ارزيابي اثر شدت نمونه‌برداري زميني در برآورد مشخصه‌هاي كمي جنگل با استفاده از تلفيق داده‌هاي ليدار و اولتراكم

Assessing Effect of Ground Sampling Intensity on Estimating Forest Quantitative Characteristics Using Fusion of Airborne Laser Scanner Data and UltraCam-D Images

سابقه و هدف: هدف از اين تحقيق كاهش تعداد قطعات نمونه مورد استفاده در مدل سازي مشخصه هاي حجم سرپا، رويه زميني و تعداد درختان در هكتار با استفاده از الگوريتم هاي رندوم فورست، ماشين بردار پشتيبان و k-NN در بخشي از جنگلهاي پهن برگ شصت كلاته گرگان است. | مواد و روش ها: در اين مطالعه، 308 قطعه نمونه دايرهاي شكل به مساحت 10 آر، به روش منظم تصادفي با شبكه آماربرداري به ابعاد 150x200 متر و با شدت 3/33، 1/66 و 0/83 درصد در جنگل مورد مطالعه پياده شد. علاوه بر اين، در دو پارسل 16 و 21 سري يك، 134 قطعه نمونه دايره اي شكل به مساحت 10 آر به روش منظم تصادفي و با شبكه اي به ابعاد 100×75 متر با شدت 13/3 و 6/66 درصد پياده گرديد. مشخصه هاي حجم سرپا، رويه زميني و تعداد درختان در هكتار براي تمامي قطعات نمونه محاسبه شد. پس از حذف تمامي نقاط پرت و تهيه مدلهاي DTM و DSM تمامي شاخص هاي آماري ارتفاعي و تراكمي از داده هاي ليدار تهيه شد. همچنين پس از تهيه تصاوير ارتو رقومي هوايي، با آناليز بافت شاخصهاي بافت مربوط به همه باندها نيز ايجاد گرديد. يافته ها: نتايج حاصل از اين تحقيق نشان داد كه با كاهش شدت نمونه برداري از 3/33 به 1/66 و سپس به 0/83 درصد، درصد مجذور مربعات خطا در تمامي مشخصه هاي مورد بررسي افزايش يافت اما مقدار اين افزايش خيلي كم بود با توجه به اين كه در مقايسه با شدت نمونه برداري 3/33 درصد، در نمونه برداري با شدت نمونه برداري 0/83 درصد، به تعداد قطعات نمونه كمتري نياز است و بين مجذور مربعات خطا اين دو شدت نمونه برداري تفاوت معني داري مشاهده نشد از اين رو نمونه برداري با شدت 0/83 درصد و با استفاده از تلفيق داده هاي ليدار و اول تراكم براي برآورد حجم سرپا، تعداد درختان در هكتار و رويه زميني توصيه مي شود. نتيجه گيري: بنابر اين، امكان برآورد مشخصه هاي حجم سرپا، رويه زميني و تعداد درختان در هكتار با شدت نمونه برداري كمتر از 3/33 درصد، با حداقل هزينه و دقت مناسب با استفاده از داده هاي ليدار و تصاوير دوربين رقومي هوايي وجود دارد.

Background and objectives: In this study we evaluated the effect of reduce the number of plots on estimation of stand volume, tree density and basal area using random forest, support vector regression and k-NN algorithms for the part of Shast Kalate of Gorgan. Materials and methods: We applied a systematic random sampling method to collect field data with 150×200 meter network (3.33%, 1.66% and 0.83% intensity sampling). Futhermore, 308 circular with 17.84 (0.1 ha) meters radius plot were measured in study area. In addition to the data collected, in the compartment number of 16 and 21 (13.3 and 6.66%), we applied a systematic random sampling method to collect field data with 75×100 meter network. Also, 134 plot circular with 17.84 (0.1 ha) meters radius were measured in 2 compartments. After removal of all outliers and creating DTM and DSM, all height and density related metrics of first and last pulse were produced. Also, after orthorectification digital aerial images, all texture measures were produced. Results: The results of comparison of intensity sampling in stand volume, tree density and basal area estimation using fusion Lidar data and Digital aerial images showed that with increasing intensity sampling, RMSE% is reduced and with reducing intensity sampling, the RMSE% is increased. Although the results of 3.33%, 1.66% and 0.83% intensity sampling were not very different but According to low difference in RMSE% of the resulting all intensity sampling (3.33%, 1.66% and 0.83%), the 0.83% intensity sampling recommended to estimate the stand volume, tree density and basal area. Conclusion: Therefore, there is a possibility of the estimation of stand volume, tree density and basal area using Laser scanner data and Ultra Cam-D images with minimum cost, reasonable accuracy and less plots compared to 3.33% intensity.