نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

 

خلاصه

زیست توده جنگلی یک پارامتر مهم برای کمی سازی و درک فرآیندهای بیولوژیکی و فیزیکی در سطح زمین است. برآوردهای سریع، قابل اعتماد و عینی زیست توده جنگل برای تحقیقات اکوسیستم زمینی ضروری است. سیستم ارتفاع سنج لیزری زمین‌شناسی (GLAS) داده‌های علمی قابل‌توجهی را برای تشخیص ساختار پوشش گیاهی در سطح ردپا تولید کرد. این مطالعه داده‌های GLAS را با MODIS/BRDF (تابع توزیع بازتاب دوطرفه) و داده‌های ASTER GDEM برای تخمین زیست توده بالای زمینی جنگل (AGB) در Xishuangbanna، استان یوننان، چین ترکیب کرد. پارامترهای مشخصه شکل موج GLAS با استفاده از روش موجک استخراج شد. ASTER DEM برای محاسبه شاخص زمین برای کاهش تاثیر توپوگرافی بر برآورد ارتفاع تاج پوشش GLAS استفاده شد. یک روش شبکه عصبی برای جذب داده های MODIS BRDF با ارتفاع تاج برای تخمین ارتفاعات جنگل پیوسته استفاده شد. شاخص های سطح برگ جنگل (LAIs)از تصاویر Landsat TM مشتق شدند. مجموعه‌ای از مدل‌های تخمین زیست توده با استفاده از تجزیه و تحلیل رگرسیون بین زیست توده تخمین زده شده در میدان، ارتفاع تاج پوشش، و شاخص سطح برگ توسعه و اعتبارسنجی شدند. ارتفاع سایبان مشتق شده از GLAS در Xishuangbanna به خوبی با AGB تخمین زده شده در میدان همبستگی دارد (R2 = 0.61، RMSE = 52.79 میلی گرم در هکتار). ترکیب ارتفاع تاج تخمینی GLAS و LAI همبستگی قوی تری با AGB تخمین زده شده در میدان (R2 = 0.73، RMSE = 38.20 میلی گرم در هکتار) به همراه داشت ، که نشان می دهد دقت زیست توده تخمین زده شده در زمین های پیچیده را می توان به طور قابل توجهی با ادغام بهبود بخشید. GLAS و داده های سنجش از راه دور نوری.
کلید واژه ها: 

شیشه ; زیست توده بالای زمینی جنگل ; MODIS BRDF ; Landsat TM ; ارتفاع سایبان ; LAI ; شیشوانگ بانا

 

