برآورد‎ ‎مشخصه‌های‎ ‎کمی‎ ‎جنگل‌های زاگرس‎ ‎با استفاده از الگوریتم‌های‎ ‎ناپارامتریک داده‎‌‎کاوی ‏(بررسی موردی:‏‎ ‎سامان‎ ‎عرفی‎ ‎اولادقباد‎ ‎کوهدشت،‎ ‎لرستان)‏

نوع مقاله : علمی - پژوهشی

نویسندگان

1 پژوهشگر پسادکتری، جنگلداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، مازندران، ایران. ‏

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

3 دانش آموخته دکتری جنگلداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، مازندران، ایران

4 استادیار، گروه منابع طبیعی، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران

چکیده

در این پژوهش، کاربرد طرح­های مختلف نمونه­برداری خوشه­ای بر اساس الگوریتم­های ناپارامتریک برای برآورد مشخصه­های تعداد در هکتار و تاج­پوشش جنگل­های سامان عرفی اولادقباد شهرستان کوهدشت با استفاده از داده­های زمینی و تصاویر ماهواره 2-Sentinel مدل­سازی شد. برای برآورد مشخصه­ها، 150 خوشه در قالب شش طرح با تعداد چهار ریز­قطعه­نمونه برای هر طرح به­صورت منظم-تصادفی در منطقه پیاده شد. سپس در داخل ریز قطعه­نمونه­ها، مشخصه­های تعداد در هکتار و تاج­پوشش شش طرح نمونه­برداری خوشه­ای برداشت شد. هر خوشه­ شامل چهار ریز قطعه­نمونه با مساحت 700 متر مربع بود. ارزش­های رقومی متناظر با قطعات نمونه زمینی از باندهای طیفی استخراج و به­عنوان متغیرهای مستقل در­نظر گرفته شد. مدل­سازی با 75 درصد از داده­ها انجام شد و نتایج با 25 درصد باقی­مانده ارزیابی شد. برای هر دو مشخصه تعداد در هکتار و تاج­پوشش، روش شبکه عصبی مصنوعی به­ترتیب با مقادیر درصد مجذور میانگین مربعات خطا و اریبی به­ترتیب 53/10 و 48/2 درصد و 38/9 و 33/0 درصد در مدل­سازی نسبت به دیگر روش­های مورد استفاده دارای نتایج دقیق­تری بود. استفاده از طرح­های مختلف نمونه­برداری خوشه­ای، روش­های مدل­سازی ناپارامتریک و تصاویر ماهواره Sentinel-2 نتایج مطلوبی را در برآورد مشخصه­های تعداد در هکتار و تاج­پوشش به­همراه داشت.

چکیده تصویری

برآورد‎ ‎مشخصه‌های‎ ‎کمی‎ ‎جنگل‌های زاگرس‎ ‎با استفاده از الگوریتم‌های‎ ‎ناپارامتریک داده‎‌‎کاوی ‏(بررسی موردی:‏‎ ‎سامان‎ ‎عرفی‎ ‎اولادقباد‎ ‎کوهدشت،‎ ‎لرستان)‏

کلیدواژه‌ها


عنوان مقاله [English]

Estimation of quantitative characteristics of Zagros forests using data mining ‎nonparametric algorithms (case study: Olad Ghobad Watershed, Koohdasht, Lorestan)‎

نویسندگان [English]

  • Nastaran Nazariani 1
  • Asghar Fallah 2
  • Seyedeh Kosar Hamidi 3
  • Saeeid Varamesh 4
1 Postdoctoral‏ ‏Researcher of Forestry‏, ‏Department of Forestry, Faculty of Forestry, Sari Agricultural ‎Sciences and Natural Resources University, Mazandaran, I. R. Iran. ‎
2 Professor, Department of Forestry, Faculty of Natural Resources, Sari University of Agricultural Sciences ‎and Natural Resources, Mazandaran, I. R. Iran. ‎
3 PhD in Forestry, Faculty of Natural Resources, Sari University of Agricultural Sciences and Natural ‎Resources, Mazandaran, I. R. Iran. ‎
4 Assistant Professor, Department of Natural Resources, Faculty of Agriculture and Natural Resources, ‎‎University of Mohaghegh Ardabili, Ardabil, I. R. Iran‎
چکیده [English]

In this study, the effect of different cluster sampling schemes based on nonparametric algorithms to estimate the characteristics per hectare and canopy cover of customary Olad Ghobad forests located in Koohdasht city in the west of Lorestan province, were modeled using data Ground and satellite images of the Sentinel-2 To estimate the characteristics, 150 clusters in the form of six designs 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. 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 with squared percent mean square error and BIAS of 10.53, 2.48, 9.38% and 0.33% respectively in modeling have more accurate results than other methods used. In general, the use of different cluster sampling schemes, nonparametric modeling methods, and Sentinel-2 satellite images have good results in estimating the number of per hectare and canopy.

