بهره گیری از رویکرد بوت استرپ برای مقایسه روش های مدل سازی آماری در برآورد سنجش ازدوری زی توده روی زمینی جنگل های زاگرس

Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 541

This Paper With 19 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_GIRS-11-2_003

تاریخ نمایه سازی: 4 شهریور 1399

Abstract:

پیشینه و هدف با توجه به اهمیت اکوسیستم های جنگل­ ها در پروژه­ های تعدیل تغییر اقلیم، روش­ های دقیق و کم هزینه برای برآورد زی­توده روی زمینی موردنیاز است. روش­ های معمول مورد استفاده برای برآورد زی­توده روی زمینی شامل اندازه ­گیری در عرصه، محاسبه زی­توده با استفاده از معادلات آلومتری و استفاده از فنون سنجش از دوری است. سنجش­ از دور به ­طور گسترده­ برای برآورد زی­توده جنگل­ ها در دهه ­های اخیر مورد استفاده قرارگرفته است. یکی از عوامل بسیار مهم در استفاده از داده­ های سنجش ­از دوری برای برآورد زی­توده روی­زمینی روش مدل­ سازی آماری مورد استفاده است. تعداد زیادی تحقیق در زمینه استفاده از روش­ های مدل ­سازی انجام شده است. به­ هرحال، این مطالعات با چالش­ های مختلفی روبرو هستند که برای مثال می ­توان به موارد زیر اشاره کرد: 1) هیچ روش مدل ­سازی به ­عنوان بهترین روش معرفی نشده است، 2) عملکرد این روش ­ها متاثر از نوع جنگل، ساختار جنگل و میزان آشفتگی­ های موجود است. 3) ارزیابی عملکرد و مقایسه نتایج آن ­ها با استفاده از آزمون نکویی برازش و روش ­های ارزیابی متقابل انجام گرفته است. با توجه به نقش انتخاب روش مدل­ سازی مناسب، مطالعه حاضر باهدف بررسی نه روش مدل­ سازی شامل رگرسیون خطی، مدل تجمعی تعمیم ­یافته، جنگل تصادفی، ماشین­ بردارپشتیبان، درختان رگرسیون تقویت شده، k-امین نزدیک ترین همسایه، مدل پردازش گوسی و رگرسیون اسپلاین تطبیقی چندگانه با استفاده از فرآیند بوت استرپ برای برآورد زی­توده روی زمینی جنگل ­های زاگرس با استفاده از تصویرهای لندست 8 انجام شد. مواد و روش­ ها مطالعه حاضر در جنگل­ های کرمانشاه که در غرب ایران درکوه ­های زاگرس واقع شده است با گونه درختی غالب بلوط­ انجام شد. جنگل­ های زاگرس اغلب به صورت تنک و باز بوده و حدود 20 درصد از سطح ایران و 40 درصد از مناطق جنگلی این کشور را شامل می­ شود. برای اجرای این مطالعه دو منطقه جنگلی با شدت دخالت های انسانی مختلف انتخاب شد: منطقه سرفیروزآباد با شدت تخریب بالا و منطقه جنگلی گهواره با حداقل تخریب. مختصات جغرافیایی این مناطق به ترتیب برای سرفیروزآباد و گهواره عبارتند از 33 درجه و 57 دقیقه تا 34 درجه و 4 دقیقه شمالی و 47 درجه و 3 دقیقه تا 47 درجه و 17 دقیقه شرقی، و 34 درجه 21 دقیق تا 34 درجه و 24 دقیقه شمالی و 46 درجه و 16 دقیق تا 46 درجه و 23 دقیق شرقی است. برای جمع ­آوری نمونه ­های زمینی در دو منطقه مورد مطالعه، از نقشه شاخص سطح برگ تهیه شده از تصویرهای لندست براساس مدل جهانی استفاده شد. هر دو منطقه به سه طبقه کم، متوسط و زیاد شاخص سطح برگ طبقه بندی شده و در هر طبقه موقعیت مکانی نمونه ­ها با استفاده از آماربرداری منظم در قالب یک شبکه 200×200 متر مشخص گردید. نمونه ­های زمینی به تعداد 124 نمونه مربعی شکل (63 نمونه در منطقه گهواره و 61 نمونه در منطقه سرفیروزآباد) با ابعاد 30×30 متر به اندازه پیکس­ل های تصویر لندست مورد استفاده برداشت شد. مقدار زی­توده روی زمینی هر درخت یا جست گروه توسط معادله آلومتری پیشنهاد شده برای گونه ­های بلوط جنگل­ های زاگرس محاسبه شد. معادله آلومتری مورد استفاده برای برآورد اندوخته زی­توده هر درخت یا جست گروه از دو قطر عمود بر هم تاج درختان استفاده می­ کند. از جمع اندوخته زی­توده تک تک درختان موجود در قطعه نمونه، مقدار قطعه زی­توده در سطح قطعه نمونه بر حسب تن در هکتار محاسبه شد. منطقه ­های مورد مطالعه در یک فریم از تصویرهای لندست 8 به شماره گذر 167 و شماره ردیف 36 قرار داشتند. یک