1. معرفی

به عنوان یک جزء اصلی از اکوسیستم زمینی، جنگل ها بزرگترین مخزن کربن زمینی و اقتصادی ترین جاذب کربن هستند [ 1 ]. با این حال، ناهمگونی فضایی و عدم قطعیت در تخمین های سینک کربن معمولاً در جنگل های مختلف و مناطق مختلف رایج است [ 2 ، 3 ، 4 ]. زیست توده جنگلی که 90 درصد از زیست توده گیاهی زمینی را تشکیل می دهد [ 5]]، به طور مستقیم و کمی میزان ذخیره کربن در یک جنگل را منعکس می کند و مهمترین شاخص و پارامتر ساختار پوشش گیاهی است که برای تخمین بهره وری اکوسیستم جنگل و مطالعه فرآیند چرخه کربن استفاده می شود. بنابراین، برآورد سریع و قابل اعتماد زیست توده جنگل و توزیع فضایی آن برای مطالعات چرخه کربن منطقه ای و جهانی و تغییرات آب و هوایی ضروری است.
زیست توده جنگلی کل وزن خشک مواد آلی در جامعه جنگلی در یک دوره زمانی مشخص است [ 5 ]. روش‌های سنتی برای اندازه‌گیری زیست توده جنگل‌ها، مانند بررسی‌های میدانی که صرفاً انسانی و هزینه بر هستند، فقط می‌توانند اندازه‌گیری‌هایی را در برخی مقیاس‌ها به دست آورند و ممکن است منجر به اثرات مخرب بر اکوسیستم شوند. سنجش از دور یک رویکرد جایگزین برای پایش و اندازه گیری زیست توده جنگلی به طور موثرتر ارائه می دهد. سنجش از دور نوری، متداول ترین روش مورد استفاده، دارای مزایای خاصی در به دست آوردن پارامترهای ساختار سطح توده جنگل برای تخمین زیست توده جنگل است، اما این پارامترها در معرض انواع مختلف خطاها و محدودیت های زیادی هستند [6] .]، از جمله شاخص پوشش گیاهی (به عنوان مثال، NDVI) اشباع، تصحیح اتمسفر، و هوای ابری و بارانی. توسعه سنجش از دور مایکروویو داده های قابل اعتمادتری برای اندازه گیری زیست توده تحت هر شرایط آب و هوایی تولید کرده است، اما مشکل اشباع سیگنال ممکن است هنوز وجود داشته باشد [ 7 ]. اگرچه تداخل سنجی پلاریمتری SAR/InSAR می تواند از دست دادن دقت تخمین ناشی از تراکم جنگل و تغییر ساختار را برطرف کند، اما کاربرد داده ها را در وارونگی پارامتر ساختار جنگل منطقه ای یا جهانی به دلیل جمع آوری داده های پرهزینه و عوامل دیگر محدود کرده است [8 ] .
LiDAR (تشخیص و محدوده نور) به طور گسترده برای تخمین ارتفاع تاج پوشش گیاهی، انبار جنگل و زیست توده بالای زمین (AGB) استفاده شده است. دقت ارتفاع پوشش گیاهی و زیست توده اندازه گیری شده با LiDAR معمولاً 5-10 برابر بیشتر از داده های سنجش از دور نوری است [ 9 ، 10 ، 11 ]. سان و همکاران [ 12 و 13 ] شبیه‌سازی‌های نظری سیستم ارتفاع‌سنج لیزری زمین‌شناسی (GLAS) شکل موج و وارونگی پارامتر ساختار جنگل را انجام دادند. با توجه به نتایج آنها، داده های GLAS را می توان برای تخمین ارتفاع توده جنگلی استفاده کرد. پانگ و همکاران [ 14] از داده‌های LiDAR موجود در هوا برای استخراج میانگین ارتفاع درخت در طرح آزمایشی جنگل کوهستان زولای، شهر تایان، استان شاندونگ، چین، با دقت کلی تا 90.59٪ استفاده کرد. Means et al. [ 15 ] از LiDAR هوابرد برای مطالعه ارتفاعات پوشش گیاهی یک توده جنگلی اورگان در غرب ایالات متحده استفاده کرد و تعیین کرد که رابطه بین ارتفاعات جنگل و AGB تا 1300 میلی گرم در هکتار، حتی در جنگل های بسیار متراکم، قابل توجه است. از آنجایی که نقاط GLAS ناپیوسته با چگالی فضایی نسبتاً کم هستند، باید آنها را با سایر داده‌های مستمر سنجش از راه دور ترکیب کرد تا توزیع ارتفاع تاج پوشش و تخمین زیست توده با دقت بالا پیوسته به دست آید [16 ] . بنابراین، برای به دست آوردن داده های زیست توده جنگل در مقیاس منطقه ای، نلسون و همکاران.[ 17 ] از داده های GLAS و MODIS برای تخمین ذخیره جنگلی در حال رشد در سیبری استفاده کرد. نتایج نشان می دهد که ترکیب GLAS و داده های نوری می تواند به طور قابل توجهی دقت نتایج مشتق زیست توده را بهبود بخشد. لفسکی و همکاران [ 18 ] زیست توده جنگل را با ترکیب زیست توده جنگلی استخراج شده از داده های LiDAR موجود در هوا و اطلاعات مربوط به سن توده استخراج شده از تصاویر Landsat TM برآورد کرد. هوانگ و همکاران [ 19] AGB جنگل را در ردپای GLAS در ترکیب با داده های LiDAR موجود در هوا، محصول تبدیل پوشش گیاهی MODIS (MOD44B) و محصول پوشش زمین MERIS برای نقشه برداری پیوسته از جنگل یوننان AGB، با ضریب تعیین 0.52 و ریشه میانگین مربعات خطا برآورد کرد. (RMSE) 31 میلی گرم در هکتار.
LiDAR پتانسیل کاربردی زیادی برای تخمین جنگل AGB دارد. برخلاف هزینه‌های بالا و محدودیت‌های فضایی LiDAR هوابرد، GLAS دارای دید مشاهداتی گسترده و پوشش جهانی است و بنابراین مزایایی برای تحقیقات تخمین زیست توده جنگلی در مقیاس بزرگ دارد. مطالعاتی برای تخمین زیست توده جنگلی در Xishuangbanna، Yunnan، چین انجام شده است [ 20 ، 21 ، 22 ، 23]، اما بیشتر این مطالعات بر روی مدل‌سازی زیست توده دو بعدی با استفاده از سنجش از دور نوری یا وارونگی تک پارامتری ارتفاع پوشش گیاهی تمرکز داشتند. شیب های تند می تواند به شکل موج GLAS مختلط منجر شود که باعث ایجاد مشکل در تجزیه شکل موج می شود. در این مطالعه، ما بر روی اطلاعات ساختار افقی و عمودی جنگل و همچنین اثر شیب زمین تمرکز کردیم. داده‌های GLAS، MODIS BRDF (تابع توزیع انعکاس دوطرفه) و تصاویر Landsat TM برای به دست آوردن ارتفاع تاج پوشش پیوسته، نوع جنگل و LAI استفاده شد. ارتفاع تاج اندازه‌گیری شده و شاخص سطح برگ برای ساخت یک مدل رگرسیون چند متغیره برای دستیابی به تخمین‌های دقیق AGB جنگل استفاده شد. روش پیشنهادی در این مطالعه به عنوان مثالی برای سایر ساختارهای جنگلی و تخمین‌های AGB در مناطق مرتفع عمل می‌کند.

