تعداد نشریات | 13 |
تعداد شمارهها | 150 |
تعداد مقالات | 1,491 |
تعداد مشاهده مقاله | 2,264,049 |
تعداد دریافت فایل اصل مقاله | 1,896,062 |
برآورد مشخصههای کمی جنگلهای زاگرس با استفاده از الگوریتمهای ناپارامتریک دادهکاوی (بررسی موردی: سامان عرفی اولادقباد کوهدشت، لرستان) | ||
پژوهش و توسعه جنگل | ||
دوره 8، شماره 3، آذر 1401، صفحه 249-263 اصل مقاله (747.76 K) | ||
نوع مقاله: علمی - پژوهشی | ||
شناسه دیجیتال (DOI): 10.30466/jfrd.2022.53924.1578 | ||
نویسندگان | ||
نسترن نظریانی* 1؛ اصغر فلاح2؛ سیده کوثر حمیدی3؛ سعید ورامش4 | ||
1پژوهشگر پسادکتری، جنگلداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، مازندران، ایران. | ||
2دانشیار دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری | ||
3دانش آموخته دکتری جنگلداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، مازندران، ایران | ||
4استادیار، 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. | ||
کلیدواژهها | ||
تاجپوشش؛ تعداد در هکتار؛ جنگل تصادفی؛ شبکه عصبی مصنوعی | ||
مراجع | ||
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. | ||
آمار تعداد مشاهده مقاله: 1,414 تعداد دریافت فایل اصل مقاله: 912 |