مجله جنگل ایران

مجله جنگل ایران

برآورد تاج‌پوشش جنگل بلوط با استفاده از داده‌های ماهوارۀ لندست 9 در جنگل‌های زاگرس شمالی

نوع مقاله : مقاله پژوهشی

نویسندگان
سونیا احمدی 1
پرویز فاتحی 2
منوچهر نمیرانیان 3
ناصح میری 4
1 دانش‌آموختۀ کارشناسی ارشد، گروه جنگلداری و اقتصاد جنگل، دانشکدۀ منابع طبیعی، دانشگاه تهران، کرج، ایران
2 استادیار گروه جنگلداری و اقتصاد جنگل، دانشکدۀ منابع طبیعی، دانشگاه تهران، کرج، ایران
3 استاد گروه جنگلداری و اقتصاد جنگل، دانشکدۀ منابع طبیعی، دانشگاه تهران، کرج، ایران
4 دانشجوی دکتری، گروه جنگلداری و اقتصاد جنگل دانشکدۀ منابع طبیعی، دانشگاه تهران، کرج، ایران
10.22034/ijf.2025.457774.1989
چکیده
مقدمه: تاج‌پوشش جنگل (FCC) از مشخصه‌های ساختاری مهم در پایش سلامت و کیفیت توده‌های جنگلی است. اندازه‌گیری این مشخصه براساس روش‌های زمینی به هزینه و زمان زیاد نیاز دارد و اجرا در سطح‌های وسیع، بسیار سخت است. امروزه استفاده از تکنیک‌های سنجش از دور می‌تواند محدودیت روش‌های زمینی را جبران کند. پژوهش پیش ‌رو با هدف بررسی کارایی ماهوارۀ لندست 9 در مدل‌سازی و برآورد تاج‌پوشش در بخشی از جنگل‌های بلوط زاگرس شمالی انجام گرفته است.
مواد و روش‌ها: به‌منظور جمع‌آوری داده‌های زمینی مشخصۀ تاج‌پوشش جنگل، 79 قطعه نمونۀ مربع‌شکل با ابعاد 45×45 متر براساس روش نمونه‌برداری تصادفی- منظم با ابعاد شبکۀ آماربرداری 200×200 متر در تابستان سال 1402 در بخشی از جنگل‌های بانه در استان کردستان پیاده شد. در هر قطعه نمونه، قطر بزرگ و عمود بر آن تاج درختان با استفاده از متر نواری اندازه‌گیری و در نهایت برای هر قطعه نمونه براساس مساحت تاج هر درخت، مشخصۀ تاج‌پوشش جنگل محاسبه شد. یک فریم از داده‌های سنجندۀ OLI-2 ماهوارۀ لندست 9 در سطح تصحیح Collection 2 Level 1 مربوط به تاریخ 23 تیر 1402 دریافت شد. پس از بررسی کیفیت هندسی تصویر و تصحیح اتمسفری به روش FLAASH، شاخص‌های پوشش گیاهی، تجزیۀ مؤلفه‌های اصلی (PCA) و تبدیل تسلدکپ روی تصویر انجام گرفت. در مجموع 7 باند اصلی و 35 باند محاسباتی استفاده و ارزش‌های طیفی این 42 متغیر طیفی به‌دست‌آمده از داده‌های لندست 9 با استفاده از نقشۀ قطعه نمونه‌های زمینی برداشت‌شده استخراج شد. در ادامه، مشخصۀ تاج‌پوشش جنگل با استفاده از مدل‌های آماری پارامتری رگرسیون به روش گام‌به‌گام (MLR) و ناپارامتری جنگل تصادفی (RF) و ماشین بردار پشتیبان (SVM) براساس سه مجموعه از متغیرهای طیفی (باندهای اصلی، باندهای محاسباتی و ترکیب باندهای اصلی و محاسباتی) و 70 درصد داده‌ها مدل‌سازی شد. ارزیابی و برازش مدل‌های رگرسیونی با استفاده از آماره‌های ضریب تبیین (R2)، جذر میانگین مربعات خطا (RMSE) و جذر میانگین مربعات خطا نسبی (rRMSE) به روش اعتبارسنجی متقابل براساس 30 درصد داده‌ها انجام گرفت.
یافته‌ها: بررسی داده‌های تاج‌پوشش جنگل اندازه‌گیری شدۀ زمینی براساس آماره‌های توصیفی نشان داد که جنگل تحت پژوهش در وضعیت نیمه‌انبوه قرار دارد. تحلیل همبستگی پیرسون انجام‌گرفته برای بررسی ارتباط مشخصۀ تاج‌پوشش جنگل با متغیرهای طیفی نشان داد که شاخص‌های پوشش گیاهی نسبت به تغییرات تاج‌پوشش جنگل حساسیت بیشتری دارند. نتایج مدل‌سازی با استفاده از 70 درصد قطعه نمونه‌ها نشان داد که مدل حاصل از RF براساس ترکیب باندهای اصلی و محاسباتی با 88/0= R2 و 95/16= rRMSE مدل بهینه در برآورد مقدار تاج‌پوشش است. ارزیابی اهمیت نسبی متغیرهای طیفی استفاده‌شده در مدل به‌دست‌آمده نشان داد که شاخص گیاهی NDNIR.SWIR2 دارای بیشترین تأثیر در فرایند مدل‌سازی RF و تجزیۀ مؤلفۀ اصلی حاصل از باند 7 (PCA.B7) دارای کمترین اهمیت است. اعتبارسنجی مدل‌های به‌دست‌آمده با استفاده از اعتبارسنجی متقابل نشان داد که مدل RF حاصل از باندهای اصلی تصویر ماهوارۀ لندست 9 با مقادیر 85/0 = R2 و 65/15 = rRMSE به‌عنوان بهترین مدل برآورد و نقشه‌برداری تاج‌پوشش جنگل تحت پژوهش انتخاب شد.
نتیجه‌گیری: به‌طور کلی این پژوهش نشان داد که با استفاده از باندهای اصلی داده‌های ماهوارۀ لندست 9 به‌همراه به‌کارگیری الگوریتم یادگیری ماشین RF می‌توان با دقت مناسبی مشخصۀ تاج‌پوشش جنگل را در جنگل‌های با مدیریت سنتی زاگرس شمالی برآورد کرد.
کلیدواژه‌ها
تاج‌پوشش جنگل
جنگل بلوط زاگرس
روش‌های یادگیری ماشین
لندست 9