2. منطقه مطالعه و داده های تجربی

2.1. منطقه مطالعه

برای ارزیابی و مقایسه مدل‌های مختلف برای تخمین AGB جنگل، مطالعه‌ای در جنگل Xishuangbanna، جنوب استان یوننان، چین انجام شد. منطقه مورد مطالعه تقریباً 20000 کیلومتر مربع را پوشش می دهد و جنگل های بارانی استوایی، جنگل های بارانی فصلی، جنگل های پهن برگ همیشه سبز نیمه گرمسیری، جنگل های مخروطی، بامبو، درختچه ها و علف ها بر آن غالب است. مزارع لاستیک به سرعت در حال گسترش هستند. مساحت مزارع لاستیک طی 30 سال گذشته به 205000 هکتار افزایش یافته است و تقریباً 06/27 درصد از کل جنگل را شامل می شود. دومین درختان غالب جنگل های بارانی استوایی هستند [ 24 ]. در این مطالعه ما جنگل‌ها را به دو دسته طبقه‌بندی کردیم: مزارع لاستیک و جنگل‌های بارانی استوایی.

2.2. داده های GLAS

مقدمه مفصل GLAS را می توان در Lefsky et al. [ 10 ] و وانگ و همکاران. [ 25 ]. داده های مورد استفاده در این مطالعه محصولات GLA01 و GLA14 بودند که در فوریه 2009 به دست آمدند. GLA01 (کلاس 1A) تعداد هر ردپای و اطلاعات شکل موج کامل را ثبت می کند و GLA14 (کلاس 2) شامل تعداد رکورد پالس، طول جغرافیایی، عرض جغرافیایی و ارتفاع است. . در مجموع 1938 ردپای GLAS در منطقه مورد مطالعه افتاد.

