برآورد زيست توده جنگل با استفاده از تصاويرماهواره‌اي SAR و اپتيك

Forest Biomass Estimation Using SAR and Optical Images

زيست توده جنگل‌ها و تخمين مقدار آن نقش بسزايي در تغييرات آب و هوا دارد. بدليل محدوديت و زمانبر بودن روش‌هاي زميني در تخمين زيست توده، روش‌هاي سنجش از دور جايگزين موثري براي روش‌هاي زميني مي باشد. در اين تحقيق به منظور بهبود دقت برآورد ميزان زيست توده جنگل نسبت به پژوهش‌هاي پيشين، از تصوير اپتيك AVNIR-2 و تصوير راداري PALSAR ماهواره‌ي ALOS و همچنين از داده‌هاي زميني دانشكده كشاورزي دانشگاه تهران مربوط به منطقه‌ي شمالي خيرودكنار استفاده شده است. مراحل انجام اين پژوهش را مي‌توان در سه مرحله بيان كرد:ا 1- استخراج ويژگي‌ها از تصاوير، 2 – انتخاب ويژگي به كمك الگوريتم ژنتيك، 3 - برآورد زيست توده با شبكه عصبي و آناليز رگرسيون از ويژگي هاي انتخابي مي باشد. ارزيابي نتايج حاصل از اعمال شبكه عصبي و آناليز رگرسيون بر روي متغيرهاي انتخاب شده توسط الگوريتم ژنتيك، بيانگر دقت بالاي ?? درصد توسط شبكه عصبي و دقت حدود 15 درصد توسط آناليز رگرسيون در تخمين مقدار زيست توده است. به همين خاطر استفاده از شبكه عصبي به نحوي كه در اين تحقيق استفاده شده، براي جنگل‌هاي شمالي و با ساختار پيچيده پيشنهاد مي‌گردد.

Forest biomass and estimate its value has a significant role in climate change. Because of land constraints and time-consuming methods to estimate biomass, using remote sensing is an effective alternative to terrestrial methods. In this study, in order to improve the accuracy of estimates of forest biomass to earlier research, optical image AVNIR-2 and PALSAR radar satellite ALOS images used with data from ground-based College of Agriculture, Tehran University of North region Kheiroudkenar. This stude procedure respectively 1 - features extraction from images, 2 - select features using genetic algorithms, 3 - Biomass estimated with features selected by regression analysis and neural networks. Evaluating the results of the application of neural networks and regression analysis on the features selected by genetic algorithms, neural networks represent the accuracy over 70 percent and regression analysis represent the accuracy to about 15 percent. For this reason, the use of neural networks in a way that has been used in this study for the northern forests and the complex structures is recommended.