داده های سنجش از راه دور نوری به صورت رایگان در مقیاس جهانی در دسترس هستند. با این حال، پردازش و تجزیه و تحلیل تصاویر ماهواره ای برای ارزیابی سریع، دقیق و دقیق جنگل های روی زمین ( AGB ) هنوز چالش برانگیز و دشوار است. هدف این مقاله توسعه روشی جدید برای ارزیابی دقیق، دقیق و سریع AGB جنگل از داده‌های سنجش از دور نوری است. به طور معمول، جنگل زمینی AGB با استفاده از یک مدل تجربی از داده‌های زمین برای پارامترهای بیوفیزیکی مانند تراکم درخت، ارتفاع، و قطر در ارتفاع سینه ( DBH ) جمع‌آوری‌شده از مزرعه در طبقات مختلف ارتفاع محاسبه شد. کسر زمینی پوشش گیاهی ( FVC) در هر مکان نمونه زمینی محاسبه شد. سپس، کسر پوشش گیاهی ( FVC ) از تصاویر سنجش از دور نوری محاسبه شد. در مرحله اول اجرای روش، مدل رابطه بین FVC زمین و جنگل زمینی AGB توسعه یافت. در مرحله دوم، مدل رابطه ای بین FVC تصویر و FVC زمین ایجاد شد. در نهایت، هر دو مدل برای استخراج مدل رابطه بین تصویر FVC و جنگل AGB ترکیب شدند. اعتبار روش توسعه‌یافته با استفاده از تصاویر Sentinel-2 به‌عنوان داده‌های آزمایشی نشان داده شد و منطقه جنگلی حفاظت‌شده Tundi واقع در منطقه Dhanbad در ایالت Jharkhand در شرق هند به‌عنوان مکان آزمایش استفاده شد. نتایج حاصل از مدل توسعه‌یافته اعتبارسنجی زمینی شد و همچنین با نتایج حاصل از یک رویکرد تخمین AGB جنگل مبتنی بر منطقه پیش‌بینی‌شده تاج ( CPA ) قبلاً توسعه‌یافته مقایسه شد. نتایج حاصل از رویکرد توسعه‌یافته قابلیت‌های برتر را در دقت در مقایسه با روش مبتنی بر CPA نشان داد. برآورد میانگین جنگل AGB از سایت آزمایشی به‌دست‌آمده با این رویکرد، 463 تن در هکتار را نشان داد که با برآورد قبلی از این سایت آزمایشی مطابقت دارد.

کلید واژه ها:

Sentinel-2 ; مدل سازی رگرسیون ; کسری از پوشش گیاهی ; جنگل AGB

1. مقدمه

جنگل‌ها اکوسیستم‌هایی هستند که منابع زیستی را حفظ می‌کنند و طیف وسیعی از محصولات و خدمات را برای رفع نیازهای انسان ارائه می‌کنند [ 1 ، 2 ]. همانطور که گزارش شده است، 31 درصد از کل سطح زمین توسط جنگل ها پوشیده شده است که نقش مهمی در حفظ اکوسیستم ها و تامین غذا، علوفه و سرپناه دارند. جنگل ها همچنین در کنترل تخریب زمین با به حداقل رساندن فرسایش خاک و بیابان زایی نقش موثری دارند. علاوه بر این، حتی تنوع زیستی در یک اکوسیستم منطقه ای به طور مستقیم تحت تأثیر پوشش جنگلی اطراف قرار می گیرد [ 3 ]. زیست توده جنگلی به عنوان مخازن کربن در نظر گرفته می شود. جنگل ها به طور مستقیم نقش مهمی در چرخه کربن و آب، تولید اولیه ناخالص و خالص ( GPP و NPP ) دارند.، تغییرات آب و هوایی و گرم شدن کره زمین، تشعشع و تعادل محیطی، حتی کیفیت هوا، و فعالیت های انسانی [ 1 ، 4 ]. ارزیابی دقیق زیست توده جنگل در بالای زمین ( AGB ) برای ارزیابی منابع جنگلی، ارزیابی چرخه کربن و مدیریت پایدار جنگل بسیار مهم است [ 1 ، 2 ، 3 ، 4 ]. بنابراین، ارزیابی AGB جنگل برای شناسایی تغییرات احتمالی آب و هوا به دلیل جنگل‌زدایی و تعادل اکولوژیکی جهانی، و همچنین ترویج تکامل بیولوژیکی جهانی، جانشینی جامعه، و فرآیندهای کاهش ضروری است [ 1 ، 5 ، 6 ]]. در سطح جهانی، جنگل به سرعت در حال زوال ممکن است تهدید بزرگی نه تنها برای منابع جنگلی بلکه برای تعادل اکولوژیکی آینده باشد [ 1 ]. بنابراین، ارزیابی و پایش دقیق AGB جنگل برای مدیریت پایدار و کاهش، و همچنین تشخیص سناریو تغییرات آب و هوایی به دلیل جنگل‌زدایی مهم و حیاتی است [ 1 ، 5 ، 6 ]. جنگل‌ها پتانسیل زیادی برای سوخت نسل بعدی با برداشت محصولات جانبی (مانند چوب برس، الوار، هیزم) و تامین بخش زیادی از مواد تجدیدپذیر (مانند میوه‌های خوراکی، آجیل، کاغذ، گیاهان دارویی) دارند که می‌توانند به انرژی‌های تجدیدپذیر تبدیل شوند. 1 ، 2 ، 3 ، 4, 7 , 8 , 9 ]. ارزیابی زیست توده جنگل برای ارزیابی منابع انرژی تجدیدپذیر و برنامه ریزی آینده برای حفظ تعادل در محیط زیست، اقتصاد و امنیت انرژی بسیار مهم است [ 1 ، 2 ، 3 ، 4 ].]. بنابراین، ارزیابی و پایش زیست توده جنگل برای ارزیابی منابع زیستی و اکوسیستم زمینی بسیار مهم است. جنگل ها به عنوان یک مخزن کربن در نظر گرفته می شوند. جنگل ها از طریق فتوسنتز کربن را از جو جذب کرده و در بافت گیاه ذخیره می کنند. در سطح منطقه ای و همچنین جهانی، برآورد زیست توده پوشش گیاهی جنگل یک تمرین مهم در تعیین ذخیره کربن در جزء درخت غالب و محاسبه چرخه کربن است. سپس در زیست توده جنگل (یعنی تنه ها، شاخه ها، ریشه ها و برگ ها)، در مواد آلی مرده (آشغال و چوب خشک) و در خاک رسوب می کند. این فرآیند جذب و رسوب کربن توسط پوشش گیاهی جنگل به عنوان ترسیب کربن شناخته می شود که می تواند به مدیریت پایدار منابع طبیعی کمک کند. برای کاهش CO 2انتشار گازهای گلخانه ای از طریق ترسیب کربن، این محرک تغییرات آب و هوایی توجه قابل توجهی را به اکوسیستم های جنگلی به عنوان یک گزینه مناسب جلب کرده است [ 10 ].
در سطح جهانی، سیستم‌های مشاهده جهانی پیشرفته و سریع و تجزیه و تحلیل منابع طبیعی جغرافیایی با استفاده از تکنیک‌های سنجش از دور در حال توسعه هستند. سنجش از دور تکنیکی پیشرفته، سریع، مقرون به صرفه و سازگار با محیط زیست برای پایش و نقشه برداری بسیاری از منابع طبیعی جغرافیایی و اقلیم از جمله جنگل، دینامیک آب پوشش گیاهی و نظارت بر تغییرات و ارزیابی زیست توده است [ 1 ، 6 ، 11 ، 12 ، 13 ، 14 ]. امکانات پیشرفته و باکیفیت جمع‌آوری و توزیع داده‌ها توسط سازمان‌های فضایی مختلف، از جمله اداره ملی هوانوردی و فضایی ( ناسا )، مرکز علوم از راه دور کانادا (کانادا) ارائه می‌شود.CCRS ) و آژانس فضایی اروپا ( ESA ) [ 1 ، 15 ]. به طور کلی، تکنیک‌های سنجش از دور، زیست توده جنگل را مستقیماً استخراج نمی‌کنند، اما به دست آوردن پارامترهایی برای تخمین زیست توده جنگل، مانند ارتفاع جنگل، شاخص سطح برگ، کسری از پوشش گیاهی ( FVC )، یا تولید اولیه خالص را امکان‌پذیر می‌سازند. امروزه به دلیل دقت نسبتاً بالاتر نسبت به سیستم های معمولی، سیستم های سنجش از دور عملکرد سریع و مقرون به صرفه در ارزیابی زیست توده جنگل و ارزیابی تغییرات توجه زیادی را به خود جلب کرده اند. روش سنجش از دور معمولاً زیست توده و تشخیص/اطلاعات تغییر را به‌جای مستقیم با بازیابی پارامترهای سنجش از دور ارزیابی می‌کند. این پارامترهای استخراج شده به ارزیابی کمک می کنندنقشه برداری و نظارت AGB ، جنگل و پوشش گیاهی با رویکردهای یکپارچه سازی، وارونگی و مدل سازی [ 1 ، 6 ، 13 ، 14 ]. علاوه بر این، داده‌های باکیفیت موجود از حسگرهای پیشرفته روی ماهواره‌هایی که اخیراً توسط آژانس‌های فضایی مختلف به فضا پرتاب شده‌اند، در مدل‌سازی اکوسیستم‌ها به شیوه‌ای نوآورانه و همچنین برای استخراج سیستم‌های موجودی جدید مبتنی بر خشکی برای تخمین ارتفاع تاج جنگل، زیست توده، ذخایر کربن، و تغییرات مکانی و زمانی با دقت نسبتاً بالا [ 6 ، 13 ، 14 ]]. در دسترس بودن تصاویر Sentinel-2 با وضوح فضایی بالا (10 تا 60 متر) از برنامه کوپرنیک فرصت جدیدی برای مطالعه و ارزیابی منابع زیستی جنگلی و ذخایر کربن طبیعی ارائه می دهد. در حال حاضر، مجموعه داده‌های چندگانه سنجش از راه دور از طریق منابع غیرفعال و فعال از پلتفرم‌های مختلف از جمله داده‌های فضابردی، هوایی و زمینی به دست می‌آیند. این داده ها با استفاده از رویکردهای پردازش نوآورانه با مهارت های پیشرفته آماری، ریاضی و یادگیری ماشینی برای کاربردهای ذکر شده استفاده می شوند [ 11 ، 16 ، 17 ]. معمولاً داده‌های حسگرهای فعال دارای نسبت سیگنال به نویز بالا ( S:N ) و نفوذ بهتر در مقایسه با سنسورهای غیرفعال هستند. بنابراین، سیستم های فعال مانند رادار دیافراگم مصنوعی (SAR )، تشخیص نور و محدوده ( LIDAR ) می تواند به تاج پوشش جنگل ها، پوشش های گیاهی و پوشش های زمین نفوذ کند. در نتیجه، سنجش از دور فعال به ابزاری قدرتمند برای اندازه‌گیری‌های ساختاری و حجمی عمودی جنگل‌ها و زیست‌توده تبدیل شده است. داده های حسگرهای غیرفعال پتانسیل زیادی برای شناسایی، طبقه بندی و نقشه برداری از پوشش جنگلی، انواع و طبقه بندی پوشش گیاهی دارند [ 14 ، 18 ، 19 ، 20 ].
از دهه گذشته، ارزیابی منابع جنگلی و بررسی اتمسفر به طور قابل ملاحظه ای با تکنیک های سنجش از دور تقویت شد [ 11 ]. این تکنیک ها اغلب برای تخمین جنگل AGB با استفاده از مجموعه داده های مختلف استفاده می شوند. داده‌های مایکروویو مانند SAR برای ویژگی‌های بافت و استخراج اطلاعات ضریب پراکندگی پس‌زمینه مفید هستند و داده‌های نوری مانند Sentinel-2 برای استخراج اطلاعات شاخص‌های گیاهی و شاخص سطح برگ ( LAI ) استفاده می‌شوند [ 1 ، 14 ، 21 ]. به عنوان مثال، Sentinel-1 به عنوان داده SAR Cتصاویر نوری باند و Sentinel-2 با وضوح فضایی بالا (10 تا 60 متر) به طور رایگان از برنامه کوپرنیک اروپا برای نقشه برداری و نظارت موثر پوشش گیاهی و جنگل، تخمین زیست توده و ارزیابی منابع طبیعی در دسترس هستند [ 1 ، 11 ]. به طور مشابه، تعداد زیادی مجموعه داده سنجش از راه دور وجود دارد که به طور رایگان از ناسا ، ESA و سایر آژانس‌های فضایی برای کاربردهای فوق در دسترس هستند. روش‌های مدل‌سازی و رگرسیون مختلف بین داده‌های مایکروویو سنجش از دور (یعنی Sentinel-1- قطبش‌های عمودی-عمودی ( VV ) و عمودی-افقی ( VH )) و داده‌های نوری (یعنی Sentinel-2- LAI و شاخص گیاهی تفاوت نرمال‌شده (NDVI )) و داده های میدانی در حال حاضر برای ارزیابی زیست توده و اعتبارسنجی حقیقت زمینی در حال توسعه هستند [ 22 ]. برای تخمین ساختار بیوفیزیکی، داده‌های مایکروویو Sentinel-1 برای استخراج تخمین ارتفاع درخت مبتنی بر InSAR از یک جنگل تپه‌ای استفاده شد. این مطالعه کاهش عدم قطعیت تخمین ارتفاع درخت را حتی از یک زمین مواج نشان داد [ 23 ]. تصاویر نوری پتانسیل زیادی برای نظارت چند زمانی، بهبود طبقه‌بندی نوع جنگل با وضوح فضایی بالا، و زمان دسترسی مجدد سریع فراهم می‌کنند [ 24 ]. به عنوان مثال، تصاویر سنجش از دور نوری یعنی. Sentinel-2 توسط محققان مختلف در طبقه بندی، نقشه برداری و پایش جنگل استفاده شده است [ 18 ], 19 , 20 , 25 ]. رویکردها و آزمایش‌های مختلفی برای استخراج پارامترهای مختلف در تخمین AGB جنگل با استفاده از مجموعه داده‌های سنجش از دور نوری و مایکروویو، از جمله ارتفاع درخت، قطر درخت در ارتفاع سینه ( DBH ) و حجم درخت در دسترس است [ 25 ، 26 ]. مدل‌های تجربی و معادلات آلومتریک مختلفی برای تخمین AGB جنگل از داده‌های میدانی در سطح نمودار با استفاده از تکنیک‌های اندازه‌گیری دستی، به عنوان مثال، DBH درخت ، ارتفاع، و گاهی اوقات چگالی چوب برای بهبود دقت ایجاد شده‌اند [ 27 ].]. مدل‌های رابطه‌ای مختلفی بین سطح پایه یا قطر درخت، پارامترهای ارتفاع وزنی (همچنین به عنوان ارتفاع لوری شناخته می‌شود) و AGB برای ارزیابی دقیق‌تر زیست توده [ 28 ، 29 ، 30 ] و AGB جنگل مستقیم به‌دست‌آمده از SAR و LiDAR وجود دارد. داده ها با استفاده از مدل های فوق از مناطق بزرگ [ 7 ، 31 ، 32 ، 33 ]. به طور مشابه، مطالعات سنجش از دور نوری نشان می دهد که شاخص های LAI ، FVC و پوشش گیاهی پتانسیل قابل توجهی برای ارزیابی AGB جنگل دارند [ 34 ]. راFVC و LAI در ارزیابی زیست توده برگ از طریق یک تابع تناسب مفید هستند [ 35 ]. معمولاً AGB با استفاده از داده های میدانی در سطح نمودار مجموع شاخ و برگ و زیست توده چوب را محاسبه می کند [ 36 ]. برای محاسبه LAI یا FVC ، چندین شاخص پوشش گیاهی آزمایش شده است [ 37 ، 38 ، 39 ]، که هنوز برای انواع جنگل های خاص چالش برانگیز هستند. علاوه بر این، دقت AGBتخمین از داده‌های سنجش از دور نوری و مایکروویو توسط سطح دقت پردازش داده‌ها و استخراج پارامتر، از جمله عوامل اکولوژیکی، زیستی، و توپوگرافی محدود شده است [ 6 ، 13 ، 14 ، 22 ، 23 ، 24 ، 25 ، 26 ، 40 ، 41 . ، 42 ]. در این مطالعه، یک مدل تجربی مبتنی بر AGB میدانی و FVC از سنجش از دور نوری برای ساده‌سازی و ارزیابی سریع‌تر AGB جنگل کار شده است. اطلاعات میدانی (ارتفاع درخت، درخت DBHتعداد درختان در سطح کرت (30 در 30 متر)، تراکم ساقه درخت، و FVC برای محاسبه AGB میدانی از یک سایت آزمایشی در جنگل حفاظت‌شده توندی، ایالت جارکند در شرق هند جمع‌آوری شد.

2. مواد و روشها

برای محل آزمایش در جنگل حفاظت شده توندی، AGB جنگل با استفاده از تصاویر Sentinel-2 ارزیابی شد. شرح مختصری از محل آزمایش، جزئیات داده ها و روش پیشنهادی به ترتیب در ادامه آمده است.