2.3. داده های MODIS BRDF

MODIS یک حسگر با 36 باند موج روی ماهواره های Terra و Aqua است. MODIS BRDF یک محصول چهار سطح با وضوح فضایی 500 متر (نسخه 5) و در فرمت HDF-EOS است. داده های MODIS BRDF ناهمسانگردی هر پیکسل را بهتر منعکس می کند و توانایی بازیابی ساختار پوشش گیاهی را دارد [ 26 ]. الگوریتم اصلی MODIS BRDF نشان دهنده پراکندگی حجمی و پراکندگی هندسی-اپتیکی توسط هسته Ross-Thick و هسته متقابل Li-Sparse به نام RTLSR است که در معادله (1) نشان داده شده است:

R ( θ ، ϑ ، ϕ ، Λ ) =fمن o _( Λ ) +fv o l( Λ )کv o l( θ ، ϑ ، ϕ ) +fge o( Λ )کge o( θ ، ϑ ، ϕ )آر(�،�،�،Λ)=�منس�(Λ)+���ل(Λ)ک��ل(�،�،�)+��ه�(Λ)ک�ه�(�،�،�)

که در آن f iso ، f vol و f geo به ترتیب وزن‌های پراکندگی همسانگرد، پراکندگی حجمی، و پراکندگی هندسی-اپتیکی هستند. K geo و Kvo l توابع مثلثاتی از نمای اوج θ ، اوج روشنایی ϑ ، و آزیموت نسبی ϕ هستند . این توابع شکل هایی را برای BRDF های سطحی و پراکنده حجمی فراهم می کنند. R (θ، ϑ، ϕ، Λ) تابع توزیع بازتاب دو طرفه برای باند موج Λ است .

محصول فرعی داده‌های MODIS BRDF/Albedo که MCD43A1 نامیده می‌شود، پارامترهای وزنی را برای مدل RTLSR فراهم می‌کند، به عنوان مثال ، وزن پراکندگی همسانگرد، وزن پراکندگی هندسی-اپتیکی، و وزن پراکندگی حجمی. برای همگام سازی با داده های GLAS، محصولات MCD43A1 در فوریه 2009 در این مطالعه استفاده شد.

2.4. داده های Landsat TM

داده های Landsat TM به طور رایگان از موسسه سنجش از دور و زمین دیجیتال (RADI)، آکادمی علوم چین (CAS) به دست آمد. داده ها با وضوح فضایی 30 متر تصحیح شده اند که LAI از آن استخراج شده است. ما 11 شاخص پوشش گیاهی را از داده های TM مورد مطالعه قرار دادیم: NDVI (شاخص گیاهی تفاوت نرمال شده)، DVI (شاخص گیاهی تفاوت)، SRVI (شاخص گیاهی نسبت ساده)، PVI (شاخص پوشش گیاهی عمودی)، SAVI (شاخص گیاهی تنظیم شده با خاک)، ARVI ( شاخص پوشش گیاهی مقاوم در برابر جو)، EVI (شاخص پوشش گیاهی تقویت شده)، TVI (شاخص پوشش گیاهی مثلثی)، MSAVI (SAVI اصلاح شده)، SARVI (ARVI تنظیم شده با خاک)، و MCARI (جذب کلروفیل اصلاح شده در شاخص بازتاب)، و رگرسیون آماری را ایجاد کرد. مدلی برای این شاخص‌ها و شاخص سطح برگ اندازه‌گیری شده در میدان.27 ]:

y= 4.4212 x – 0.0385�=4.4212ایکس–0.0385

که در آن y LAI و x MSAVI است.

2.5. داده های ASTER GDEM

داده‌های ASTER DEM (مدل ارتفاعی دیجیتال) از ناسا برای تصحیح تأثیر شیب توپوگرافی بر پارامتر شکل موج GLAS بارگیری شد. داده ها در قالب GeoTIFF با سیستم مختصات WGS84 بود. از نسخه دوم داده‌های DEM که منطقه مورد مطالعه را پوشش می‌دهد، استفاده شد و وضوح فضایی 30 متر است.