موضوعات

عنوان مقاله English

Oak Forest Canopy Cover Estimation using Landsat 9 data in the Northern Zagros Forests

نویسندگان English

S Ahmadi 1
P. Fatehi 2
M. Namiranian 3
N. Miri 4
1 M.Sc., Dept. of Forestry and Forest Economics, Faculty of Natural Resources, University of Tehran, I. R. Iran
2 Assistant Prof., Dept. of Forestry and Forest Economics, Faculty of Natural Resources, University of Tehran. I.R. Iran
3 Prof., Dept. of Forestry and Forest Economics, Faculty of Natural Resources, University of Tehran. I.R. Iran
4 Ph.D. Student, Dept. of Forestry and Forest Economics, Faculty of Natural Resources, University of Tehran. I.R. Iran
چکیده English

Introduction: Forest Canopy Cover (FCC) is one of the most important structural characteristics in monitoring health and quality of forest stands. Measuring this characteristic based on ground methods requires a lot of cost and time, and it is extremely difficult to implement on a large scale. Today, use of remote sensing techniques can compensate for the limitations of terrestrial methods. The present study was conducted with the aim of investigating the efficiency of Landsat 9 satellite in modeling and estimating the canopy cover of the northern Zagros oak forests.
Materials and methods: In order to collect FCC field data, 79 square plots with dimensions of 45×45 m were implemented based on systematic-random sampling method with 200×200 m grid size in summer 2023 in a part of Baneh forests, Kurdistan province. In each plot, the large diameter and the perpendicular diameter of the crown of trees or shoots were measured using a tape measure. Finally, FCC values were calculated for each plot based on the crown area of each tree or stem. In the present study, a frame of the OLI-2 sensor data of the Landsat 9 satellite at the Collection 2 Level 1 correction level was received on July 23, 2023. After verifying the geometrical quality of the image and performing atmospheric correction using FLAASH method, Vegetation Indices, Principal Component Analysis (PCA), and Tasseled Cap Transformation were performed on the image. In total, the number of 35 computational bands and 7 original usage bands and the spectral values of these 42 spectral variables obtained from Landsat 9 data were extracted using the map of field plots. In the following, FCC using stepwise regression (MLR) and non-parametric Random Forest (RF) and Support Vector Machine (SVM) statistical models based on three sets of spectral variables (original bands, computational bands and combination of original and computational bands) and 70% of the data were modeled. Finally, the regression models were evaluated and fitted using the coefficient of determination (R2), root mean square error (RMSE) and root mean square relative error (rRMSE) statistics using cross-validation method based on 30% of data.
Results: Investigation of FCC data measured on the field data on descriptive statistics showed that the researched forest is in a semi-dense condition. Pearson's correlation analysis conducted to investigate the relationship between FCC and spectral variables showed that vegetation indices are more sensitive to FCC changes. The results of modeling using 70% of the samples showed that the model obtained from RF is based on the combination of the original and computational bands with R2 = 0.88 and rRMSE = 16.95 as the optimal model in estimating the amount of canopy. The evaluation of the relative importance of the spectral variables used in the obtained model showed that NDNIR.SWIR2 has the highest influence in the RF modeling process and PCA of band 7 (PCA.B7) has the least importance. Validation of the obtained models using cross-validation showed that the RF model obtained from the original bands of the Landsat 9 image with of R2 = 0.85 and rRMSE = 15.65 was selected as the best model for forest canopy estimation and mapping.
Conclusion: In general, this research showed that by using the original bands of Landsat 9 satellite data based on the RF machine learning algorithm, it is possible to estimate and map the FCC in the traditionally managed forests of North Zagros with reasonable accuracy.