2.1. منطقه مطالعه

منطقه مورد مطالعه 144 کیلومتر مربع را در داخل جنگل حفاظت شده توندی در ناحیه دنباد، ایالت جارکند، هند پوشش می دهد. این ایالت هندی به دلیل شرایط اقلیمی و فیزیوگرافی متنوع یکی از غنی ترین ایالت ها از نظر تنوع زیستی است. از جهت شمال غربی به شمال شرقی گسترش می یابد و تپه های دوموندا دارای دو سر (بالا) در حاشیه شرقی آن هستند.
در نیمه شمالی این ولسوالی چند تپه مجزا با ابعاد مختلف پراکنده شده است. این منطقه یک جنگل برگریز معمولی است که مساحت کل جنگلی آن 23605 کیلومتر مربع است که حدود 29.61٪ از کل مساحت زمین جارخند را تشکیل می دهد. در هند، جنگل های حفاظت شده و حفاظت شده توسط دولت های ایالتی مربوطه اعلام می شود. در جنگل‌های حفاظت‌شده، همه فعالیت‌ها ممنوع است مگر اینکه اجازه داده شود. در جنگل های حفاظت شده برعکس است، یعنی فعالیت های خاص مانند شکار، چرا و غیره مجاز است مگر اینکه ممنوع شود. از مجموع اراضی جنگلی جارخند، 28/81 درصد در زیر پوشش جنگل های حفاظت شده و 58/18 درصد در رده جنگل های حفاظت شده قرار دارد.
از نظر جغرافیایی، جارکند دارای دو دسته جنگلی اصلی است، یعنی جنگل‌های خشک منطقه استوایی و جنگل‌های مرطوب منطقه استوایی [ 43 ]. محل آزمایش در رده جنگل های خشک منطقه گرمسیری قرار می گیرد و با Shorea robusta (نام محلی Sal) به عنوان غالب ترین گونه درخت پوشیده شده است، در محدوده 23°45’40” تا 24°05’50” شمالی و 85 درجه و 57 دقیقه قرار دارد. 30 اینچ تا 86°35’55 اینچ شرقی ( شکل 1 a). جنگل‌های حفاظت‌شده توندی در بخش جنگل‌های دنباد در زیر گروه 5-B، یعنی جنگل‌های برگ‌ریز خشک استوایی شمالی قرار دارند [ 8 ]. پوشش جنگلی ذخیره توندی حاوی محصول تقریباً خالصی از نهال‌ها و قطب‌های Shorea robusta است. محل آزمایش توسط تپه های کوچک با توپوگرافی موج دار تحت سلطه است. شوره روبوستاغالب بوده و طبقات بالای جنگل را با ارتفاع متوسط ​​تا 12 متر در محل آزمایش تشکیل می دهد. هوموس به جز در مناطق دور افتاده که پوشش جنگلی به خوبی محافظت می شود وجود ندارد. این منطقه دارای آب و هوای معمولی از نوع موسمی با سه فصل مشخص است: گرم، بارانی و زمستان. رطوبت هوا در فصل بارندگی بسیار زیاد و در هوای گرم بسیار کم است. حداکثر دما از 45 درجه سانتیگراد بالاتر می رود و باد گرمی به نام “لو” اغلب از آوریل تا ژوئن تا زمان شروع موسمی می وزد. رعد و برق معمولاً در ماه می رخ می دهد که با کاهش موقتی چند درجه همراه است. به دلیل صنعتی شدن و فعالیت های معدنی سنگین، ذرات معلق فراوان و ذرات گرد و غبار در این فصل در جو یافت می شود. بادهای موسمی معمولاً در اواسط ژوئن رخ می دهد و تا پایان سپتامبر ادامه می یابد.
از نظر زمین شناسی، توندی شامل سنگ پرکامبرین است، سنگ کشور شیست کوارتز-فلدسپاتی است که توسط برخی اجسام آذرین، به عنوان مثال، متادولوریت ها و آمفیبولیت ها به شدت نفوذ کرده است. تپه و تپه های برجسته در این منطقه عمدتاً شامل سنگ های نفوذی تیره رنگ، سخت و فشرده (عمدتا آمفیبولیت و متادولوریت) است. خاک و آبرفت ها عمدتاً از گنیس و شیست کوارتز فلدسپاتیک به دست می آیند. تشکیل خاک در منطقه جنگلی کم عمق تا بسیار کم عمق است و عمق در دشت تا زمین های مواج به ندرت از 60 سانتی متر (24 اینچ) تجاوز می کند. به طور کلی لومی قرمز با جیب های سفالی است. فرسایش رخ می دهد و با شیب متفاوت است. خاک سطحی سخت و فشرده است [ 44 ].

2.2. مجموعه داده ها

محصول تصویر چند طیفی Sentinel-2 ( MSI ) سطح-1C که در 4 دسامبر 2019 به دست آمد و منطقه مورد مطالعه را پوشش می‌دهد به عنوان داده‌های آزمایش سنجش از راه دور نوری انتخاب شده است. شکل 1b تصویر ترکیبی با رنگ کاذب ( FCC ) از Sentinel-2 ( L1C ) را نشان می دهد که محل آزمایش انتخاب شده در منطقه مورد مطالعه را در بر می گیرد. وضوح فضایی بین 10 تا 60 متر و وضوح طیفی بین 15 تا 180 نانومتر برای باندهای مختلف تصویر جمع آوری شده Sentinel-2 متفاوت است ( جدول 1 ).
هنگامی که داده‌های Sentinel-2 به وضوح پیکسل 30 متر کاهش می‌یابند (مثلاً Landsat 8) از باندهای تصویر تقریباً معادل استفاده می‌کنند، Sentinel-2 از سایر مجموعه‌های داده فضایی موجود بهتر عمل می‌کند. علاوه بر این، Sentinel-2 شامل نوار لبه قرمز با کیفیت بالا است. پیش‌بینی جنگل AGB با استفاده از Sentinel-2 دقت بهتری را در مقایسه با Landsat 8 تأیید کرد [ 45]. بررسی میدانی برای جمع‌آوری اطلاعات جنگل‌های زمینی برای توسعه روش مبتنی بر سنجش از دور و اعتبارسنجی نتایج انجام شد. به منظور پوشش کامل تنوع جنگلی منطقه مورد مطالعه، مکان های حقیقت زمینی بر اساس دسترسی در جنگل و بدون توجه به دسته های ارتفاع درخت به طور تصادفی انتخاب شدند. علاوه بر این، نمونه‌های زمینی از مکان‌های مختلف با چنین الگویی جمع‌آوری شد تا کل تنوع جنگلی منطقه مورد مطالعه را پوشش دهد.
قطعه های نمونه انتخاب شده نمایشی از کل منطقه مورد مطالعه است. نمونه های زمین از سه پروفیل مختلف که با فاصله نزدیک به 1 کیلومتر از هم جدا شده بودند جمع آوری شد. فاصله بین نمونه ها نیز تقریباً 1 کیلومتر تعیین شد. نمونه های زمینی به صورت تصادفی از این پروفیل ها بر اساس دسترسی به جنگل با جهت های مستقل جمع آوری شد. جمع آوری داده های میدانی با استفاده از یک سیستم موقعیت یاب جهانی ( GPS )، ارتفاع سنج و تجهیزات میدانی جانبی انجام شد. نمونه های زمینی شامل ارتفاع درخت، DBH درخت و تعداد درختان در قطعه نمونه، تراکم ساقه درخت و FVCاز 22 مکان مختلف با اندازه قطعه تقریبی 30 متر × 30 متر (تقریباً 0.09 هکتار)، از سایت مورد مطالعه جمع آوری شد. نمونه‌های مزرعه‌ای از 22 مکان شامل تقریباً 550 درخت منفرد بود و میانگین 25 درخت در هر قطعه در طبقات مختلف ارتفاعی اندازه‌گیری شد. میانگین ارتفاع درخت اندازه گیری شده برای هر مکان مزرعه به عنوان ارتفاع درخت محل برای مطالعه بیشتر استفاده شد. در FVC زمینتخمین در هر مکان نمونه، ابتدا تعداد کل درختان و شعاع پوشش هر درخت محاسبه شد. پوشش سطحی تک درختان دایره ای در نظر گرفته شد. بنابراین، سطح پوشش هر درخت با استفاده از شعاع پوشش آنها محاسبه شد. کل سطح پوشش درخت در هر مکان نمونه با جمع کردن سطح پوشش درختان جداگانه برآورد شد. در نهایت، FVC میدانی با در نظر گرفتن نسبت مساحت تحت پوشش درختان به کل مساحت محل نمونه محاسبه شد. در نتیجه، داده‌های زمین و FVC برای محاسبه AGB زمینی و اعتبارسنجی AGB مدل‌سازی‌شده از داده‌های Sentinel-2 استفاده شد. جزئیات بیشتر از داده های زمینی و مکان ها در جدول 2 ارائه شده است. توالی نمونه های زمین ارائه شده در جدول 2 ترتیب جمع آوری داده ها بدون توجه به ترکیب پروفایل است. بنابراین، توالی نمونه ارائه شده در جدول 2 مکان نمونه تصادفی را بدون توجه به الگوی فضایی نمایه نشان می دهد.

