مدل سازی ذخیره کربن روی زمینی با استفاده از تصاویر ماهواره های Sentinel 1,2 و روابط پارامتریک و ناپارامتریک (مطالعه موردی: جنگل های سری سه سنگده)

الموضوعات :

سید مهدی رضایی سنگدهی ¹ , اصغر فلاح ² , هومن لطیفی ³ , نسترن نظریانی ⁴

1 - دانش آموخته دکتری جنگلداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران.
2 - استاد، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ایران
3 - استادیار، دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران.
4 - پژوهشگر مقطع پسادکتری، گروه جنگلداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری

تاريخ الإرسال : 18 الجمعة , جمادى الثانية, 1443 تاريخ التأكيد : 19 الأربعاء , رمضان, 1443 تاريخ الإصدار : 02 الإثنين , ذو القعدة, 1444

الکلمات المفتاحية: شاخص‌های پوشش گیاهی, سنجش از دور, زی‌توده, اریبی, ماشین‌بردار پشتیبان,

ملخص المقالة :

در پژوهش پیش‌رو هدف؛ یافتن مدل‌های آماری و تجربی مناسب جهت برآورد ذخیره کربن روی زمینی به کمک تلفیق داده‌های طیفی و راداری سنجنده ماهواره‌های Sentinel 1, 2 در قسمتی از جنگل‌های سری سه سنگده است. در این راستا تعداد 150 قطعه نمونه دایره‌ای به روش تصادفی -منظم به مساحت 10 آری انتخاب شد. در هر قطعه نمونه مشخصه‌های نوع گونه، ارتفاع کل درختان و قطر برابرسینه درختان با بیش از 5/7 سانتی‌متر ثبت شد. سپس چگالی تمام گونه‌های موجود در قطعات نمونه در آزمایشگاه تعیین شد. بعد از آن میزان زی‌توده در سطح قطعات نمونه بر اساس مدل جهانی فائو و مقدار ذخیره کربن روی زمینی نیز با اعمال ضریب محاسبه گردید. بر روی تصاویر راداری و طیفی عملیات مختلف پیش‌پردازش و پردازش‌های لازم اعمال شد. سپس ارزش‌های رقومی متناظر با قطعات نمونه زمینی از باندهای طیفی استخراج و به‌عنوان متغیرهای مستقل در نظر گرفته شد. مدل‌سازی با روش‌های ناپارامتری جنگل تصادفی، ماشین‌بردار پشتیبان، نزدیکترین همسایه و روش پارامتری رگرسیون خطی چندگانه انجام گرفت. نتایج نشان داد به طور متوسط میانگین زی‌توده روی زمینی 07/469 تن در هکتار و ذخیره کربن 53/234 تن در هکتار به دست آمد. همچنین بیشترین همبستگی بین باندهای اصلی و مصنوعی با دو مشخصه مورد بررسی مربوط به باند مادون قرمز نزدیک حاصل شد. نتایج اعتبارسنجی مدل‌سازی تلفیق داده‌های نوری و راداری ماهواره‌های Sentinel 1, 2 با زی‌توده و ذخیره کربن روی‌زمینی نشان داد؛ روش جنگل تصادفی نسبت به دیگر پارامترهای مورد بررسی با درصد مجذور میانگین مربعات خطا و درصد اریبی به‌ترتیب برای مشخصه‌های زی‌توده و ذخیره کربن (79/32 و 24/2-) و (79/30 و 01/0-) در مدل‌سازی عملکرد بهتری داشته‌ است. به‌طور کلی نتایج حاصل از اعتبارسنجی به‌دست آمده نشان داد استفاده از روش‌های جنگل تصادفی و تصاویر ماهواره‌های Sentinel 1, 2 عملکرد مناسبی در برآورد مشخصه‌های زی‌توده و ذخیره کربن را نداشت.