کلیدواژه‌ها English

Forest Canopy Cover
Landsat 9
Machine Learning Approach
Zagros Oak Forest
Beygi Heidarlou, H., Karamat Mirshekarlou, A., Sasanifar, S., & Khezryan, B. (2023). Forest cover density mapping of Zagros forests using Landsat-9 imagery and‌ hemispherical photographs. Forest Research and Development, 9(1), 47-65. https://doi.org/10.30466/jfrd.2023.54591.1661. (In Persian)
Breiman, L. (2001). Using iterated bagging to debias regressions. Machine Learning, 45, 261-277. https://doi.org/10.1023/A:1017934522171.
Brown, L.A., Ogutu, B.O., & Dash, J. (2020). Tracking forest biophysical properties with automated digital repeat photography: A fisheye perspective using digital hemispherical photography from below the canopy. Agricultural and Forest Meteorology, 287, 107944.‌ http://dx.doi.org/10.1016/j.agrformet.2020.107944.
Fatehi, P., Damm, A., Schaepman, M.E., & Kneubühler, M. (2015). Estimation of alpine forest structural variables from imaging spectrometer data. Remote Sensing, 7(12), 16315-16338. https://doi.org/10.3390/rs71215830.
Fathollahi, M., Fallah, A., Hojjati, S.M., & Kalbi, S. (2013). Determining the Ability of SPOT-HRG Sensor Data in Estimating the Number of Trees Per Hectare. Journal of Wood & Forest Science and Technology, 20(4), 133-117. (In Persian)
Feliciano, D., Bouriaud, L., Brahic, E., Deuffic, P., Dobsinska, Z., Jarsky, V., & Ficko, A. (2017). Understanding private forest owners’ conceptualization of forest management: Evidence from a survey in seven European countries. Journal of Rural Studies, 54, 162-176. https://doi.org/10.1016/j.jrurstud.2017.06.016.
Gao, T., Gao, Z., Sun, B., Qin, P., Li, Y., & Yan, Z. (2022). An Integrated Method for Estimating Forest-Canopy Closure Based on UAV LiDAR Data. Remote Sensing, 14(17), 4317.‌ https://doi.org/10.3390/rs14174317.
Guan, Y., Tian, X., Zhang, W., Marino, A., Huang, J., Mao, Y., & Zhao, H. (2023). Forest Canopy Cover Inversion Exploration Using Multi-Source Optical Data and Combined Methods. Forests, 14(8), 1527.‌ https://doi.org/10.3390/f14081527.
Hua, Y., & Zhao, X. (2021). Multi-Model Estimation of Forest Canopy Closure by Using Red Edge Bands Based on Sentinel-2 Images. Forests, 12(12), 1768. https://doi.org/10.3390/f12121768.
Huang, X., Wu, W., Shen, T., Xie, L., Qin, Y., Peng, S., Zhou, X., Fu, X., Li, J., Zhang, Z., Zhang, M., Liu, Y., Jiang, J., Ou, P., Huangfu, W. & Zhang, Y. (2021). Estimating forest canopy cover by multiscale remote sensing in northeast Jiangxi, China. Land, 10(4), 433.‌ https://doi.org/10.3390/land10040433.
Jiang, F., Sun, H., Chen, E., Wang, T., Cao, Y., & Liu, Q. (2022). Above-ground biomass estimation for coniferous forests in Northern China using regression kriging and landsat 9 images. Remote Sensing, 14(22), 5734. https://doi.org/10.3390/rs14225734.
Korhonen, L., Korhonen, K.T., Rautiainen, M., & Stenberg, P. (2006). Estimation of forest canopy cover: a comparison of field measurement techniques. Silva Fennica, 40(4), 577-588. http://dx.doi.org/10.14214/sf.315.
Korhonen, L., Packalen, P., & Rautiainen, M. (2017). Comparison of Sentinel-2 and Landsat 8 in the estimation of boreal forest canopy cover and leaf area index. Remote sensing of environment, 195, 259. http://dx.doi.org/10.1016/j.rse.2017.03.021.
Mahlangu, P., Mathieu, R., Wessels, K., Naidoo, L., Verstraete, M., Asner, G., & Main, R. (2018). Indirect estimation of structural parameters in South African forests using MISR-HR and LiDAR remote sensing data. Remote Sensing, 10(10), 1537.‌ https://doi.org/10.3390/rs10101537.