2.3. روش شناسی

روش شناسی در دو مرحله ارائه شده است. در مرحله اول، یک مدل کلی توسعه‌یافته برای ارزیابی جنگل AGB از تصاویر سنجش از دور نوری ارائه شده است، در حالی که فاز دوم آزمایش رویکرد توسعه‌یافته ویژه تصویر Sentinel-2، شاخص‌های پوشش گیاهی و پارامترهای آماری مورد استفاده در این مطالعه را نشان می‌دهد. .
مرحله I. روش استاندارد برای تخمین جنگل AGB با استفاده از داده های سنجش از راه دور نوری.
روش تخمین AGB جنگل در شش مرحله زیر بیان شد و نمودار جریان روش در شکل 2 نشان داده شده است .
مرحله 1: پیش پردازش: در این مرحله، تصویر سنجش از دور نوری برای کاهش نویز، تصحیح و کالیبراسیون رادیومتری، تصحیح جوی و نمونه‌برداری مجدد فضایی از پیش پردازش شد. نویز در اکثر تصاویر ماهواره ای به دلیل نقص سنسور و گرمایش باقی می ماند و تأثیرات محیطی باعث کاهش کیفیت داده ها می شود. از این رو، حذف محتوای نویز در یک تصویر برای افزایش کیفیت داده ضروری است. تصاویر سنجش از دور توزیع شده معمولاً حاوی عدد دیجیتال هستند که یک مقدار تابش کالیبره شده با بهره و افست خاص حسگر است. بنابراین، تصحیح و کالیبراسیون رادیومتریک برای تبدیل اعداد دیجیتال به تشعشع مورد نیاز است.
علاوه بر این، تصحیح اتمسفر برای کاهش اثرات پراکندگی و جذب اتمسفر در داده‌های تابشی و تبدیل تابش به داده‌های بازتابی انجام می‌شود. تصویر Sentinel-2 دارای وضوح مکانی متفاوت در باندهای طیفی مختلف است. نمونه‌گیری مجدد فضایی برای دستیابی به وضوح فضایی واحد از وضوح‌های فضایی مختلف در باندهای طیفی مختلف استفاده شد. در پیش پردازش، کاهش نویز و تصحیح رادیومتریک با استفاده از الگوریتم‌های مبتنی بر آمار تصویر که با استفاده از بهره و افست حسگر توسعه یافته‌اند، انجام شد. یک روش ترکیبی تفریق میدان مسطح و جسم تاریک برای تصحیح جوی و تبدیل یک تصویر رادیومتری به یک تصویر بازتابی توسعه داده شد.
مرحله 2: محاسبه FVC جنگل – در این مرحله، FVC جنگل در هر سطح پیکسل از تصاویر سنجش از دور نوری با استفاده از مدل FVC پیشنهاد شده توسط ژانگ و همکاران محاسبه شد. [ 46 ] به شرح زیر:

فرض کنید اطلاعات طیفی پیکسل پوشش گیاهی خالص و پیکسل خاک خالص به صورت S v و Ss نمایش داده شوند. سپس اطلاعات طیفی ( S ) یک تصویر در هر پیکسل از اطلاعات طیفی پوشش گیاهی ( S veg ) و پوشش غیر گیاهی ( So ) تشکیل شده است . اگر FVC جنگل در یک پیکسل به صورت Fc نمایش داده شود ، آنگاه کسری از پوشش غیر گیاهی باید 1- Fc باشد . بنابراین، از نظر ریاضی، FVC جنگل در سطح پیکسل را می توان به صورت زیر محاسبه کرد:

اسv e g=اسv×افج،����=��×��,
اسo=اسس× ( 1- _افج)��=��×(1−��)
اس= (اسv e g+اسo) ↔ { (اسv×افج) + (اسس× ( 1- _افج) )}،�=(����+��)↔{(��×��)+(��×(1−��))},
از این رو ، افج=اس–اسساسv–اسسhence, ��=�−����−��
با استفاده از معادله (4)، FVC از هر دو تصویر سنجش از دور نوری و داده های میدانی محاسبه می شود.

مرحله 3: تخمین AGB جنگل میدانی – در این مرحله، AGB جنگل میدانی از داده های میدانی جمع آوری شده محاسبه شد. جنگل مزرعه AGB در سطح کرت انفرادی بر حسب کیلوگرم (کیلوگرم) با استفاده از مدل تجربی ساده شده زیر پیشنهاد شده توسط چاو و همکاران به دست آمد. [ 27 ] به شرح زیر:

A G B = κ × μD2اچ،���=�×��2�,

که در آن μ وزن مخصوص (g cm – 3 ) ساقه درخت است، D DBH ( cm)، H ارتفاع درخت (m) و κ ثابت برای نوع جنگل است.

مرحله 4: توسعه مدل بین FVC و AGB — در این مرحله، مدل‌سازی رگرسیون خطی برای یافتن بهترین منحنی برازش بین AGB جنگل زمینی محاسبه‌شده از داده‌های میدانی با استفاده از مرحله 3 و تصویر جنگل FVC به‌دست‌آمده با استفاده از مرحله 2 انجام می‌شود.

بهترین مدل خطی مناسب بین AGB جنگل میدان و FVC جنگل تصویر مربوطه به صورت زیر نمایش داده می شود:

A G B = α × FVسی+ β���=�×���+�

که در آن α و β به ترتیب افزایش و افست برای FVC جنگل تصویری هستند که برای محاسبه AGB جنگل استفاده می شود .

مرحله 5: تولید تصویر جنگلی AGB با استفاده از تصویر FVC جنگل – فرض کنید تصویر FVC جنگل به صورت FVC ( i , j ) و تصویر جنگل AGB به صورت AGB ( i , j ) نشان داده شده است، جایی که ( i , j ) محل پیکسل سپس جنگل AGB پیکسلی بر حسب کیلوگرم به صورت زیر محاسبه می شود:

A G B ( i , j ) = α × { FVسی( i , j ) }+β���(�,�)=�×{���(�,�)}+�

مرحله 6: ارزیابی دقت – دقت AGB جنگل محاسبه شده از تصویر سنجش از دور نوری با اعتبارسنجی زمینی ارزیابی شد. اعتبارسنجی زمین با مقایسه مقدار AGB بین میدان محاسبه‌شده و تخمین تصویر در مکان‌های مختلف زمین انجام شد. دقت نتیجه در درصد به صورت زیر نمایش داده می شود:

A c c u r a c y ( % ) =nن× 100 ،�������� (%)=��×100,

که در آن N تعداد کل نقاط اعتبارسنجی است، و n تعداد نقاط اعتبار سنجی توافق شده با آن است که برابر یا کمتر از یک انحراف استاندارد بین اندازه گیری های تصویر و میدان است.

در نهایت، AGB جنگل تعمیم‌یافته به‌دست‌آمده از سطح کرت فردی بر حسب کیلوگرم به تن در هکتار (tha -1 ) استاندارد می‌شود.
فاز دوم. ارزیابی مدل جنگلی AGB با استفاده از داده های Sentinel-2.
برای آزمایش و تأیید اثربخشی روش پیشنهادی، آزمایش در روش متوالی بر روی Sentinel-2 به‌عنوان یک تصویر سنجش از راه دور نوری برای محاسبه AGB جنگل از سایت تست جنگل رزرو شده توندی، Jharkhand، هند استفاده شد. مراحل متوالی در محاسبه AGB جنگل در زیر آورده شده است.
پس از پیش پردازش، نمونه برداری مجدد فضایی در ابتدا برای رساندن همه باندهای طیفی به وضوح فضایی 10 متر انجام شد (به عنوان مثال، باندهای 2-4 با تفکیک مکانی 10 متر و باندهای 5-7، 8a با وضوح فضایی 20 متر) و سپس نمونه برداری مجدد به وضوح فضایی 30 متر، یعنی تقریباً برابر با وضوح مکانی داده های میدانی است.

استخراج اطلاعات طیفی مستقیم پوشش گیاهی و غیر گیاهی (خاک) برای محاسبه FVC جنگل مشکل است. بنابراین، شاخص های مختلف پوشش گیاهی برای تعیین کمیت اطلاعات پوشش گیاهی در پیکسل یک تصویر استفاده شد. در آزمایش ما، برای تعیین کمیت مقدار پوشش گیاهی در یک پیکسل Sentinel-2، چهار شاخص پوشش گیاهی مورد ارزیابی قرار گرفت: شاخص گیاهی تفاوت نرمال شده ( NDVI )، شاخص گیاهی اصلاح شده ( MVI )، شاخص گیاهی تعدیل شده با خاک ( SAVI )، و خاک اصلاح شده. شاخص گیاهی تنظیم شده ( MSAVI ). NDVI ، MVI ، SAVI ، و MSAVIتصاویر از تصویر Sentinel-2 با استفاده از معادلات زیر تولید شدند:

نD Vمن= (نمنR – R EDنمنR + R ED) ،����=(���−������+���),
مVمن=( نمنR – R Eد )( نمنR – R Eد ) +0.5—————–√���=(���−���)(���−���)+0.5
اسA Vمن=( 1 + L ) × ( NمنR – R Eد )( نمنR + R ED + L )، و ����=(1+�)×(���−���)(���+���+�), and
ماسA Vمن=( 2 × NمنR + 1 –( 2 × NمنR + 1 )2− 8 × ( NمنR – R Eد )—————————–√)2ماسآ�من=(2×نمنآر+1-(2×نمنآر+1)2-8×(نمنآر-آر��))2

که در آن L ضریب تنظیم پس‌زمینه سایه‌بان است ( مقدار L برابر 0.5 در داده‌های بازتابی) و NIR و RED مقادیر بازتابی در باندهای مادون قرمز و قرمز نزدیک تصویر سنجش از راه دور چند باندی هستند.