2.6. داده های اندازه گیری شده زمینی

اندازه گیری های زمین در ژانویه 2012 و آوریل 2013 با استفاده از روش پیمایش کوادرات و RTK-GPS، ارتفاع سنج لیزری دستی، نوار اندازه گیری، نوار قطری، زاویه سنج و TLS سه بعدی (اسکنر لیزری زمینی، Riegl VZ1000) جمع آوری شد. شکل 1نمونه میدانی ردپای GLAS را نشان می دهد. مختصات هر ردپای با استفاده از RTK-GPS تعیین شد. همه درختان با DBH بیش از 5 سانتی متر در یک منطقه دایره ای با قطر 30 متر و در مرکز هر ردپای GLAS انتخاب شده اندازه گیری شدند. مختصات جغرافیایی، گونه‌های درخت غالب، و شیب زمین و جنبه شیب هر قطعه نمونه ثبت شد و DBH و ارتفاع هر درخت نمونه‌برداری شده اندازه‌گیری شد. برخی از ردپاها با TLS اسکن شدند تا ارتفاعات گیاهی دقیقی برای اعتبارسنجی ارتفاع درختان اندازه‌گیری شده در مزرعه به دست آید. نتایج نشان داد که خطا در اندازه گیری های میدانی ناچیز است. ارتفاع متوسط ​​همه درختان در یک قطعه برای نشان دادن ارتفاع تاج اندازه‌گیری شده در این قطعه استفاده می‌شود. شصت و پنج قطعه برای مزارع لاستیک و 31 قطعه برای جنگل های بارانی استوایی نمونه برداری شد.20 ]:

w = a ×Dب�=�×��

که در آن D DBH، w زیست توده، و a و b پارامترها هستند. با این حال، زمانی که این مدل را در منطقه مورد مطالعه اعمال کردیم، عوامل مختلفی مانند تغییر زمان، ویژگی‌های زمین و نوع پوشش گیاهی می‌توانند خطاهایی را به همراه داشته باشند. بنابراین، یک پارامتر جدید به شرح زیر به مدل زیست توده توسعه یافته در مطالعات قبلی اضافه شد:

w = a ×Dب+ ج�=آ×�ب+ج

جایی که c یک ثابت است. از طریق تعدادی از آزمایش‌ها، مقادیر c برای مزارع لاستیک و جنگل‌های بارانی استوایی به ترتیب 99/8- و 12/32- بود. ما دریافتیم که مدل های اصلاح شده دقت تخمین تک درخت را بهبود می بخشد ( شکل 2 را ببینید ). زیست توده کل (Mg، وزن خشک) در هر قطعه نمونه مجموع همه درختان است و میانگین داده های زیست توده (Mg/ha) محاسبه می شود. پس از آن، داده های زیست توده به یک شبکه 500 × 500 متر مطابق با وضوح فضایی داده های MODIS تبدیل شدند.

3. روش ها

3.1. پردازش داده های GLAS

3.1.1. پیش پردازش

پیش پردازش داده های GLAS شامل حذف خطا، رفع فشرده سازی داده ها، تبدیل ولتاژ و فیلتر می شود. ابزار IDL موجود در مرکز ملی داده های برف و یخ (NSIDC) برای خواندن داده های باینری GLAS و تبدیل آنها به فایل های متنی ASCII استفاده شد. داده های پرت ناشی از نویز ابر و سیستم حذف شدند. برای اطمینان از اینکه 544 نمونه به طور کامل اطلاعات عمودی را در یک ردپا تشکیل می دهند، سیستم GLAS شکل موج ها را در قالب فشرده سازی زیربخش ثبت می کند و داده های شکل موج بر اساس نسبت فشرده سازی از حالت فشرده خارج می شوند. GLA01 و GLA14 به عنوان اعداد دیجیتال در فرمت باینری ثبت شدند. لیستی از محصولات جانبی برای تولید محصولات استاندارد GLAS مورد نیاز است. ANC07 یکی از محصولات جانبی GLAS است که ثابت های مربوط به خطا، جو، ارتفاع و شکل موج را ارائه می دهد. ما ANCO7 را از NSIDC به دست آوردیم. برای به دست آوردن داده‌های شکل موج با کیفیت بالا، در این مطالعه از روش فیلتر میانگین برای داده‌های شکل موج GLAS استفاده شد. فیلتر میانگین یک روش رایج برای کاهش نویز شکل موج با میانگین گیری شدت شکل موج در یک پنجره محلی است [28 ].