Matsushita, B., Yang, W., Chen, J., Onda, Y., & Qiu, G. (2007). Sensitivity of the enhanced vegetation index (EVI) and normalized difference vegetation index (NDVI) to topographic effects: a case study in high-density cypress forest. Sensors, 7(11), 2636-2651.‌ https://doi.org/10.3390/s7112636.
Mazouji, M., Mohammadi Samani, K., & Hosseini, V. (2020). The variation in density and biomass of earthworms with physical and chemical properties of soil after forest land-use change. Iranian Journal of Forest, 12(2), 203-218. (In Persian)
Miri, N., Darvishsefat, A.A., Zargham, N., & Shakeri, Z. (2017). Estimation of leaf area index in Zagros forests using Landsat 8 data. Iranian Journal of Forest, 9(1), 29-42. (In Persian)
Miri, N., & Darvishsefat, A.A. (2021). Modeling of Canopy Cover Estimation Using Landsat 8 Satellite OLI Data in the Zagros Forests. Ecology of Iranian Forests, 9(17), 196-206. (In Persian)
Miri, N., Fatehi, P., Darvishsefat, A.A., Pir Bavaghar, M., & Homolová, L. (2024). Leaf area index estimation in the Zagros forests of Iran using Sentinel-2 image and Gaussian Process Regression. Iranian Journal of Forest and Poplar Research, 31(4), 323-337. https://doi.org/10.22092/ijfpr.2023.364041.2129. (In Persian)
Moradi, G., Pir Bavaghar, M., Shakeri, Z., & Fatehi, P. (2021). Leaf area index estimation in the northern Zagros forests using remote sensing. Journal of Forest Research and Development, 6(4), 679-693. https://doi.org/10.30466/jfrd.2020.120986. (In Persian)
Moradi, N., Ghahramany, L., & Valipour, A. (2022). Monitoring changes in the structural characteristics of pollarded oak stands (Case study: Kocher forest in Kurdistan province, Iran). Iranian Journal of Forest and Poplar Research, 30(1), 83-102. doi: 10.22092/ijfpr.2022.358078.2046. (In Persian)
Namiranian, M. (2007). Measurement of tree and forest biometry. Tehran University Publications, 574.‌ (In Persian)
Narine, L.L., Popescu, S.C., & Malambo, L. (2023). A methodological framework for mapping canopy cover using ICESat-2 in the Southern USA. Remote Sensing, 15(6), 1548.‌ https://doi.org/10.3390/rs15061548.
Nasiri, V., Darvishsefat, A.A., Arefi, H., Griess, V.C., Sadeghi, S.M.M., & Borz, S.A. (2022). Modeling forest canopy cover: A synergistic use of Sentinel-2, aerial photogrammetry data, and machine learning. Remote Sensing, 14(6), 1453. https://doi.org/10.3390/rs14061453.
Nazariani, N., Fallah, A., Ramezani Moziraji, H., Naghavi, H., & Jalilvand, H. (2023). The Effect of Different Cluster Sampling Schemes in Estimating the Quantitative Characteristics of Zagros Forests Using Sentinel 2 Sensor Images. Iranian Journal of Remote Sensing & GIS, 14(4), 71-86. https://doi.org/10.52547/gisj.14.4.71. (In Persian)
Rashidi, F., & Jaafari, A. (2024). Evaluation of the efficiency of supervised algorithms in preparing the ground cover map using Sentinel 2 images in the Zagros Forest Habitat. Iranian Journal of Forest, 16(1), 25-36. doi: 10.22034/ijf.2023.328404.1849. (In Persian)
Noorian, N., Shataee, S., & Mohamadi, J. (2019). Evaluation of RapidEye satellite data for estimation some quantitative structure variables in the Caspian forests of Gorgan region. Journal of RS and GIS for Natural Resources, 9(4), 1-16. (In Persian)
Palanisamy, P.A., Jain, K., & Bonafoni, S. (2023). Machine Learning Classifier Evaluation for Different Input Combinations: A Case Study with Landsat 9 and Sentinel-2 Data. Remote Sensing, 15(13), 3241. https://doi.org/10.3390/rs15133241.