در آزمایش ما، NIR (باند 8) و RED (باند 4) با دقت از تصویر بازتابی Sentinel-2 برای محاسبه این شاخص‌های پوشش گیاهی انتخاب شدند. بیشترین مقدار شاخص پوشش گیاهی در یک تصویر به عنوان پیکسل پوشش گیاهی خالص در نظر گرفته شد و کمترین مقدار به عنوان پیکسل خاک خالص تعیین شد. در نتیجه، پیکسل های خالص برای اطلاعات پوشش گیاهی و غیر گیاهی (خاک) برای محاسبه تصاویر FVC جنگل از شاخص های پوشش گیاهی محاسبه شده با استفاده از رابطه (4) شناسایی شدند. بهترین شاخص پوشش گیاهی در بین شاخص های پوشش گیاهی برای محاسبه AGB جنگل بر اساس ضریب همبستگی ( R ) و میانگین خطای مطلق ( MAE ) انتخاب شد.) بین FVC جنگل زمینی و FVC جنگل تصویری . R درجه تشابه آماری بین یک جفت متغیر است، در حالی که MAE اندازه گیری خطاهای بین مشاهدات زوجی است. R و MAE بین FVC زمین و FVC از Sentinel-2 توسط NDVI ، MVI ، SAVI ، و MSAVI مربوط به مکان‌های نمونه زمین محاسبه شد. بر اساس بالاترین همبستگی و کمترین معیار MAE ، تصویر FVC مبتنی بر MSAVI در AGB انتخاب شد.محاسبه علاوه بر این، خط روند با رگرسیون خطی بین زمین و FVC مبتنی بر MSAVI برازش شد که در معادله (13) نشان داده شده است:

افVسیمن یک جی هستمه= 0.7314 × FVسیجی آر و ن د _+ 0.0432 و  آر2= 0.9995اف�سیمنمترآ�ه=0.7314×اف�سیجی��تو�د+0.0432 و آر2=0.9995

در جنگل حفاظت شده تندی، گونه درختی غالب Shorea robusta (سال) است. بر این اساس، بر اساس [ 27 ]، جنگل زمینی AGB با استفاده از معادله زیر از داده های میدانی محاسبه شد ( جدول 2 ):

A G B = 0.509 × μD2اچآجیب=0.509×��2اچ

که در آن AGB جنگل زیست توده بالای زمین (کیلوگرم)، μ (0.667) وزن مخصوص (تراکم ساقه درخت) (g cm – 3 )، D DBH ( cm)، H ارتفاع درخت (m) و ثابت 0.509 به دست آمده از [ 27 ]. AGB جنگل زمینی محاسبه شده از داده های میدانی و تصویر انتخابی جنگل FVC در جدول 5 نشان داده شده است.

یک خط روند بین AGB جنگل زمینی محاسبه شده و FVC جنگل بازیابی شده توسط رگرسیون خطی به دست می آید. مدل زیر (معادله (15)) از 15 نمونه تمرین زمینی (جدول 5) و از 7 نمونه زمین باقی مانده برای اعتبارسنجی نتایج به دست آمده از مدل توسعه یافته استفاده شد (جدول 6).

A G B ( i , j ) = 92361 × { FVسی( i , j ) }و_  آر2= 0.7494آجیب(من،�)=92361×{اف�سی(من،�)}، و آر2=0.7494
دقت جنگل AGB بر اساس Sentinel-2 با مقایسه هفت اندازه‌گیری میدانی باقی‌مانده با مکان‌های مربوطه ارزیابی شد. لطفاً توجه داشته باشید که نمونه‌هایی که برای آموزش انتخاب شده‌اند برای تأیید اعتبار انتخاب نشده‌اند تا از تعصب در ارزیابی دقت جلوگیری شود. بنابراین، نمونه‌های آموزشی و اعتبارسنجی قبل از مدل‌سازی روند از هم جدا شدند. برای پردازش داده ها و اجرای روش پیشنهادی و آزمایش در ارزیابی جنگل AGB ، عمدتاً از نرم افزار برنامه نویسی زبان داده های تعاملی ( IDL ) و محیط برای تجسم تصاویر ( ENVI ) استفاده شد.

3. نتایج و بحث

نتایج ارزیابی جنگل AGB از منطقه مورد مطالعه با استفاده از روش شناسی و تجزیه و تحلیل تجربی شرح داده شده در بخش 2 در زیر ارائه شده است.
تصاویر تخمینی FVC جنگل بر اساس NDVI ، MVI ، SAVI و MSAVI به ترتیب در شکل 3 نشان داده شده است. FVC زمین و تصویر محاسبه شده از داده های مزرعه و Sentinel-2 به ترتیب برای هر شاخص پوشش گیاهی استخراج شده از مکان های مربوطه، در جدول 3 نشان داده شده است. R و MAE بین FVC زمین و FVC برآورد شده با استفاده از شاخص های پوشش گیاهی از Sentinel-2 مورد تجزیه و تحلیل قرار گرفت. مقادیر تخمینی R و MAE در جدول 4 نشان داده شده است. نتایج نشان می دهد که FVC تصویر مبتنی بر MSAVI بیشترین همبستگی و کمترین MAE را ارائه می دهد. بر اساس مدل تجربی AGB [ 27 ]، AGB جنگل زمینی محاسبه شده از داده های میدانی و تصویر انتخابی جنگل FVC در جدول 5 نشان داده شده است.
طبق نتایج حاصل از آزمایش با استفاده از داده های ماهواره ای همراه با داده های اولیه زمینی، FVC جنگل مبتنی بر تصویر از طریق MSAVI محاسبه شد . این بالاترین همبستگی و کمترین میانگین خطای مطلق را با توجه به FVC زمین در مقایسه با سایر شاخص های پوشش گیاهی مورد استفاده در این مطالعه نشان داد ( جدول 4 ؛ شکل 3 ). این مقایسه ها نشان داد که MSAVI بهترین شاخص پوشش گیاهی برای محاسبه FVC جنگل مبتنی بر تصویر بود . علاوه بر این، FVC جنگل مبتنی بر تصویر یک رابطه خطی را با مقدار همبستگی بالای 0.9995 نشان داد که با استفاده از معادله (13) به دست آمده است.
مدل تجربی (معادله (14)) در محاسبه AGB جنگل زمینی مفید بود . علاوه بر این، مدل خطی بین AGB جنگل زمینی و FVC جنگل مبتنی بر تصویر انتخاب شده مقدار همبستگی خوبی 0.75 را نشان داد (معادله (15)). مدل مشتق شده به FVC جنگل مبتنی بر تصویر برای محاسبه AGB مبتنی بر تصویر منطقه مورد مطالعه اعمال شد ( شکل 4 ). این مدل با استفاده از 15 نمونه از 22 نمونه جمع آوری شده از میدان آموزش داده شد. دقت AGB جنگل مبتنی بر Sentinel-2با مقایسه هفت اندازه گیری میدانی باقی مانده با مکان های مربوطه ارزیابی شد. انحراف معیار 3166.50 کیلوگرم در هر قطعه بود که از برآورد جنگل AGB از هر 22 مکان محاسبه شد. نتیجه نشان می دهد که تمام ارزیابی بین AGB جنگل به دست آمده از تصویر و میدان محاسبه شده در یک انحراف استاندارد توافق شده است. ارزیابی فوق بر اساس یک گونه درختی، یعنی Shorea robusta انجام شد. این گونه درختی تقریباً 90 درصد در منطقه مورد مطالعه غالب است.
در این مطالعه، ما دیگر گونه‌های درختی را نادیده گرفته‌ایم تا از پیچیدگی روش توسعه‌یافته جلوگیری کنیم. بنابراین، می توان در نظر گرفت که این مطالعه تقریباً بیش از 90 درصد دقت را ارائه کرده است. عدم قطعیت نتیجه نهایی با استفاده از آزمون مجذور کای مورد آزمایش قرار گرفت. مقدار آزمون کای اسکوئر 0.19 بود، یعنی 19 درصد عدم قطعیت در برآورد.
در نهایت، مدل توسعه یافته برای محاسبه AGB جنگلی منطقه مورد مطالعه با استفاده از تصویر Sentinel-2 ( شکل 4 ) استفاده شد. بر اساس نقشه AGB جنگلی تولید شده، کل AGB جنگل محاسبه شده منطقه مورد مطالعه 7,914,875,916.57 کیلوگرم (7,914,875.92 تن) در 170,704,500 متر مربع ( 17,070.45 هکتار) برآورد شده است. در نتیجه، منطقه مورد مطالعه دارای جنگل AGB به طور متوسط ​​463.66 تن در هکتار است.
علاوه بر این، کارایی روش با قاضی و همکاران مقایسه شد. مدل [ 47 ] در برآوردهای جنگلی AGB . قاضی و همکاران مدل برآورد جنگل AGB یک رابطه خطی بین ناحیه پیش بینی شده تاج ( CPA ) است که از یک تصویر سنجش از دور نوری و AGB مبتنی بر میدان بدست می آید .

