برآورد زي‌تودۀ چوبي روي زميني توده‌هاي راش در جنگل‌هاي شمال ايران با استفاده از داده‌هاي سنجندۀ OLI (مطالعۀ موردي: بخش‌هاي گرازبن و نم‌خانه، جنگل خيرود)

Estimation of aboveground woody biomass of Fagus orientalis stands in Hyrcanian forest of Iran using OLI data (Case study: Gorazbon and Namkhaneh Districts, Kheyrud Forest)

در اين پژوهش قابليت داده‌هاي سنجندۀ OLI ماهوارۀ لندست 8 براي برآورد زي‌تودۀ چوبي روي زميني درختان توده‌هاي راش هيركاني بررسي شده است. كيفيت تصاوير از نظر وجود خطاهاي هندسي و نيز لكه‌هاي ابر بررسي شد. پردازش‌هايي مانند تحليل مؤلفۀ اصلي، تبديل تسلدكپ، نسبت‌گيري و ادغام به دو روش تحليل مؤلفۀ اصلي و تبديل فضاي رنگ بر روي تصوير منطقۀ تحقيق انجام گرفت. 65 قطعه نمونۀ مربع‌شكل، هر كدام به ابعاد 45×45 متر در جنگل برداشت شد و از 45 قطعه نمونه براي مدلسازي با استفاده از روش آماري پارامتريك رگرسيون چندمتغيرۀ خطي به‌روش گام‌به‌گام استفاده شد. اعتبارسنجي با استفاده از 20 قطعه نمونۀ باقي‌مانده انجام گرفت. بررسي ضريب همبستگي پيرسون بين زي‌تودۀ روي زميني در قطعه‌هاي نمونۀ زميني و ارزش‌هاي طيفي متناظر در باندهاي اصلي و محاسباتي نشان مي‌دهد كه مؤلفۀ اول حاصل از تحليل مؤلفۀ اصلي بر روي باندهاي 1 تا 7، بيشترين همبستگي را با زي‌تودۀ روي زميني دارد. اجراي رگرسيون چندمتغيرۀ خطي به‌روش گام‌به‌گام بين زي‌تودۀ روي زميني و تمام متغيرهاي دورسنجي نشان داد كه اين مؤلفه، مؤثرترين متغير در برآورد زي‌تودۀ چوبي روي زميني توده‌هاي راش در جنگل‌هاي منطقۀ تحقيق است. مدل يك‌متغيرۀ خطي شامل اين مؤلفه، داراي مقدار ضريب تعيين تعديل‌شدۀ 0/122، درصد مجذور ميانگين مربع خطاي محاسبه‌شدۀ 14/3 درصد و انحراف 1/18 درصد است. ازآنجا كه برآورد و پايش زي‌توده به‌طور اجرايي به‌طور معمول در سطوح كوچك جنگل متداول نيست، خطاي مدل را مي‌توان براي برآورد زي‌توده در سطوح به نسبت وسيع مانند حوضه‌هاي آبخيز قابل قبول دانست.

In the current study, the capability of OLI-Landsat 8 data was investigated for estimating the tree above-ground woody biomass (AGWB) in Hyrcanian Fagus orientalis stands. The quality of images in term of geometric error and existing cloud was surveyed. Principle component analysis (PCA), tasseled cap transformation, rationing and fusion in both PCA and color transform approaches were employed on the images. 65 square sample plots (45×45 m2) were established in the study area and 45 sample plots were used for modeling with multiple linear regression (MLR) as stepwise. The model was validated with remaining 20 sample plots. Pearson correlation results showed most relationship between tree AGWB and corresponding spectral responds from PCA on spectral bands of 1 to 7. The same result was observed using MLR. So, this component was the most efficient variable in tree AGWB estimation in pure Fagus stands in the study area with adjusted-R2= 0.122, RMSE=14.3%, and bias=1.8%. The error of this model can be accepted on the large scale such as watersheds.