المصادر:

1- Agata, H. A., D. Lewandowska, K. Ziolkowski, M. Sterenczak, C. Lisanczuk, Schmullius, and C. Pathe. 2018. Forest Aboveground Biomass Estimation Using a Combination of Sentinel-1 and Sentinel-2 Data. International Geoscience and Remote Sensing Symposium, 9026-9029. Valencia, Spain.
2- Aronoff, S. 2005. Remote Sensing for GIS Managers. ESRI Press, Redlands, CA. 524pp.
3- Chang, J., and M. Shoshany. 2016. Mediterranean Shrublands Biomass Estimation Using Sentinel-1 and Sentinel-2. IEEE International Geoscience and Remote Sensing Symposium.DOI:10.1109/IGARSS.2016.7730380.
4- Chen, L., R. Chunying, Z. Bai, W. Zongming, and X. Yanbiao. 2018. Estimation of Forest Above-Ground Biomass by Geographically Weighted Regression and Machine Learning with Sentinel Imagery. Forest, 9: 582-602.
5- Clark, D.A. S. Brown, D.W. Kicklighter, J.Q. Chambers, J.R. Tomlison, and J. Ni. 2001. Measuring net primary production in forests: concepts and field methods. Ecological Applications, 11:356-370.
6- Egbers, R. 2016. Sentinel-2 data processing and identifying glacial features in Sentinel-2 imagery. Bachelor Thesis. TU Delft University of Technology in Netherlands, 53p.
7- Enayati A.A. 2013. Wood Physics. 3086.2. University of Tehran Press. 340pp. (In Persian).
8- Ghasemi, N., M.R. Sahebi, and A. Mohammadzadeh. 2013. Biomass estimation of a temperate deciduous forest using wavelet analysis. IEEE Transactions on Geoscience and Remote Sensing, 51(2): 765-776.
9- Henry, M., A. Besnard, W.A. Asante, J. Eshun, S. Adu-Bredu, R. Valentini, M. Bernoux and L. Saint-Andre, 2010. Wood density, phytomass variations within and among trees, and allometric equations in a tropical rainforest of Africa, Forest Ecology and Management, 260: 1375–1388.
10- Ketterings, Q.M., R. Coe, M.V. Noordwijk, Y. Ambagau, and C.A.Palm. 2000. Reducing uncertainty in the use of allometric biomass equation for predicting above-ground tree biomass in mixed secondary forests. Forest Ecology and Management Journal, 146(2001): 199-209.
11- Khorrami R. Darvishsefat A. A. and M. Namiranian. 2008. Investigation on the Capability of Landsat7 ETM+ data for Standing Volume Estimation of Beech Stands (Case Study: Sangdeh Forests). Journal of the Iranian Natural Resources. 60(40): 1289-1281 pp. (In Persian).
12- Laurin, G.V., J. Balling, P. Corona, W. Mattioli, N. Puletti, M. Rizzo, J. Truckenbrodt, and M. Urban. 2018. Above-ground biomass prediction by Sentinel-1 multitemporal data in central Italy with integration of ALOS2 and Sentinel-2 data. Journal of Applied Remote Sensing, 12(1): 016008-1-016008-18.
13- Lazecky, M., F.C. Comut, Y. Qin, and D. Perissin. 2017. Sentinel-1 Interferometry System in the High- Performance Computing Environment. In The Rise of Big Spatial Data, Springer International Publishing, 131-139.
14- Le Toan, T., S. Quegan, M. W. J. Davidson, H. Balzter, P. Paillou, K. Papathanassiou, S. Plummer, F. Rocca, S. Saatchi, H. Shugart, and L. Ulander. 2011. The biomass mission: mapping global forest biomass to better understand the terrestrial carbon cycle. Remote Sensing of Environment, 115: 2850-2860.
15- Li, M. 2010. Estimation and analysis of forest biomass in northest forest region using remote sensing technology. Estimation of canopy-average surface-specific leaf area using Landsat TM data. Northoest Forestry University.
16- Lu, D., Q. Chen, G. Wang, L. Liu, G. Li, and E. Moran. 2014. A survey of remote sensing based aboveground biomass estimation methods in forest ecosystems. International Journal of Digital Earth, 9(1): 1-43.