مدل فوق برای Sentinel-2 و AGB زمینی به دست آمده از منطقه مورد مطالعه به دست آمده است که در معادله (16) نشان داده شده است:

A G B ( i , j ) = 17419 × { CپA ( i , j ) } –7430.2و_  آر2= 0.667آجیب(من،�)=17419×{سیپآ(من،�)}-7430.2، و آر2=0.667
به همین ترتیب، اثربخشی روش توسعه یافته با Pandit و همکاران مقایسه شد. مدل [ 9 ]. این مدل بر اساس رگرسیون تصادفی جنگل برای تخمین AGB جنگل توسعه یافته است. این مدل‌ها برای اعتبارسنجی جنگل محاسبه‌شده AGB اعمال شدند که در جدول 5 و جدول 6 نشان داده شده است .
نتایج نشان می دهد که پنج با قاضی و همکاران. مدل و شش توسط Pandit و همکاران. مدل از میان هفت نقطه اعتبارسنجی که در یک انحراف استاندارد با تخمین های زمینی مطابقت دارند. توجه داشته باشید که انحراف استاندارد جنگل AGB مورد استفاده برای مقایسه از کل داده های زمین محاسبه شد. علاوه بر این، قدرت رویکرد پیشنهادی با استفاده از ضریب همبستگی و میانگین خطای مطلق مورد آزمایش قرار گرفت.
نتایج به دست آمده با این رویکرد، قاضی و همکاران. [ 47 ] مدل، و Pandit و همکاران. مدل [ 9 ] با مقایسه نتایج آنها با برآوردهای AGB جنگل های زمینی مورد ارزیابی قرار گرفت . همبستگی بین نتایج حاصل از تصویر Sentinel-2 و داده های زمینی با رویکرد فوق در مقایسه با قاضی و همکاران (0.9937) بیشتر بود. مدل (0.9796) و Pandit و همکاران. مدل (0.9884). در حالی که میانگین خطای مطلق بین نتایج حاصل از داده های تصویری و زمینی با رویکرد پیشنهادی کمتر (97/582) از قاضی و همکاران بود. مدل (18428.41) و Pandit و همکاران. مدل (1509.64). نتایج نشان داد که رویکرد توسعه یافته در مقایسه با قاضی و همکاران برتر است. [ 47 ] و Pandit و همکاران. [ 9 ] مدل ها. جنگلارزیابی AGB توسط قاضی و همکاران. مدل توسط CPA مبتنی بر NDVI انجام شد در حالی که تخمین AGB با رویکرد پیشنهادی توسط FVC مبتنی بر MSAVI به دست آمد . به طور مشابه، یک مدل رگرسیون تصادفی مبتنی بر جنگل برای ارزیابی AGB جنگل توسط Pandit و همکاران توسعه داده شد. [ 9 ]. این مدل با استفاده از الگوریتم جنگل تصادفی رابطه ای بین شاخص پوشش گیاهی مشتق شده از لبه قرمز و AGB زمین ایجاد کرد [ 9 ].
این نتایج همچنین نشان داد که انتخاب شاخص‌های پوشش گیاهی نیز ممکن است پارامترهای مهمی در تخمین AGB جنگل با دقت باشد. ممکن است دلیلی وجود داشته باشد که MSAVI در مقایسه با NDVI برای تشخیص پوشش گیاهی در جنگل دقیق تر است. علاوه بر این، تخمین دقیق CPA در مقایسه با تخمین FVC از داده‌های سنجش از راه دور نوری مشکل است. علاوه بر این، Pandit و همکاران. مدل نشان داد که نه تنها انتخاب الگوریتم قوی ارزشمند است، بلکه شناسایی و ارزیابی دقیق پوشش گیاهی نیز در جنگل AGB حیاتی است.توسعه مدل با این حال، مدل توسعه‌یافته انتخاب شاخص پوشش گیاهی را برای تعیین کمیت پوشش جنگلی قبل از توسعه مدل جنگلی AGB در نظر گرفت. رویکرد توسعه‌یافته مستقیم و ساده برای ارزیابی دقیق جنگل AGB است. علاوه بر این، یک رویکرد AGB جنگل تعمیم‌یافته ارائه شده است به طوری که رویکرد توسعه‌یافته می‌تواند برای سایر داده‌های سنجش از راه دور نوری برای تخمین جنگل AGB از مکان‌های مطالعه مختلف اعمال شود. به طور کلی، این نتایج و تجزیه و تحلیل از منطقه مورد مطالعه نشان می دهد که Sentinel-2 دارای پتانسیل قابل توجهی برای تخمین AGB جنگل است. بر اساس رویکرد توسعه‌یافته و تصویر Sentinel-2، میانگین جنگل AGB66/463 تن در هکتار از منطقه مورد مطالعه به دست آمد که به طور موثر با برآوردهای مبتنی بر مشاهدات زمینی مطابقت داشت.
یکی از اهداف کلیدی این کار، توسعه روشی جدید برای ارزیابی دقیق، دقیق و سریع زیست توده جنگلی روی زمین از داده‌های سنجش از دور نوری ماهواره‌ای بود. برای این منظور از داده های ماهواره Sentinel-2 استفاده شد. FVC زمین از تصاویر سنجش از دور نوری در هر مکان نمونه زمین استخراج شد. جدای از شاخص‌های مختلف پوشش گیاهی موجود، روش جدیدی برای ارزیابی دقیق، دقیق و سریع و اعتبار سنجی تخمین زیست توده جنگل‌های بالای زمین با استفاده از سنجش از دور نوری در منطقه جنگلی حفاظت‌شده توندی، هند توسعه داده شده است. این منطقه جنگلی به طور معمول نشان دهنده یک نوع جنگل نیمه گرمسیری است که به وفور در منطقه ای که مطالعه برای آن انجام شده است یافت می شود. اعتبار سنجی زمینی و مقایسه با CPA توسعه یافتهتایید شدند. این روش نتایج بهتری را نسبت به هر روش شناخته شده دیگری که تاکنون ارائه شده است نشان داد. با استفاده از این روش، AGB 463 تن در هکتار برای منطقه مورد مطالعه به دست آمد و در ادامه، داده های به دست آمده از ماهواره نیز با داده های تخمینی زمین مقایسه شد. در نهایت، با استفاده از مدل توسعه یافته، سطح دقت مطلوبی به دست آمد. این منجر به درک و درک ارزش نتیجه تحقیق از این کار می شود.
این مطالعه همچنین نشان داد که متغیرهای بیوفیزیکی انواع پوشش گیاهی به‌دست‌آمده از Sentinel-2 در محاسبه AGB جنگل با استفاده از رگرسیون محلی مفید هستند. با این حال، این مطالعه فرض کرد که کل منطقه مورد مطالعه از یک گونه درختی تشکیل شده است، در حالی که در واقعیت جنگل ها از گونه های درختی متعدد با مقادیر جغرافیایی متفاوت در شرایط زمین مواج تشکیل شده اند. با این حال، در مقایسه با مجموعه داده‌های موجود و تکنیک‌های موجود، روش پیشنهادی در ارزیابی سریع AGB جنگل بسیار مفید است. علاوه بر این، در دسترس بودن داده های سنجش از دور چندطیفی نوری با کیفیت بالا در مقیاس جهانی، رایگان یا با هزینه کم از منابع متعدد، ممکن است به جامعه جهانی برای جنگل AGB کمک کند.برآورد کردن.
در نهایت، این نتایج منجر به این نتیجه می شود که مدل به دست آمده به سرعت AGB جنگل را از تصاویر سنجش از دور نوری به طور مستقیم با دقت بالا تولید می کند. استفاده از داده‌های سنجش از دور نوری در مقایسه با داده‌های سنجش از دور مایکروویو، که برای استخراج پارامترهای بیوفیزیکی گیاهی در برآورد AGB به پردازش داده‌های پیچیده نیاز دارند، سریع و ساده است. علاوه بر این، روش‌های قبلی [ 9 ، 47 ] و داده‌های مایکروویو در محاسبات جنگلی AGB به عوامل متعددی مانند عوامل اکولوژیکی، زیستی و توپوگرافی، از جمله ارتفاع واقعی درخت، قطر، تراکم ساقه، و شکل اطلاعات تاج درخت بستگی دارد.

4. نتیجه گیری

هدف از این تحقیق توسعه یک روش قوی و مقرون به صرفه برای ارزیابی سریع AGB جنگل بود. در ابتدا، FVC زمینی با استفاده از کسری از پوشش زمین توسط درختان و تصویر FVC با استفاده از شاخص پوشش گیاهی از داده‌های سنجش از دور نوری محاسبه شد. در مرحله بعد، جنگل زمینی AGB از داده های زمین (تراکم درخت، ارتفاع درخت و DBH درخت ) با استفاده از یک مدل تجربی [ 27 ] استخراج شد. متعاقباً، یک مدل رابطه‌ای بین جنگل‌های زمینی AGB و سنجش از دور FVC با ترکیب این اطلاعات با استفاده از رویکرد برازش منحنی خطی ایجاد شد.
برای تخمین AGB جنگل ، مدل ابداع شده بر روی تصویر FVC به دست آمده از تصویر سنجش از دور نوری اعمال شد. اثربخشی رویکرد توسعه‌یافته با استفاده از تصاویر Sentinel-2 به‌عنوان داده‌های سنجش از راه دور نوری آزمایشی ارزیابی شد. منطقه جنگلی حفاظت شده توندی، واقع در ایالت جارکند در شرق هند، به عنوان مکان آزمایشی برای این مطالعه انتخاب شد. نتایج به‌دست‌آمده با رویکرد توسعه‌یافته تطابق بسیار خوبی با نتایج به‌دست‌آمده توسط برآوردهای زمینی نشان داد. استفاده از روش توسعه‌یافته در جنگل حفاظت‌شده توندی نشان داد که محل آزمایش شامل جنگل AGB استبه طور متوسط ​​463 تن در هکتار. نتیجه به دست آمده توسط رویکرد پیشنهادی به خوبی با نتایج گزارش شده در مطالعات قبلی از منطقه مورد مطالعه مطابقت دارد. نتیجه بیش از 90% تطابق با اندازه گیری زمین را نشان داد.
این مطالعه هنوز دارای یک دامنه بهبود آینده است که از اطلاعات توپوگرافی در مدل توسعه‌یافته استفاده می‌کند.

