مقایسه قابلیت داده‌های سنجنده های WorldView-2، Pleiades-2و IRS-LISS III در برآورد موجودی جنگل (مطالعه موردی: جنگل آموزشی پژوهشی دارابکلا- ساری)

چکیده سابقه و هدف: آگاهی از وضعیت مشخصه‌های کمی جنگل همانند موجودی سرپا، یکی از مهمترین اصول در برنامه‌ریزی و تصمیم‌گیری مدیریت جنگل می‌باشد. هدف از این مطالعه، مقایسه قابلیت داده‌های سنجنده‌های مختلف و روش‌های ناپارامتری در برآورد موجودی سرپای جنگل می‌باشد. مواد و روش‌ها: منطقه مورد مطالعه سری یک جنگل دارابکلا در استان مازندران در جنوب شرق ساری است با مساحت 2612 هکتار که در حوزه آبخیز 74 اداره کل منابع طبیعی شهرستان ساری واقع شده است. با استفاده از روش نمونه برداری منظم -تصادفی با قطعات 10 آری با شبکه آماربرداری 330 در 500 متر ، 150 قطعه نمونه دایره ای برداشت گردید. پیش‌پردازش و پردازش‌های لازم همانند نسبت گیری، ایجاد شاخص‌های گیاهی و آنالیز بافت بر روی تصاویر ماهواره‌ای سه سنجنده WorldView-2، Pleiades-2 وIRS-LISS III انجام شد. سپس ارزش متناظر با قطعه نمونه ها از تمام باندها استخراج گردید. برای مدلسازی در این مطالعه از روش‌های مختلف رگرسیونی شامل واریانت های مختلف روش نزدیکترین همسایه، کرنل‌های مختلف روش ماشین بردار پشتیبان و روش جنگل تصادفی استفاده شد. یافته‌ها: نتایج مربوط به مدلسازی موجودی سرپا با استفاده از روش ماشین بردار پیشتبان(SVM) نشان داد بهترین کرنل به ترتیب برای سنجنده worldview- 2،IRS-LISS III وPleiades-2 چند جمله ای، توابع پایه شعاعیRBF)) و چندجمله ای، با درصد مجذورمیانگین مربعات خطای 57/34، 5/49، 03/43 بود. در روش نزدیک ترین همسایه(KNN) بهترین واریانت برای سه سنجنده مذکور به ترتیب شبیشف(Chebychev)، شبیشف (Chebychev) و سیتی بلاک (City block) با درصد مجذورمیانگین مربعات خطای 18/41، 09/55 و 97/46 بود . در روش جنگل تصادفی درصد مجذورمیانگین مربعات خطا برای این سه سنجنده به ترتیب برابر با 33/31 ، 91/48 و 68/45 بود . نتایج نشان داد بهترین مدل برای برآورد موجودی سرپا، مربوط به الگوریتم جنگل تصادفی و داده‌های تصاویر WorldView-2 با درصد مجذور میانگین مربعات خطا برابر با 33/31 درصد و اریبی نسبی برابر با 8/2 درصد بود. دلیل بهتر بودن نتایج سنجنده World Veiw2 نسبت به سنجنده Pleiades وجود تعداد باند بیشتر و عرض کمتر باندها می‌باشد. زیرا هرچه تعداد باند بیشتر و عرض باند باریکتر باشد اطلاعات در باندهای مختلفی ذخیره می شوند و نسبت سیگنال به نویز افزایش می یابد در نتیجه آشکارسازی پدیده ها بهتر صورت می گیرد و دقت نتایج نیز بالاتر می رود. نتیجه گیری: نتایج تفاوت زیادی بین الگوریتم‌های ناپارامتریک از نظر میزان درصد مجذور میانگین مربعات خطا نشان نداد ولی از نظر سنجنده تفاوت زیادی مشاهده گردید. نتایج کلی این مطالعه نشان داد سنجنده‌ها و روش‌های رگرسیونی مورد استفاده در این مطالعه، دارای قابلیت نسبتا مناسبی در برآورد موجودی جنگل می‌باشند. همچنین نتایج نشان داد علاوه بر قدرت تفکیک مکانی سنجنده ها، قدرت تفکیک طیفی آنها نیز تأثیر چشمگیری در بالا بردن دقت نتایج مدلسازی موجودی جنگل با استفاده از تصاویر ماهواره ای دارد.