطح مقطع و تراكم به ترتيب 42/0 و 31/0 با استفاده از متغيرهاي پيش بيني كننده (باندهاي اصلي و شاخص هاي گياهي) حاصل شد. مقادير RMSE و اريبي بهترين مدل ها به ترتيب 40 و 27/1 درصد براي سطح مقطع و 46 و 5/9 درصد براي مشخصه تعداد در هكتار به دست آمد. افزودن داده هاي كمكي فيزيوگرافي سبب بهبود مدل هاي به دست آمده نشد.

The aim of this research was to predict tree density and basal area using IRS-P6 satellite data in the northern Zagros forests. A random-systematic sampling grid consists of 312 circular sample plots (each plot, 0.1 ha) were used to collect field data. The images were georeferenced using 29 ground control points. Spectral values related to field plots were extracted from original and synthetic bands composed of vegetation indices, principle component analysis and data fusion. Ancillary data such as slope, aspect and elevation are also extracted. Multiple regression and stepwise method were used to predict tree density and basal area from original and synthetic bands as independent variables. The best models (at first just original bands and then combined of original and synthetic bands) were selected using RMSE, Bias, Correlation and the F values (the best model for tree density: R2adj = 0.31 & for basal area: R2adj = 0.38). Using slope, aspect, and elevation ancillary data did not improve the results.