ارزيابي قابليت داده‌هاي SPOT5-HRG به‌منظور برآورد تراكم درختان در جنگلهاي زاگرس شمالي(مطالعه موردي: جنگلهاي شهرستان بانه)

با توجه به ساختار منحصر به‌فرد جنگلهاي زاگرس، در اين مطالعه سعي شده تا با استفاده از تصاوير ماهواره SPOT5-HRG، امكان برآورد تراكم درختان در بخشي از جنگلهاي بانه مورد بررسي قرار گيرد. به‌منظور جمع‌آوري داده‌هاي زميني يك شبكه آماربرداري به‌روش منظم با نقطه شروع تصادفي، شامل312 قطعه نمونه دايره‌اي شكل 1/0 هكتاري در عرصه پياده شد. پس از پردازش تصوير، ارزش‌هاي متناظر قطعات نمونه زميني از تصاوير اصلي و باندهاي حاصل از شاخص‌هاي گياهي و مولفه‌هاي حاصل از تجزيه مولفه‌هاي اصلي، استخراج شدند. با استفاده از تحليل رگرسيوني چندمتغيره و روش گام به گام رابطه بين مشخصه تعداد در هكتار به‌عنوان متغير وابسته و 4 باند اصلي و 16 باند مصنوعي به‌عنوان متغيرهاي مستقل بررسي شد. امكان واردسازي داده‌هاي كمكي شيب، ارتفاع و جهت جغرافيايي به مدل نيز بررسي گرديد، اما نتايج معني‌داري حاصل نشد. با وجود اين، ارايه مدل رگرسيوني به‌تفكيك جهت‌هاي جغرافيايي سبب تغييراتي در نتايج گرديد. در مدل كلي پيشنهادي براي جنگلهاي مورد مطالعه، متغيرهاي مستقل شامل مولفه دوم حاصل از تجزيه مولفه‌هاي اصلي (PCA2) و طول موج قرمز (B2) مي‌باشند (26/0 = R2 adj، %4/57 = %RMSE، %24/6- = %Bias). در مدل پيشنهادي براي جنگلهاي دامنه‌هاي شمالي، جنوبي، شرقي و غربي، متغيرهاي مستقل به‌ترتيب شامل PCA2 و شاخص گياهي Ratio، PCA2 و شاخص گياهي AVI، باند B1 (طول موج سبز)، شاخص‌هاي گياهي PVI و AVI و طول موج مادون قرمز نزديك (B3) و ضريب تبيين اصلاح شده بين ريشه دوم تعداد در هكتار و متغيرها به‌ترتيب برابر 31/0، 34/0، 19/0 و 42/0 مي‌باشند. نتيجه سنجش اعتبار مدل‌هاي پيشنهادي حكايت از مناسب بودن مدلها دارد‏‏، اما به‌دليل كم بودن ضريب تبيين مدل‌ها‏، به‌منظور برآورد بهتر مشخصه تعداد در هكتار، بايد راهكارهاي ديگر را نيز دنبال نمود.

Quantitative attributes of forest stands are valuable data that are very important for the evaluation of forest resources. Regarding to unique structure of Zagros forests, we tried to predict tree density using SPOT5-HRG satellite data in this study. A systematic random grid consisting of 319 circle plots (0.1 ha) were used to collect field data. Spectral values related to field plots were extracted from original and the artificial bands composed of vegetation indices and principle component analysis. Ancillary data such as slope, aspect and elevation were also used. Multiple regression and stepwise method were used to predict tree density from 4 original spectral bands and 16 artificial bands as independent variables. Ancillary data didnʹt improve the results. For considering geographic aspects effects, the study also was done for different aspects, separately. In the general model, predictive variables were PCAC2 (the 2nd component of PCA) and B2 (Red band) with the adjusted coefficient of determination of 0.26%. In the suggested models for the northern, southern, eastern and western forests, independent variables are PCAC2, Ratio; PCAC2, AVI; B1 and PVI, AVI, B3, with the adjusted coefficient of determination of 31%, 34%, 19% and 42%, respectively. The Results of model validation tests showed that all of the presented equations had a reliable validation and are useful for this area, however, for better estimation of tree density, we should find the other approaches.