کلیدواژه‌ها [English]

  • Canopy cover
  • Number per hectare
  • Random Forest
  • Artificial neural network
Aghabarati, A.; Marvie Mohajer, M. R.; Etemad, V.; Sefidi, K., Structural characteristics of coppice forest stands in Fandoghloo Forest, Ardebil Province Province. Forest Research and Development 2018, 4 (2), 223-239. (In persian)
Amini, J.; Sadeghi, Y., Optical and radar satellite images in biomass modeling of forests in northern Iran. Iranian Journal of Remote Sensing and GIS 2013, 4 (4), 82-69 (In Persian).
Beygi Heidarlou, H.; Banj Shafiei, A.; Erfanian, M.; Tayyebi, A.; Alijanpour, A., Effects of preservation policy on land use changes in Iranian Northern Zagros forests. Land Use Policy 2019, 81, 76-90.
Bonyad, A. A. Sampling methods in the forest, Guilan University Press, Rasht, Iran, 2014, p 403 (In Persian).
Dabija, A.; Kluczek, M.; Zagajewski, B.; Raczko, E.; Kycko, M.; Al-Sulttani, A. H.; Tardà, A.; Pineda, L.; Corbera, J., Comparison of support vector machines and random forests for corine land cover mapping. Remote Sensing 2021, 13 (4), 777.
Dutta, S.; Datta, A.; Chakladar, N. D.; Pal, S.; Mukhopadhyay, S.; Sen, R., Detection of tool condition from the turned surface images using an accurate grey level co-occurrence technique. Precision Engineering 2012, 36 (3), 458-466.
Egbers, R., Sentinel-2 data processing and identifying glacial features in Sentinel-2 imagery. Bachelor Thesis: TU Delft University of Technology in Netherlands 2016.53p.
Eskandari, S., Application of sentinel-2a data and pixel-based algorithms for land cover mapping in ilam-iran. Environmental Engineering and Management Journal 2020, 19 (4), 655-666.
Fatolahi, M.; Fallah, A.; Hojjati, S. M.; Colby, S., Determining the capability of SPOT-HRG sensor data in estimating the number of trees per hectare. Gorgan Journal of Wood and Forest Science and Technology Research 2013, 20 (4): 133-117 (In Persian)
Fereidoni, S.; Soleimani, N.; Derikvand, B., National Report on Providing Vegetation Map of Lorestan Province. Natural Resources Office of Lorestan Province 2005, 57 p (In Persian).
Finley, A. O.; McRoberts, R. E.; Ek, A. R., Applying an efficient k-nearest neighbor search to forest attribute imputation. Forest Science 2006, 52 (2), 130-135.
Ghayour, L.; Neshat, A.; Paryani, S.; Shahabi, H.; Shirzadi, A.; Chen, W.; Al-Ansari, N.; Geertsema, M.; Pourmehdi Amiri, M.; Gholamnia, M., Performance evaluation of sentinel-2 and landsat 8 OLI data for land cover/use classification using a comparison between machine learning algorithms. Remote Sensing 2021, 13 (7), 1349.
Gonzales, R.C. woods, R.E. Digital Image Processing: Prentice hal: 2002; p 750.
Gu, H.; Dai, L.; Wu, G.; Xu, D.; Wang, S.; Wang, H., Estimation of forest volumes by integrating Landsat TM imagery and forest inventory data. Science in China Series E: Technological Sciences 2006, 49 (1), 54-62.
Hamidi, S. K.; Fallah, A.; Bayat, M.; Hosseini Yekani, S. A., Determining the Forest Volume Growth using Permanent Sample Plots (Case Study: Farim Forest, Jojadeh District). Ecology of Iranian Forest 2017, 4 (8), 1-8. (In persian)
Hamidi, S. K.; Weiskittel, A.; Bayat, M.; Fallah, A., Development of individual tree growth and yield model across multiple contrasting species using nonparametric and parametric methods in the Hyrcanian forests of northern Iran. European Journal of Forest Research 2021, 140 (2), 421-434.
Kalbi, S. Investigating the Possibility of Estimating the Structural Characteristics of Forest Using ASTER and SPOT_ HRG Sensor Data (Case Study: Darabkola Forest), M.Sc. Thesis, Sari University of Agricultural Sciences and Natural Resources, Faculty of Natural Resources, 2011, P 107 (In Persian).
Kleinn, C., Comparison of the performance of line sampling to other forms of cluster sampling. Forest Ecology and Management 1994, 68 (2-3), 365-373.
Lu, D.; Mausel, P.; Brondızio, E.; Moran, E., Relationships between forest stand parameters and Landsat TM spectral responses in the Brazilian Amazon Basin. Forest Ecology and Management 2004, 198 (1-3), 149-167.
Mirzaei, J., The causes of forest degradation and the solution Strategies to deal with them. The first national conference of strategies to obtain of sustainable development, Tehran, 6-7 March. 2012: 8p (In Persian).
Modaberi, A.; Mirzaei, J., Study of decline effect on structure of central Zagros forests. Forest Research and Development 2017, 2 (4), 325-336. (In persian)
Mohammadi, J.; Shatai, Sh., Comparison of Quantitative and Qualitative Characteristics of Structure and Composition of Natural and Managed Massifs (Case Study: Gorgan Shast Kalateh Forest), Journal of Wood and Forest Science and Technology Research 2014, 21 (1): 83-65 (In Persian).
Soleiman Nejad, L.; Amiraslam, B.; Naqdi, R.; Latifi, H., Classification of Quantitative Characteristics of Zagros Forests Using Landsat 8-OLI Satellite Data and Random Forest Algorithm (Case Study of Manesht Conservation Forests). Forest Research and Development 2018, 4 (4): 434-415 (In Persian).
Townsend, P. A., Estimating forest structure in wetlands using multitemporal SAR. Remote Sensing of Environment 2002, 79 (2-3), 288-304.
Wittke, S.; Yu, X.; Karjalainen, M.; Hyyppä, J.; Puttonen, E., Comparison of two-dimensional multitemporal Sentinel-2 data with three-dimensional remote sensing data sources for forest inventory parameter estimation over a boreal forest. International Journal of Applied Earth Observation and Geoinformation 2019, 76, 167-178.