Pilaš, I., Gašparović, M., Novkinić, A., & Klobučar, D. (2020). Mapping of the canopy openings in mixed beech–fir forest at Sentinel-2 subpixel level using UAV and machine learning approach. Remote Sensing, 12(23), 3925. https://doi.org/10.3390/rs12233925.
Richardson, A.D., Keenan, T.F., Migliavacca, M., Ryu, Y., Sonnentag, O., & Toomey, M. (2013). Climate change, phenology, and phenological control of vegetation feedbacks to the climate system. Agricultural and Forest Meteorology, 169, 156-173. https://doi.org/10.1016/j.agrformet.2012.09.012.
Roy, D.P., Wulder, M.A., Loveland, T.R., Woodcock, C.E., Allen, R.G., Anderson, M.C., Hedler, D., Irons, J.R., Johnson, D.M., Kennedy, R., Scambos, T.A., … & Zhu, Z. (2014). Landsat-8: Science and product vision for terrestrial global change research. Remote sensing of Environment, 145, 154-172.‌ https://doi.org/10.1016/j.rse.2014.02.001.
Sebastiani, A., Salvati, R., & Manes, F. (2023). Comparing leaf area index estimates in a Mediterranean forest using field measurements, Landsat 8, and Sentinel-2 data. Ecological Processes, 12(1), 28.‌
Tian, X., Li, J., Zhang, F., Zhang, H., & Jiang, M. (2024). Forest Aboveground Biomass Estimation Using Multisource Remote Sensing Data and Deep Learning Algorithms: A Case Study over Hangzhou Area in China. Remote Sensing, 16(6), 1074.‌ https://doi.org/10.3390/rs16061074.
Vafaei, S., Maleknia, R., Naghavi, H., & Fathizadeh, O. (2022). Estimation of forest canopy using remote sensing and geostatistics (case study: Marivan Baghan Forests). Journal of Environmental Science and Technology, 24(1), 71-82. https://doi.org/10.30495/jest.2018.20376.2940. (In Persian)
Xie, B., Cao, C., Xu, M., Yang, X., Duerler, R.S., Bashir, B., Huang, Z., Wang, K., Chen, Y., & Guo, H. (2022). Improved Forest Canopy Closure Estimation Using Multispectral Satellite Imagery within Google Earth Engine. Remote Sensing, 14(9), 2051. https://doi.org/10.3390/rs14092051.
Yang, X., He, P., Yu, Y., & Fan, W. (2022). Stand Canopy Closure Estimation in Planted Forests Using a Geometric-Optical Model Based on Remote Sensing. Remote Sensing, 14(9), 1983.‌ https://doi.org/10.3390/rs14091983.
Yu, J., Lai, H., Xu, L., Luo, S., Zhou, W., Song, H., Xi, L., & Shu, Q. (2023). Estimation of Forest Canopy Cover by Combining ICESat-2/ATLAS Data and Geostatistical Method/Co-Kriging. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 17, 1824-1838. https://doi:10.1109/JSTARS.2023.3340429.
Zhang, F., Tian, X., Zhang, H., & Jiang, M. (2022). Estimation of aboveground carbon density of forests using deep learning and multisource remote sensing. Remote Sensing, 14(13), 3022.‌ https://doi.org/10.3390/rs14133022.
Zhou, J., Dian, Y., Wang, X., Yao, C., Jian, Y., Li, Y., & Han, Z. (2020). Comparison of GF2 and SPOT6 imagery on canopy cover estimating in northern subtropics forest in China. Forests, 11(4), 407.‌ https://doi.org/10.3390/f11040407.
Zhu, W., Li, Y., Luan, K., Qiu, Z., He, N., Zhu, X., & Zou, Z. (2024). Forest Canopy Height Retrieval and Analysis Using Random Forest Model with Multi-Source Remote Sensing Integration. Sustainability, 16(5), 1735.‌ https://doi.org/10.3390/su16051735.
Zhu, X., Skidmore, A. K., Wang, T., Liu, J., Darvishzadeh, R., Shi, Y., Premier, J., & Heurich, M. (2018). Improving leaf area index (LAI) estimation by correcting for clumping and woody effects using terrestrial laser scanning. Agricultural and forest meteorology, 263, 276-286.‌ https://doi.org/10.1016/j.agrformet.2018.08.026.

  • تاریخ دریافت 01 خرداد 1403
  • تاریخ بازنگری 07 مهر 1403
  • تاریخ پذیرش 26 مرداد 1403