ساسان وفایی - دانشجوی دکتری جنگل داری، دانشکده کشاورزی و منابع طبیعی، دانشگاه لرستان، خرم آباد، ایران
جواد سوسنی - استادیار، گروه جنگل داری، دانشکده کشاورزی و منابع طبیعی، دانشگاه لرستان، خرم آباد، ایران
کامران عادلی - استادیار، گروه جنگل داری، دانشکده کشاورزی و منابع طبیعی، دانشگاه لرستان، خرم آباد، ایران
هادی فدایی - دکترای سنجش از دور، دانشکده انفورماتیک، دانشگاه کیوتو، کیوتو، ژاپن
حامد نقوی - استادیار، گروه جنگل داری، دانشکده کشاورزی و منابع طبیعی، دانشگاه لرستان، خرم آباد، ایران

استفاده از داده­ های سنجش از دور یکی از روش­ های کاربردی در برآورد مقدار زی توده گیاهی است. در این پژوهش، داده­ های راداری ماهواره آلوس-۲، با قطبش کامل و تصویرهای نوری ماهواره سنتینل-۲، برای برآورد زی­ توده روی زمینی درختان در جنگل­ های سری یک حوضه ناو اسالم گیلان استفاده شد. مقدار بازپراکنش در قطبش ­های مختلف، خصوصیات بافت و ویژگی های تجزیه هدف از تصویرهای راداری و باندهای اصلی و مصنوعی به دست آمده از تصویرهای نوری در سه ترکیب مختلف شامل تصویرهای راداری، تصویرهای نوری و ترکیب تصویرهای راداری و نوری، به عنوان ورودی­ های مدل شبکه عصبی مصنوعی و رگرسیون خطی چندگانه درنظر گرفته شدند. به­ منظور اندازه­ گیری زمینی زی­ توده از ۱۴۹ قطعه نمونه استفاده شد. ارزیابی شبکه­ های عصبی و رگرسیون خطی چندگانه با استفاده از آماره­ های R۲ و RMSE نشان داد که در تمامی حالت ها مدل شبکه­ های عصبی نسبت به رگرسیون خطی کارایی بهتری در برآورد زی توده روی زمینی درختان داشت. نتایج بهترین شبکه عصبی نشان داد که ترکیب داده های نوری و راداری با مقدار R۲ و RMSE به ترتیب ۰/۸۶ و ۳۱/۶۲ مگاگرم در هکتار (۱۵/۳۴ درصد) می تواند زی­ توده درختی را برآورد کند. همچنین، نتایج استفاده از تصویرهای راداری و نوری به طور مجزا نشان داد که مقدار R۲ و RMSE برای مدل­ سازی زی­توده توسط تصویرهای راداری به ترتیب ۰/۵۷ و ۴۹/۱۷ مگاگرم در هکتار (۲۳/۸۵ درصد) و برای تصویرهای نوری ۰/۷۲ و ۳۹/۵۳ مگاگرم در هکتار (۱۹/۱۷ درصد) بود که نشان­ دهنده برتری مدل­ سازی زی ­توده روی زمینی توسط تصویرهای نوری بود. نتایج کلی نشان از برآوردهای دقیق ­تر زی ­توده در صورت استفاده هم­ زمان از تصویرهای راداری و نوری و استفاده از مدل شبکه­ عصبی مصنوعی داشت.

آلوس, رادار با روزنه مجازی, سنتینل, سنجش از دور, شبکه عصبی مصنوعی