برآورد موجودي سرپاي جنگل بااستفاده از داده‌هاي ليدار فضايي ICESat/GLAS در جنگل‌هاي كوهستاني شمال ايران

Estimation of Forest Stand Volume Using ICESat/GLAS Data in Mountainous Forests in the North of Iran

اندازه‌گيري موجودي سرپاي جنگل يكي از متغيرهاي كمّي مهم است كه نقش بسياري در برنامه‌ريزي و مديريت جنگل دارد. در اين تحقيق، تلاش شد تا اين ويژگي در بخشي از جنگل‌هاي كوهستاني شمال ايران (نوشهر)، بااستفاده از داده‌هاي ليدار فضايي برآورد شود. بدين منظور، طي پيش‌پردازش‌هاي اوليه روي داده‌هاي ICESat/GLAS از دو ماموريت متفاوت (L3K و L3I)، ضمن حذف داده‌هاي نامطلوب، سنجه‌هاي گوناگوني همچون گستره شكل‌موج (Wext)، گستره لبه پيشتاز (Hlead)، گستره لبه پشتي (Htrail) و سنجه‌هاي ارتفاع در چارك‌هاي انرژي (25H، 50H، 75H و 100H) از شكل‌موج‌ها (waveform) استخراج شد. همچنين، با استفاده از روش تحليل مولفه‌هاي اصلي (PCA) روي شدت سيگنال‌هاي شكل‌موج، ضمن حذف نويزها و فشرده‌سازي اطلاعات، مولفه‌هاي جديدي توليد و به‌كار گرفته شد. با توجه به كوهستاني و شيب‌دار بودن منطقه و تاثير آن در ويژگي‌هاي شكل‌موج، از مدل رقومي ارتفاع براي استخراج شاخص زميني (TI) كه بيانگر اطلاعات مربوط به توپوگرافي زمين است، استفاده شد. به‌منظور توسعه مدل‌هاي رگرسيوني و اعتبارسنجي آنها، حجم سرپا در 60 قطعه‌نمونه زميني به قطر هفتاد متر اندازه‌گيري شد. سپس مدل‌هاي رگرسيون چندگانه و شبكه عصبي مصنوعي براساس دو دسته متغير شامل سنجه‌هاي استخراج‌شده از شكل‌موج و مولفه‌هاي حاصل از PCA براي برآورد حجم سرپا توسعه داده شدند و به‌روش اعتبارسنجي متقابل پنج‌گردشي ارزيابي شدند. به‌طوركلي، هر دو روش رگرسيون چندگانه و شبكه عصبي مصنوعي نتايج تقريباً مشابهي داشتند. در اين ميان، روش شبكه عصبي مصنوعي براساس مولفه‌هاي حاصل از PCA قادر بود موجودي سرپاي جنگل را با m3/ha9/119=RMSE و 73/0= R_a^2 برآورد كند (6/26=RMSE%). يكي از نكات مثبت اين مدل درمقايسه با ديگر مدل‌ها، وابسته نبودن متغيرهاي ورودي به‌كاررفته (1PC، 2PC، 3PC و Wext)، به شناسايي صحيح قله زمين است كه در مناطق شيب‌دار مشكل و با خطا همراه است. نياز نداشتن به داده كمكي (مدل رقومي ارتفاع) و برآورد صحيح‌تر حجم جنگل در قطعه‌نمونه‌هاي تنك با موجودي سرپاي كم از ديگر نكات مثبت اين مدل است.

Forest volume as an important factor in forest management was aimed to be measured in mountainous forests in the North of Iran using spaceborne LiDar. Two missions of GLAS (L3K and L3I) were preprocessed to remove inappropriate waveforms. Several waveform metrics including waveform extent (Wext), lead edge extent (Hlead), trail edge extent (Htrail) and quartile heights (H25, H50, H75 and H100) were extracted. Principal component analysis (PCA) was also applied to reduce noises from waveform signals and produce new components (PCs). In order to decrease the effect of terrain slope on waveforms, terrain index (TI) describing topographic information was extracted from a digital elevation model (DEM). Forest stand volume was measured on 60 circle plots with diameter of 70 m for developing volume models and their validation. Multiple regression and artificial neural network models were built based on two sets of variables including waveform metrics and PCs. Generally, both multiple regression and neural network methods produced approximately the same result. A neural network combining three first PCs of PCA and Wext estimated forest volume with an RMSE and R_a^2 of 119.9 m and 0.73, respectively (RMSE%=26.6). Interesting points regards to this model is employing PCs and Wext as input variables which are not affected by terrain slope, achieving slightly better accuracy without adding any ancillary data (DEM), and showing better performance in short sparse stands in comparison with other developed models. Keywords: Forest stand volume, Spaceborne LiDar, ICESat GLAS, Multiple regression, Artificial neural network.