منابع

  1. نوروفسورن، بی. Tseveen، B. باتومونکویف، وی. رنچین، تی. برآورد زیست توده جنگلی و پوشش با استفاده از داده های ماهواره ای در منطقه کوچک مقیاس، مغولستان. در سری کنفرانس های IOP: علوم زمین و محیط زیست ; انتشارات IOP: پکن، چین، 2019; جلد 320، ص. 012019. [ Google Scholar ]
  2. کومار، پی. کریشنا، AP; ناثوات، ام اس؛ سینگ، سی.پی. Mohan, S. تخمین ارتفاع درخت در جنگل حفاظت شده تندی با استفاده از تداخل سنجی SAR. در مجموعه مقالات سنجش از دور مایکروویو اتمسفر و محیط V، گوا، هند، 7 دسامبر 2006; جلد 6410، ص. 641004-1. [ Google Scholar ]
  3. کهل، م. Lasco، RD; سیفوئنتس، ام. جانسون، او. کورهونن، ک. موندنک، پی. ناور، ج. استینسون، جی. تغییرات در تولید جنگل، زیست توده و کربن: نتایج ارزیابی منابع جنگلی جهانی فائو سازمان ملل متحد در سال 2015. برای. Ecol. مدیریت 2015 ، 352 ، 21-34. [ Google Scholar ]
  4. تیان، ایکس. یان، م. ون در تول، سی. لی، ز. سو، ز. چن، ای. لی، ایکس. لی، ال. وانگ، ایکس. پان، X. و همکاران مدل‌سازی دینامیک زیست توده بالای زمینی جنگل با استفاده از داده‌های چند منبعی و مدل‌های ترکیبی: مطالعه موردی بر روی کوه‌های قیلیان کشاورزی برای. هواشناسی 2017 ، 246 ، 1-14. [ Google Scholar ] [ CrossRef ]
  5. آسنر، GP; ماسکارو، جی. مولر-لاندو، HC; ویلدنت، جی. وودری، آر. رسامولینا، م. هال، JS؛ Van Breugel، M. رویکرد جهانی LiDAR هوابرد برای نقشه‌برداری کربن جنگل‌های استوایی. Oecologia 2011 ، 168 ، 1147-1160. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  6. جانسون، دی جی؛ نیدهام، جی. خو، سی. مسعود، EC; دیویس، اس جی. Anderson-Teixeira، KJ; بونیاویچوین، س. چمبرز، جی کیو. چانگ یانگ، سی. چیانگ، جی. و همکاران بقای وابسته به اندازه حساس به آب و هوا در درختان گرمسیری نات. Ecol. Evolut. 2018 ، 2 ، 1436-1442. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  7. کومار، ا. سایکیا، پ. سایکیا، پ. دکا، ج. بهارالی، س. سینگا، ال. تریپاتی، او. Khan، ML ارزیابی تنوع درختان و تخمین زیست توده جنگل های بالای زمین با استفاده از سنجش از راه دور SAR: مطالعه موردی پوشش گیاهی ارتفاعات بالاتر هیمالیاهای شمال شرقی، هند. فیزیک شیمی. Earth Parts A/B/C 2019 ، 111 ، 53–64. [ Google Scholar ] [ CrossRef ]
  8. قهرمان، SH; ست، SK یک بررسی تجدید نظر شده در مورد انواع جنگل های هند . Amazon.com، Inc.: دهلی، هند، 1968. [ Google Scholar ]
  9. پاندیت، اس. تسویوکی، اس. Dube، T. تخمین بیومس بالای زمین در جنگل‌های منطقه حائل نیمه گرمسیری، نپال، با استفاده از داده‌های Sentinel 2. از راه دور. Sens. 2018 , 10 , 601. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  10. کومولافه، ای تی. Chukwuka، KS; اوبیاکرا، ام سی؛ Osonubi، O. ذخیره کربن و پتانسیل ترسیب جنگل میمون Ibodi در آتاکوموسا، ایالت اوسون، نیجریه. درختان برای. People 2020 , 2 , 100031. [ Google Scholar ] [ CrossRef ]
  11. Laurin، GV; بالینگ، جی. کرونا، پی. ماتیولی، دبلیو. پاپال، دی. پولتی، ن. ریزو، م. Truckenbrodt، J. شهری، M. پیش‌بینی زیست توده بالای زمین توسط داده‌های چندزمانی Sentinel-1 در مرکز ایتالیا با ادغام داده‌های ALOS2 و Sentinel-2. J. Appl. Remote Sens. 2018 , 12 , 016008. [ Google Scholar ] [ CrossRef ]
  12. Lefsky، MA یک نقشه جهانی ارتفاع تاج پوشش جنگل از طیف‌سنجی تصویربرداری با وضوح متوسط ​​و سیستم ارتفاع‌سنج لیزری زمین‌شناسی. ژئوفیز. Res. Lett. 2010 , 37 , L15401. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  13. لیو، ز. لیو، PW; مسعود، ا. Farr، TG; لوندگرن، پی. Famiglietti، JS نظارت بر تغییرات آب های زیرزمینی در دره مرکزی کالیفرنیا با استفاده از مشاهدات Sentinel-1 و GRACE. Geosciences 2019 ، 9 ، 436. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  14. مسعود، EC; خو، سی. فیشر، RA; ناکس، آر جی. واکر، AP; Serbin، SP; کریستوفرسن، BO; هولم، جی. Kueppers، LM; Ricciuto، DM; و همکاران شناسایی پارامترهای کلیدی کنترل کننده پویایی پوشش گیاهی با ساختار جمعیتی در یک مدل سطح زمین: CLM4. 5 (سرنوشت). Geosci. مدل Dev. 2019 ، 12 ، 4133-4164. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  15. در حال اجرا، SW; نمانی، ر. هاینش، FA; ژائو، ام. ریوز، ام. هاشیموتو، اچ. اندازه گیری مستمر تولید اولیه زمینی برگرفته از ماهواره. Bioscience 2004 ، 54 ، 547-560. [ Google Scholar ] [ CrossRef ]
  16. آرون، دی. Kulkarni، BL الگوریتم جنگل تصادفی برای طبقه بندی پوشش زمین. بین المللی J. نوآوری اخیر. محاسبه گرایش ها اشتراک. 2016 ، 4 ، 58-63. [ Google Scholar ]
  17. گالیدکی، جی. زیانیس، د. گیتاس، آی. رادوگلو، ک. کاراتاناسی، وی. تساکیری – استراتی، م. وودهاوس، جی. Mallinis، G. تخمین زیست توده گیاهی با سنجش از دور: تمرکز بر جنگل و دیگر زمین های جنگلی بر روی اکوسیستم مدیترانه. بین المللی J. Remote Sens. 2017 ، 38 ، 1940-1966. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. چولاک، ای. Sunar، AF سنجش از دور و ادغام GIS برای نظارت بر مناطق آسیب دیده از آتش سوزی جنگل: مطالعه موردی در ازمیر، ترکیه. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2018 ، 42 ، 165-170. [ Google Scholar ]
  19. بوراس، جی. دلگیدو، جی. پزولا، آ. پریرا، م. مرسی، جی. Camps-Valls، G. طبقه بندی کاربری زمین از تصاویر Sentinel-2. Rev. Teledetección 2017 ، 48 ، 55–66. [ Google Scholar ]
  20. ایمیتزر، ام. وولو، اف. آینزمن، ک. Ng، WT; بوک، اس. آتزبرگر، سی. مناسب بودن داده های Sentinel-2 برای طبقه بندی گونه های درختی در اروپای مرکزی. WorldView 2013 ، 2 ، 16. [ Google Scholar ]
  21. تسلمون، آر. تطیشی، ر. Tetuko، JSS روشی برای تخمین زیست توده جنگل و کاربرد آن برای پایش تایگا مغولی با استفاده از داده های JERS-1 SAR. بین المللی J. Remote Sens. 2002 ، 23 ، 4971-4978. [ Google Scholar ] [ CrossRef ]
  22. چن، ال. رن، سی. ژانگ، بی. وانگ، ز. Xi، Y. برآورد زیست توده جنگلی بالای زمین با رگرسیون وزن‌دار جغرافیایی و یادگیری ماشین با تصاویر سنتینل. Forests 2018 , 9 , 582. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  23. کومار، پی. کریشنا، AP InSAR بر اساس برآورد ارتفاع درخت جنگل تپه ای با استفاده از داده های Radarsat-1 و Sentinel-1 SAR چند زمانی. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2019 , 12 , 5147–5152. [ Google Scholar ] [ CrossRef ]
  24. پولتی، ن. چیانوچی، اف. Castaldi، C. استفاده از Sentinel-2 برای طبقه بندی جنگل در محیط های مدیترانه ای. ان سیلویک. Res. 2017 ، 42 ، 32-38. [ Google Scholar ]