تصویر لندست بدون پوشش ابرناکی مربوط به تاریخ 19 مرداد سال 1394 (10 آگوست 2015) مربوط به زمانی که تاجدرختان کاملا بسته بوده و نزدیک به زمان آماربرداری زمینی از سایت USGS دانلود شد. پیش ­پردازش تصویر مورد استفاده شامل تصحیحات رادیومتری و توپوگرافی به روش C اعمال شد که در مطالعات قبلی پیشنهاد شده است. برای برآورد زی­توده روی زمینی در منطقه ­های مورد مطالعه با استفاده از سنجش ­از دور، تعداد 38 متغیر طیفی شامل مقدار­های باندی، نسبت ­های ساده باندی، شاخص ­های گیاهی و تبدیل ­های خطی رایج مانند تسلدکپ و آنالیز مولفه ­های اصلی از تصویر لندست 8 مورد استفاده استخراج شدند. به طورکلی کارایی 9 روش مدل ­سازی آماری مختلف شامل روش­ های پارامتری (رگرسیون خطی)، نیمه ­پارامتری (مدل جمعی تعمیم ­یافته) و ناپارامتری (جنگل تصادفی، ماشین­بردار پشتیبان، k-امین نزدیک ترین همسایه، درختان رگرسیون تقویت شده، رگرسیون اسپلاین تطبیقی چندمتغیره، کوبیست و مدل پردازش گوسی) برای برآورد زی­توده روی زمینی مورد مقایسه قرار گرفت. ارزیابی مدل­ ها با استفاده از روش fold-10 و با 1000 مرتبه تکرار و با محاسبه دو آماره ضریب تبیین و جذر میانگین مربعات خطا انجام گرفت. این تعداد اطمینان از پایداری نتایج را تامین می کند. نتایج و بحث مشخصه­ های آماری اندازه ­گیری شده از قطعه نمونه ­های زمینی نشان داد که میانگین زی­توده روی زمینی برای منطقه ­های سرفیروزآباد و گهواره به ترتیب 12.6 و 20.5 تن در هکتار است. تجزیه واریانس نشان داد که اختلاف معنی داری در سطح 0.001 برای مشخصه­ های ضریب تبیین و جذر میانگین مربعات خطای محاسبه شده برای 1000 مرتبه تکرار توسط fold-10 وجود دارد. روش مدل­ سازی کوبیست در منطقه سرفیروزآباد با میانگین ضریب تبیین محاسبه شده 0.61 نتایج بهتری نسبت به سایر روش ­ها ارائه کرد. این نتایج برای منطقه گهواره بیانگر کارایی بهتر روش­ های رگرسیون خطی، مدل جمعی تعمیم ­یافته و k-امین نزدیکتریین همسایه با میانگین ضریب تبیین 0.87 بود. مقایسه ­های روش ­های مختلف مدل­سازی در مورد جذرمیانگین مربعات خطای برآوردها با استفاده از آزمون تکی Tukey نشان داد که در منطقه سرفیروزآباد روش کوبیست با مقدار میانگین 3.3 تن در هکتار و روش­ های k-امین نزدیکترین همسایه و جنگل تصادفی با میانگین 5.8 تن در هکتار اختلاف معنی ­داری با سایر روش­ ها داشت. به­ طورکلی، نتایج این تحقیق بیانگر کارایی مناسب تصویر لندست 8 در برآورد زی­توده روی زمینی جنگل ­های زاگرس است. این موضوع می ­تواند به دلیل مقدار کم زی­توده در منطقه­ های مورد بررسی و نرسیدن آن ها به نقطه اشباع به ­عنوان یکی از چالش­ های استفاده از تصویرهای نوری مانند لندست باشد. نتایج دیگر این تحقیق ارزیابی اثر روش مدل ­سازی برای افزایش صحت برآورد سنجش ­از دوری زی­توده روی زمینی است. برخلاف نتایج پژوهش های قبلی، رگرسیون خطی نتایج بهتری نسبت به روش ­های ناپارامتری ارائه کرد که دلیل آن می ­تواند وجود رابطه خطی زی­توده روی زمینی و متغیرهای طیفی استخراج شده از تصویرهای لندست باشد. در بین متغیرهای طیفی مختلفی که استفاده شد مقدارهای باند قرمز، مادون قرمز نزدیک و مادون قرمز با طول موج کوتاه 1 و 2 به عنوان متغیر نهایی در اغلب روش­های مدل­ سازی استفاده شدند. نتیجه­ گیری در این تحقیق، کارایی روش ­های مختلف مدل­ سازی را در برآورد زی­توده روی زمینی با استفاده از تصویرهای لندست مورد بررسی قرار گرفت.  برآوردهای زی­توده با استفاده از 9 روش پارامتری، نیمه ­پارامتری و ناپارامتری و با استفاده از ارزیابی متقابل fold-10  و با 1000 مرتبه تکرار مورد مقایسه قرار گرفتند. نتایج بیانگر قابلیت خوب تصویرهای لندست برای برآورد زی­توده روی زمینی جنگل­ های بلوط زاگرس با هزینه کم است. برآورد زی­توده در منطقه جنگلی گهواره با دست­خوردگی کمتر صحت بالاتری نسبت به منطقه جنگلی سرفیروزآباد با تخریب بالاتر داشت.

