برآورد مشخصه های کمّی جنگل های زاگرس با استفاده از الگوریتم های ناپارامتریک داده کاوی (بررسی موردی: سامان عرفی اولادقباد کوهدشت، استان لرستان)

نوع مقاله : علمی - پژوهشی

نویسندگان

1 دانشجوی دوره دکتری، رشته جنگلداری دانشگاه علوم کشاورزی و منابع طبیعی ساری

2 دانشیار دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری

3 دانشگاه علوم کشاورزی و منابع طبیعی ساری

چکیده

در این پژوهش، کاربرد طرح‌های مختلف نمونه‌برداری خوشه‌ای بر اساس الگوریتم-های ‌ناپارامتریک مدل شبکه عصبی مصنوعی، جنگل تصادفی، ماشین‌بردار پشتیبان و نزدیکترین همسایه برای برآورد مشخصه‌های تعداد درختان در هکتار و تاج‌پوشش جنگل‌های سامان عرفی اولادقباد با استفاده از داده‌های زمینی و تصاویر ماهواره Sentinel 2 مدل‌سازی شد. برای برآورد مشخصه‌ها، 150 خوشه در قالب شش طرح با تعداد چهار ریز قطعه نمونه برای هر طرح به‌صورت منظم -تصادفی در منطقه پیاده شد. سپس در داخل ریز قطعه‌نمونه‌ها، مشخصه‌های تعداد درختان در هکتار و تاج‌پوشش شش طرح نمونه-برداری خوشه‌ای برداشت شد. هر خوشه‌ شامل چهار ریز قطعه‌نمونه با مساحت 700 متر مربع (شعاع ریز قطعه نمونه دایره‌ای 15 متر و فاصله بین ریز قطعه‌نمونه‌ها از هم 60 متر) بود. پس از پیش‌پردازش تصاویر و پردازش‌های مناسب ارزش‌های رقومی متناظر با قطعات نمونه زمینی از باندهای طیفی استخراج و به‌عنوان متغیرهای مستقل در نظر گرفته شد. مدل‌سازی با 75 درصد از داده‌ها انجام شد و نتایج با 25 درصد باقیمانده مورد ارزیابی قرار گرفت. برای هر دو مشخصه تعداد درختان در هکتار و تاج‌پوشش، روش شبکه عصبی مصنوعی به ترتیب (طرح ستاره‌ای دو و طرح خطی با الگوریتم پرسپترون چند لایه) با مقادیر درصد مجذور میانگین مربعات خطا و اریبی به‌ترتیب (53/10،48/2) و (38/9،33/0) در مدل‌سازی نسبت به سایر روش‌های مورد استفاده دارای وضعیت مناسب‌تری است. با در نظر داشتن موضوع هزینه و زمان بهینه، استفاده از طرح‌های مختلف نمونه‌برداری خوشه‌ای، روش‌های مدل‌سازی ناپارامتریک و تصاویر ماهواره Sentinel 2 نتایج مطلوبی را در برآورد مشخصه‌ها به همراه داشت.

کلیدواژه‌ها


عنوان مقاله [English]

Estimation of Quantitative Characteristics of Zagros Forests using Data Mining Nonparametric Algorithms (Case study: Watershed Olad Ghobad Koohdasht, Lorestan province)

نویسندگان [English]

  • Nastaran Nazariani 1
  • asghar fallah 2
  • Seyedeh Kosar Hamidi 3
1 Ph.D. student, Department of Forestry, Sari University of Agricultural Sciences and Natural Resources
2 sari agriculture & natural resources university
3 Sari Agriculture sciences and Natural Resource University
چکیده [English]

In this study, the effect of different cluster sampling schemes based on nonparametric algorithms of the artificial neural network model, random forest, support vector machine, and nearest neighbor to estimate the characteristics per hectare and canopy cover of customary Olad Ghobad forests using data Ground and satellite images of the Sentinel 2 were modeled. To estimate the characteristics, 150 clusters in the form of six designs (triangular, square, star 1, linear, L-shaped, star 2) were implemented in a regular-random manner in the region. Then, six cluster sampling designs were collected inside the subplots, density characteristics, and canopy. Each cluster consisted of four sub-plots with an area of 700 square meters (radius of circular sub-plot 15 m and distance between sub-plots 60 m). After pre-processing the images and appropriate processing, the numerical values corresponding to the ground sample parts were extracted from the spectral bands and considered as independent variables. Modeling was performed with 75% of the data and the results were evaluated with the remaining 25%. For both density characteristics (number per hectare) and canopy, artificial neural network method (double star 2 design and linear design with multilayer perceptron algorithm, respectively) with the mean squared values of mean squared error and skew, respectively (10.53, 2.48) and (9.38, 0.33) have a more suitable situation in modeling than other methods used. considering the issue of cost and optimal time, the use of different cluster sampling schemes, nonparametric modeling methods, and Sentinel 2 satellite images yielded good results in estimating .

کلیدواژه‌ها [English]

  • Number per hectare
  • Nearest Neighbor
  • Support machine
  • Random forest