كاربرد مدل رقومي سطح (DSM) در برآورد حجم سرپاي جنگل با استفاده از روش‌هاي رگرسيون و شبكه‌ عصبي مصنوعي

Application of Digital Surface Model for Estimating Forest Stand Volume Using Regression Methods

آماربرداري زميني براي برآورد حجم اگرچه دقيق‌ترين داده‌ها را براي اهداف مديريتي و پژوهشي مهيا مي‌كند، اما پرهزينه و وقت گير است. تاكنون راهكار‌هاي مختلفي براي كاهش حجم عمليات زميني در آماربرداري ارايه شده‌اند كه هر يك داراي مزايا و معايبي هستند. در پژوهش حاضر رهيافت جديدي براي برآورد حجم پيشنهاد و مورد ارزيابي قرار گرفته است. اين رهيافت بر اساس اين ايده است كه تغييرات ارتفاع درختان در قطعه نمونه به عنوان يك متغير مستقل، برآورد حجم سرپاي نمونه را ممكن مي‌سازد. به اين منظور تعداد 150 قطعه نمونه‌ي زميني با شبكه‌ي تصادفي منظم به ابعاد 400×300 متر برداشت و حجم سرپا در آنها محاسبه گرديد. مدل رقومي سطح براساس تصاوير هوايي UltraCamD در ابعاد 1 تا 10 متر با بازه‌هاي 1 متري استخراج گرديد. در محل قطعه نمونه‌ها، انحراف معيار و دامنه‌ي مدل رقومي سطح محاسبه و به عنوان متغير وابسته در نظر گرفته شد. به منظور مدل سازي از روش‌هاي مدل‌سازي رگرسيوني شامل خطي و تواني استفاده شد. به علاوه از پرسپترون تك لايه به عنوان يك روش مدل سازي شبكه عصبي مصنوعي استفاده گرديد. نتايج نشان داد كه انحراف معيار بهتر از دامنه بود و بهترين ابعاد پيكسل برآي برآورد حجم سرپا 5 متر به دست آمد. با توجه به آماره‌هاي مختلف محاسبه شده براي ارزيابي و مقايسه‌ي روش‌هاي مدل‌سازي، مدل پرسپترون تك لايه و رگرسيون خطي نتايج مناسب‌تري نسبت به ساير روش‌ها نشان دادند. اريبي نسبي و جذر ميانگين مربعات خطاي نسبي برآورد حجم سرپا به ترتيب 2 و 47 درصد بود.

Ground inventory provides most accurate data for management purposes in forestry, but it is costly and time consuming. Up to now, various approaches has been proposed for reducing the amount of ground inventory. In this paper, a new approach had proposed and tested for estimating forest stand volume. The approach is based on this idea that forest volume can be estimated by variation of trees height at sample plots. For this aim 150 circular sample plots with systematic random design were collected. The DSM has been extracted from UltraCamD images with 1 to 10 m size by 1m span. Corresponded to ground samples, standard deviation and range of DSM had extracted. In order to modeling, different regression methods and one layer perceptron were used. The results showed that standard deviation of 5 m DSM was the most appropriate data for modeling. Perceptron and linear regression were better than other modeling methods. At best, Bias and RMSE of forest volume were 2 and 47 percent, respectively.