Authors

امیر صفری

دکتری جنگلداری، دانشکده منابع طبیعی و علوم دریایی نور، دانشگاه تربیت مدرس، تهران، ایران

هرمز سهرابی

دانشیار گروه جنگلداری، دانشکده منابع طبیعی و علوم دریایی نور، دانشگاه تربیت مدرس، تهران، ایران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • Aghababaie M, Ebrahimi A, Tahmasebi P. 2018. Comparison vegetation indices ...
  • Calvao T, Palmeirim J. 2004. Mapping Mediterranean scrub with satellite ...
  • Castillo JAA, Apan AA, Maraseni TN, Salmo SG. 2017. Estimation ...
  • Dai L, Jia J, Yu D, Lewis BJ, Zhou L, ...
  • Domingo D, Lamelas MT, Montealegre AL, García-Martín A, De la ...
  • Du H, Cui R, Zhou G, Shi Y, Xu X, ...
  • Dube T, Mutanga O. 2015. Evaluating the utility of the ...
  • Eisfelder C, Kuenzer C, Dech S. 2012. Derivation of biomass ...
  • Fassnacht FE, Hartig F, Latifi H, Berger C, Hernández J, ...
  • Fernández-Manso O, Fernández-Manso A, Quintano C. 2014. Estimation of aboveground ...
  • Fu L, Zhao Y, Xu Z, Wu B. 2015. Spatial ...
  • Gao Y, Lu D, Li G, Wang G, Chen Q, ...
  • Gasparri NI, Parmuchi MG, Bono J, Karszenbaum H, Montenegro CL. ...
  • Gizachew B, Solberg S, Næsset E, Gobakken T, Bollandsås OM, ...
  • Görgens EB, Montaghi A, Rodriguez LCE. 2015. A performance comparison ...
  • Huffman T, Liu J, McGovern M, McConkey B, Martin T. ...
  • Iranmanesh Y. 2013. Assessment on biomass estimation methods and carbon ...
  • Karlson M, Ostwald M, Reese H, Sanou J, Tankoano B, ...
  • Krahwinkler P, Rossman J. 2011. Using decision tree based multiclass ...
  • Kwak D-A, Lee W-K, Cho H-K, Lee S-H, Son Y, ...
  • Latifi H, Fassnacht F, Koch B. 2012. Forest structure modeling ...
  • McRoberts RE, Magnussen S, Tomppo EO, Chirici G. 2011. Parametric, ...
  • Nolè A, Law B, Magnani F, Matteucci G, Ferrara A, ...
  • Noorian N, Shataee S, Mohamadi J. 2019. Evaluation of RapidEye ...
  • Pan Y, Birdsey RA, Fang J, Houghton R, Kauppi PE, ...
  • Powell SL, Cohen WB, Healey SP, Kennedy RE, Moisen GG, ...
  • Rajashekar G, Fararoda R, Reddy RS, Jha CS, Ganeshaiah KN, ...
  • Riaño D, Chuvieco E, Salas J, Aguado I. 2003. Assessment ...
  • Safari A, Sohrabi H. 2019. The effect of digital preprocessing ...
  • Safari A, Sohrabi H, Powell SL. 2018. Comparison of satellite-based ...
  • Sagheb-Talebi K, Pourhashemi M, Sajedi T. 2014. Forests of Iran. ...
  • Sarker LR, Nichol JE. 2011. Improved forest biomass estimates using ...
  • Shao Z, Zhang L. 2016. Estimating forest aboveground biomass by ...
  • Wang X, Shao G, Chen H, Lewis BJ, Qi G, ...
  • Zhao K, Suarez JC, Garcia M, Hu T, Wang C, ...
  • Zhao P, Lu D, Wang G, Wu C, Huang Y, ...
  • Zhu X, Liu D. 2015. Improving forest aboveground biomass estimation ...
  • نمایش کامل مراجع