برآورد ارتفاع تاج­پوشش جنگل با استفاده از داده­های ICESat GLAS (مطالعۀ موردي: جنگل­های کجور)

تعداد178صفحه در فایل word

برآورد ارتفاع تاج­پوشش جنگل با استفاده از داده­های ICESat GLAS

(مطالعۀ موردي: جنگل­های کجور)

دکتری در رشتۀ جنگلداری

چکیده

ارتفاع درخت يكي از متغيرهاي كمي مهم در زيست­­سنجي جنگل است و از آن برای تعیین حجم، زی­توده، تهیۀ جدول محصول و تعیین حاصلخیزی رویشگاه یا قدرت تولید یک گونه استفاده می­شود. اندازه­گیری این مشخصه در جنگل مستلزم صرف زمان و هزينۀ زياد است. در مقابل داده­هاي دورسنجی ليدار، امکان اندازه­گيري ارتفاع را از طريق
اندازه­گيري فاصلۀ سنجنده تا پديده يا سطح مورد ديد فراهم مي­آورد. از اين­رو در این پژوهش، قابليت داده­های لیدار فضایی ICESat GLAS براي برآورد حداکثر ارتفاع تاج­پوشش و ارتفاع لوری در 60 تودۀ 4/0 هکتاری در دو پروفیل ارتفاعی از جلگه تا حد بالایی جنگل در محل لکه­های زمینی لیدار در جنگل­هاي کجور شمال ايران بررسی شد. به اين منظور، ابتدا طیپیش­پردازش­های اولیه روی داده­های لیدار از دو مأموریت مختلف (L3K و L3I)، داده­های نامطلوب (مانند شکل­موج­های اشباع­شده یا متأثر از ابر) حذف و شکل­موج­هایی که حاوی اطلاعات صحیح و قابل استفاده بودند، حفظ شد. علاوه بر این، پردازش­هایی مانند تحلیل مؤلفه­های اصلی (PCA) و تبدیل موجک (WT) به­منظور حذف نویزها و استخراج هرچه بهتر اطلاعات از شکل­موج­ها صورت گرفت. همچنین سنجه­های مختلفی نظیر گسترۀ شکل­موج (W_ext)، گسترۀ لبه پيشتاز (H_lead)، گسترۀ لبه پشتي (H_trail) و سنجه­های ارتفاع در چارک­های انرژی (₂₅H، ₅₀H، ₇₅H و ₁₀₀H) از شکل­موج­ها استخراج شد. با توجه به کوهستانی و شیب­دار بودن منطقه و تأثیر آن بر ویژگی­های شکل­موج، از مدل رقومی زمین (DEM) برای استخراج شاخص زميني (TI) که بیانگر اطلاعات مربوط به توپوگرافی زمین است، استفاده شد. از روش مستقيم (اختلاف بين سيگنال آغازين و قله زمين) و مدل­هاي رگرسيوني پارامتری (رگرسیون چندگانه) و غیرپارامتری(رندوم­فارست و شبکۀ عصبی مصنوعی) براساس سه دسته متغیر شامل سنجه­های استخراج­شده از شکل­موج، مؤلفه­های حاصل از PCA ومؤلفه­های حاصل از WT، براي برآورد حداکثر ارتفاع تاج­پوشش و ارتفاع لوری استفاده شد. به­منظور توسعۀ مدل­هاي رگرسيوني و اعتبارسنجي آنها، 60 قطعه­نمونه به قطر هفتاد متر روی زمین در محل لکه­های زمینی لیدار اندازه­گیری شد. در هر قطعه­نمونه، قطر برابر سینۀ تمام درختان (cm 5/7 DBH >) و ارتفاع 10 درخت از بلندترين درختان اندازه­گيري شد. براساس روابط ارتفاع-قطر توسعه داده شده، ارتفاع همۀ درختان و سپس ارتفاع لوری در هر قطعه­نمونه محاسبه شد. از روش اعتبارسنجی متقابل پنج­گردشی برای ارزیابی اعتبار مدل­ها استفاده شد. حداکثر ارتفاع برآوردشده به­روش مستقيم داراي  و RMSE به­ترتيب 48/0 و 9/9 متر بود (5/27=RMSE%). در برآورد حداکثر ارتفاع تاج­پوشش، مدل­های رگرسیونی چندگانه و شبکۀ عصبی مصنوعی براساس سنجه­های شکل­موج بهترین نتایج را ارائه دادند. با استفاده از یک مدل رگرسیون خطی چندگانه با مجموعه سنجه­های _(5/1)W_ext، _(5/2)W_ext، ₁₀TI و ₅₀H، حداکثر ارتفاع تاج­پوشش با  و RMSE به­ترتیب 85/0 و 5 متر (8/13=RMSE%) برآورد شد. همچنین  با استفاده از یک مدل شبکۀ عصبی مصنوعی سه­لایه­ای با مجموعه متغیرهای W_ext، ₁₀TI و ₅₀H نیز، حداکثر ارتفاع با 4/5± متر خطا (15=RMSE%) برآورد شد. در برآورد ارتفاع لوری نیز، در کل مدل­های رگرسیونی چندگانه و شبکۀ عصبی مصنوعی براساس سنجه­های شکل­موج عملکرد بهتری داشتند، اما بهترین نتیجه با استفاده از یک مدل شبکۀ عصبی مصنوعی سه­لایه­ای براساس سه­مؤلفۀ اول PCA و سنجۀ W_ext، با  و RMSEبه­ترتیب 87/0 و 4/3 متر (4/12=RMSE%) به­دست آمد. نتايج اين پژوهش نشان داد که با استفاده از داده­هاي ليدار فضايي GLAS مي­توان حداکثر ارتفاع تاج­پوشش و ارتفاع لوری را حتی در مناطق شيب­دار با دقت رضايت­بخش، به­ويژه در سطوح وسيع، برآورد کرد.

واژه­های کلیدی: حداکثر ارتفاع تاج­پوشش، ارتفاع لوری، لیدار فضایی، ICESatGLAS، روش­های تجزیه­وتحلیل پارامتری و غیرپارامتری، جنگل کجور.