  25. ژانگ، ی. لیانگ، اس. Yang, L. مروری بر مجموعه داده‌های زیست توده جنگل‌های شبکه‌بندی‌شده منطقه‌ای و جهانی. Remote Sens. 2019 , 11 , 2744. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  26. لی، ی. وانگ، اچ. تخمین پوشش گیاهی کسری Li، XB بر اساس یک مدل مخلوط طیفی انتخابی انتخابی بهبود یافته. PLoS ONE 2015 ، 10 ، e0124608. [ Google Scholar ] [ CrossRef ]
  27. چاو، جی. آندالو، سی. براون، اس. کایرنز، MA; چمبرز، جی کیو. ایموس، دی. Lescure، JP Tree allometry و تخمین بهبود یافته ذخایر کربن و تعادل در جنگل های استوایی. Oecologia 2005 ، 145 ، 87-99. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  28. لیم، ک. تریتز، پی. ولدر، ام. سنت اونگه، بی. سیل، M. LiDAR سنجش از دور ساختار جنگل. Prog. فیزیک Geogr. محیط زمین. 2003 ، 27 ، 88-106. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  29. کاخ، مگاوات؛ سالیوان، FB؛ دوسی، ام جی. Treuhaft، RN; هریک، سی. Shimbo، JZ; Mota-E-Silva، J. برآورد ساختار جنگل در یک جنگل استوایی با استفاده از اندازه‌گیری‌های میدانی، یک مدل مصنوعی و داده‌های لیدار بازگشتی گسسته. سنسور از راه دور محیط. 2015 ، 161 ، 1-11. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  30. ساعتچی، س. هریس، NL; براون، اس. Lefsky، AM; میچارد، ایتا؛ سالاس، دبلیو. زوتا، BR; بوئرمن، دبلیو. لوئیس، اس ال. هاگن، اس. و همکاران نقشه معیار ذخایر کربن جنگلی در مناطق گرمسیری در سه قاره. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2011 ، 108 ، 9899-9904. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  31. وو، ایکس. وانگ، ایکس. وو، ی. Xia، X. Fang, J. زیست توده جنگل به شدت توسط ارتفاع جنگل در سراسر جنگل های شمالی تا گرمسیری در چین شکل می گیرد. J. Plant Ecol. 2015 ، 8 ، 559-567. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  32. سولبرگ، اس. نایست، ای. گوباکن، تی. Bollandsås، OM تغییر زیست توده جنگل برآورد شده از تغییر ارتفاع در مدل‌های ارتفاع SAR تداخل‌سنجی. کربن بالانس Manag. 2014 ، 9 ، 5. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  33. یو، ی. ساعتچی، س. هیث، LS; لاپوینت، ای. مینینی، ر. Knyazikhin، Y. توزیع منطقه ای ارتفاع جنگل و زیست توده از همجوشی داده های چندحسگر. جی. ژئوفیز. Res. Biogeosci. 2010 ، 115 ، 16. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  34. ژانگ، جی. گانگولی، اس. نمانی، ر.ر. White, MA; میلسی، سی. هاشیموتو، اچ. وانگ، دبلیو. ساعتچی، س. یو، ی. Myneni، RB برآورد زیست توده جنگلی روی زمین در کالیفرنیا با استفاده از ارتفاع تاج پوشش و شاخص سطح برگ برآورد شده از داده های ماهواره ای. سنسور از راه دور محیط. 2014 ، 151 ، 44-56. [ Google Scholar ] [ CrossRef ]
  35. ژانگ، ایکس. Kondragunta، S. برآورد زیست توده جنگل در ایالات متحده آمریکا با استفاده از مدل های آلومتریک تعمیم یافته و محصولات زمین MODIS. ژئوفیز. Res. Lett. 2006 ، 33 ، 09402. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  36. برنر، LT; قانون، BE صفات گیاهی، بهره وری، زیست توده، و خواص خاک از سایت های جنگلی در شمال غربی اقیانوس آرام، 1999-2014. علمی داده 2016 ، 3 ، 160002. [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
  37. چن، JM ارزیابی شاخص های پوشش گیاهی و نسبت ساده اصلاح شده برای کاربردهای شمالی. می توان. J. Remote Sens. 1996 ، 22 ، 229-242. [ Google Scholar ] [ CrossRef ]
  38. دورانته، پی. مارتین-آلکون، اس. گیل تنا، ع. الگیت، ن. تومه، جی ال. ریکورو، ال. Palacios-Orueta، A.; Oyonarte, C. بهبود نقشه‌های زیست توده جنگلی روی زمین: از وضوح بالا تا مقیاس ملی. Remote Sens. 2019 , 11 , 795. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  39. هانسن، ام سی; پوتاپوف، PV؛ مور، آر. هنچر، م. توروبانوا، SA; تیوکاوینا، آ. تاو، دی. Stehman، SV; گوتز، اس جی. لاولند، TR; و همکاران نقشه های جهانی با وضوح بالا تغییر پوشش جنگلی قرن بیست و یکم. Science 2013 ، 342 ، 850-853. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  40. آسنر، GP; هیوز، RF؛ وارگا، TA; Knapp، DE; کندی-بودوین، تی. کنترل‌های زیست‌محیطی و زیستی بر روی بیومس بالای زمین در سراسر جنگل بارانی استوایی. اکوسیستم ها 2009 ، 12 ، 261-278. [ Google Scholar ] [ CrossRef ]
  41. فرلکینگ، اس. کاخ، مگاوات؛ کلارک، دی بی؛ چمبرز، جی کیو. شوگارت، اچ. Hurtt، GC جنگل اختلال و بازیابی: یک بررسی کلی در زمینه سنجش از راه دور فضابردی اثرات بر روی زیست توده بالای زمینی و ساختار تاج پوشش. جی. ژئوفیز. Res. Biogeosci. 2009 ، 114 ، G00E02. [ Google Scholar ] [ CrossRef ]
  42. McEwan، RW; لین، Y.-C. خورشید، IF; حسیه، ج.-ف. سو، اس.-اچ. چانگ، L.-W. آهنگ، G.-ZM; وانگ، H.-H.; Hwong، J.-L. لین، ک.-سی. و همکاران تنظیم توپوگرافی و زیستی ذخیره‌سازی کربن روی زمین در جنگل‌های پهن برگ نیمه گرمسیری تایوان. برای. Ecol. مدیریت 2011 ، 262 ، 1817-1825. [ Google Scholar ] [ CrossRef ]
  43. وزارت محیط زیست جنگل و تغییرات اقلیمی. گزارش وضعیت جنگل ; Forest Survey of India (وزارت محیط زیست جنگل و تغییرات آب و هوایی، دولت): اوتاراکند، هند، 2019؛ جلد 1، ص 66–85.
  44. روات، JK; سینگ، اس. Mishra, R. Santhal Pargana Forest Report ; دولت جارکند: رانچی، هند، 2010; صص 15-87.
  45. استولا، اچ. هامه، تی. سیرو، ال. مولینیر، ام. Kilpi، J. مقایسه تصاویر Sentinel-2 و Landsat 8 برای پیش‌بینی متغیر جنگل در منطقه شمالی. از راه دور. حس محیط. 2019 ، 223 ، 257-273. [ Google Scholar ] [ CrossRef ]
  46. ژانگ، اس. چن، اچ. فو، ی. نیو، اچ. یانگ، ی. Zhang، B. برآورد پوشش گیاهی کسری انواع مختلف پوشش گیاهی در حوضه قائدام. پایداری 2019 ، 11 ، 864. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  47. قاضی، WA; بیگ، اس. گیلانی، ح. وقار، م.م. داکل، ع. عمار، الف. مقایسه تخمین‌های زیست‌توده بالای زمینی جنگل از حسگرهای سنجش از دور غیرفعال و فعال بر روی حوضه آبخیز کایار خولا، منطقه چیتوان، نپال. J. Appl. از راه دور. Sens. 2017 , 11 , 26038. [ Google Scholar ] [ CrossRef ]
Ijgi 10 00029 g001 550
شکل 1. ( الف ) موقعیت جغرافیایی، ( ب ) عکس های میدانی، ( ج ) تصویر ترکیبی با رنگ کاذب ( FCC ) از Sentinel-2 از منطقه مورد مطالعه.
Ijgi 10 00029 g002 550
شکل 2. نمودار جریان روش پیشنهادی.
Ijgi 10 00029 g003 550
شکل 3. کسر جنگلی محاسبه شده از پوشش گیاهی ( FVC ) تصاویر بر اساس ( الف ) شاخص گیاهی تفاوت نرمال شده ( NDVI )، ( ب ) شاخص پوشش گیاهی اصلاح شده ( MVI )، ( ج ) شاخص پوشش گیاهی با خاک ( SAVI )، و ( د ) شاخص گیاهی اصلاح شده با خاک ( MSAVI )، از منطقه مورد مطالعه.
Ijgi 10 00029 g004 550
شکل 4. AGB جنگل از تصاویر Sentinel-2 بر حسب کیلوگرم بر پیکسل ( a ) و تن در هکتار ( b ) برای جنگل حفاظت شده توندی، جارکند، هند محاسبه شده است.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید