برآورد زي توده روي زميني درختان جنگل با استفاده از تصويرهاي نوري و راداري (مطالعه موردي: حوضه ناو اسالم گيلان)

Estimation of aboveground biomass using optical and radar images (Case study: Nav-e Asalem forests, Gilan)

استفاده از داده هاي سنجش از دور يكي از روش هاي كاربردي در برآورد مقدار زي توده گياهي است. در اين پژوهش، داده هاي راداري ماهواره آلوس-2، با قطبش كامل و تصويرهاي نوري ماهواره سنتينل-2، براي برآورد زي توده روي زميني درختان در جنگل هاي سري يك حوضه ناو اسالم گيلان استفاده شد. مقدار بازپراكنش در قطبش هاي مختلف، خصوصيات بافت و ويژگي هاي تجزيه هدف از تصويرهاي راداري و باندهاي اصلي و مصنوعي به دست آمده از تصويرهاي نوري در سه تركيب مختلف شامل تصويرهاي راداري، تصويرهاي نوري و تركيب تصويرهاي راداري و نوري، به عنوان ورودي هاي مدل شبكه عصبي مصنوعي و رگرسيون خطي چندگانه درنظر گرفته شدند. به منظور اندازه گيري زميني زي توده از 149 قطعه نمونه استفاده شد. ارزيابي شبكه هاي عصبي و رگرسيون خطي چندگانه با استفاده از آماره هاي R2 و RMSE نشان داد كه در تمامي حالت ها مدل شبكه هاي عصبي نسبت به رگرسيون خطي كارايي بهتري در برآورد زي توده روي زميني درختان داشت. نتايج بهترين شبكه عصبي نشان داد كه تركيب داده هاي نوري و راداري با مقدار R2 و RMSE به ترتيب 0/86 و 31/62 مگاگرم در هكتار (15/34 درصد) مي تواند زي توده درختي را برآورد كند. همچنين، نتايج استفاده از تصويرهاي راداري و نوري به طور مجزا نشان داد كه مقدار R2 و RMSE براي مدل سازي زي توده توسط تصويرهاي راداري به ترتيب 0/57 و 49/17 مگاگرم در هكتار (23/85 درصد) و براي تصويرهاي نوري 0/72 و 39/53 مگاگرم در هكتار (19/17 درصد) بود كه نشان دهنده برتري مدل سازي زي توده روي زميني توسط تصويرهاي نوري بود. نتايج كلي نشان از برآوردهاي دقيق تر زي توده در صورت استفاده هم زمان از تصويرهاي راداري و نوري و استفاده از مدل شبكه عصبي مصنوعي داشت.

Using remote sensing data is an applied method to estimate above ground biomass. In this study، satellite radar data of ALOS-2، with the full polarization and the optical data of Sentinel-2، has been used to estimate the aboveground biomass in the Nav-e Asalem forests، Gilan province. The backscattering coefficients at different polarization، the texture measures and target decomposition features of SAR images، obtained original and synthetic bands from optical images in three different combinations of radar images، optical images and the composition of radar and optical images، as inputs to the Artificial Neural Network (ANN) and Multiple Linear Regression (MLR) models were used. In order to measure aboveground biomass، 149 sample plots were laid out. Evaluation of ANN and MLR models using R2 and RMSE statistics showed that in all cases the ANN was better performance to estimate the aboveground biomass than MLR. The best results showed that the ANN from combined optical and radar data with R2 and RMSE، 0.86 and 31.62 Mg/ha (15.34%)، respectively، can be the best applied method to estimate the aboveground biomass. The results of radar images and optical separately، with the R2 and RMSE for the modeling of aboveground biomass have been shown، respectively، 0.57 and 49.17 Mg/ha (23.85%) by radar images and 0.7 and 39.53 Mg/ha (19.17%) by the optical images، superior modeling to estimate aboveground biomass represents by optical imaging. The overall and more accurate results to estimate of aboveground biomass have been shown when we used combined radar and optical images with the ANN model.