17- Machar, I., J. Simon, K. Rejsek, V. Pechanec, J. Brus, and H. Kilianova. 2016. Assessment of forest management in protected areas based on multidisciplinary research. Forests, 7: 285, 16p. doi:10.3390/f7110285.
18- Montes, N., T. Gauquelin, W. Badri, V. Bertaudiere, and El.H. Zaoui. 2000. A non-destructive method for estimating above-ground forest biomass in threatened woodlands, Forest Ecology and Management Journal, 130: 37-46.
19- Morin, D., M. Planells, D. Guton, L. Villard, S. Mermoz, A. Bouvet, H. Thevenon, J.F. Dejoux, T.L. Toan, and G. Dedieu. 2019. Estimation and Mapping of Forest Structure Parameters from Open Access Satellite Images: Development of a Generic Method with a Study Case on Coniferous Plantation. Remote Sensing, 11: 1-25.
20- Noorian N. Shataee Sh. Mohammadi J. 2019. Evaluation of RapidEye satellite data for estimation some quantitative
structure variables in the Caspian forests of Gorgan region. RS & GIS for Natural Resources. 9(4): 1-16. (In Persian).
21- Nuthammachot, N., A. Askar, D. Stratoulias, and P. Wcaksono. 2020. Combined use of Sentinel-1 and Sentinel-2 data for improving above-ground biomass estimation. Geocarto International. Published online. https://doi.org/10.1080/10106049.2020.1726507.
22- Pandit, S., T. Satoshi, and D. Timothy. 2018. Estimating Above-Ground Biomass in Sub-Tropical Buffer Zone Community Forests, Nepal, Using Sentinel 2 Data. Remote Sensing, 10(4):1-18.
23- Revision of Sangdeh forestry plan, series three (Sarband chamber). 2010. Forests, Rangelands and Watershed Management Organization, Wood Frame Company. 321 pp. (In Persian).
24- Safari A. Sohrabi H. 2021. Using the bootstrap approach for comparing statistical modeling methods to estimate remotely-sensed aboveground biomass in Zagros forests. RS & GIS for Natural Resources. 11(2): 49-67. (In Persian).
25- Sarker, L.F. and J. Nichol. 2013. Forest Biomass Estimation from the Fusion of C-band SAR and Optical Data Using Wavelet Transform. Remote Sensing for Agriculture, Ecosystems, and Hydrology XV. 8887: 1-9.
26- Singh, V., A. Tewari, S.P.S. Kushwaha, and V.K. Dadhwal. 2011. Formulating allometric equations for estimating biomass and carbon stock in small diameter trees. Forest Ecology and Management, 261: 1945–1949.
27- Sivasankar, T., J. M. Lone, K.K. Sarma, A. Qadir, and P.L.N. Raju. 2018. The potential of multi-frequency multipolarized ALOS-2/PALSAR-2 and Sentinel-1 SAR data for aboveground forest biomass estimation. International Journal of Engineering and Technology, 10(3): 797-802.
28- Vafaei S., Soosani, J., Adeli, K., H. Fadaei, and H. Naghavi. 2017. Estimation of aboveground biomass using optical and radar (Case study: Nav-e Asalem forests, Gilan) images. Iranian Journal of Forest and Poplar Research, 25 (2): 320-331. (In Persian).
29- Vahedi A. A. 2014. Optimal allometric biomass equations for Hornbeam (Carpinus betulus L.) boles
within the Hyrcanian forests. Iranian Journal of Forest and Poplar Research. 22(2):225-236. Doi: 10.22092/ijfpr.2014.10668 . (In Persian).
30- Vicharnakorn, P., R. P. Shrestha, M. Nagai, A. P. Salam, and S. Kiratiprayoon. 2014. Carbon stock assessment using remote sensing and forest inventory data in Savannakhet, Lao PDR. Remote Sensing, 6:5452–5479.
31- Zimble, D.A., D.L. Evans, G.C. Carlson, R.C. Parker, S.C. Grado, and P.D. Gerard. 2003. Characterizing vertical forest structure using small-footprint airborne LiDAR, Remote Sensing of Environment Journal, 87: 171-182.