3.1.2. استخراج ویژگی های شکل موج GLAS

فاصله بین شروع سیگنال و آخرین قله شکل موج GLAS به ارتفاع بلندترین درخت در یک ردپای مربوط می شود، اگرچه نمی تواند اطلاعات ارتفاع همه درختان در ردپا را توصیف کند. مطالعات قبلی از طول شکل موج، لبه پیشرو و لبه انتهایی شکل موج برای تخمین ارتفاع متوسط ​​تاج پوشش [ 10 ، 25 ] استفاده کردند، که می تواند به عنوان فاصله از اولین قله شکل موج تا آخرین قله بیان شود ( به عنوان مثال ، اوج بازگشت زمین) ( شکل 3). ما داده‌های اکو را با ساخت مدل‌ها برای به دست آوردن اوج موقعیت شکل موج امواج گاوسی مختلف تجزیه و تحلیل کردیم. روش تجزیه و تحلیل موجک برای قرار دادن قله شکل موج و استخراج اطلاعات طول شکل موج از قله ارتفاع پوشش گیاهی استفاده می شود [ 25 ]. در اینجا، طول لبه جلویی شکل موج به فاصله بین اولین پیک موج گاوسی و نقطه شروع موثر سیگنال اشاره دارد. طول لبه جلویی منعکس کننده تأثیر کلی زبری تاج پوشش گیاهی و تسکین پیچیده زمین بر سیگنال اکو است. فاصله بین آخرین قله گاوسی در لبه انتهایی شکل موج و نقطه پایانی سیگنال موثر، تأثیر شیب توپوگرافی و تسکین سطح را بر سیگنال اکو منعکس می‌کند.

3.1.3. تصحیح زمین

سیگنال پژواک لیزری یک ردپای بزرگ نتیجه تعامل بین پالس لیزر و تاج پوشش گیاهی و زمین است. شیب توپوگرافی تأثیر قابل توجهی بر شکل موج دارد که در درجه اول با گسترش و نامگذاری شکل موج توضیح داده می شود. این مطالعه مدلی را بر اساس ارتفاع درخت اندازه گیری شده ( H )، طول شکل موج ( w )، طول لبه جلویی ( l ) و طول لبه انتهایی ( t ) شکل موج، شاخص توپوگرافی ( g ) و توپوگرافی ایجاد می کند. انحراف ( های ) استاندارد برای کاهش تأثیر شیب توپوگرافی [ 28 ].
شاخص توپوگرافی یک پارامتر آماری است که توسط Lefsky و همکاران ارائه شده است. [ 10 ، 11 ] برای از بین بردن تأثیر اثر زمین بر داده های شکل موج کامل. این شاخص به عنوان تفاوت بین مقادیر حداکثر و حداقل ارتفاع یک n × n پنجره بیان می شود. انحراف استاندارد توپوگرافی ویژگی برجسته توپوگرافی را نشان می دهد و تأثیر زمین را در طول فرآیند عملکرد اکو لیزری منعکس می کند [ 11]]. برای داده های GLAS و DEM با وضوح فضایی 30 متر، می توان از یک پنجره 3×3 برای کاهش اثر زمین بر روی داده های شکل موج کامل استفاده کرد. شاخص توپوگرافی و انحراف معیار را می توان با استفاده از DEM محاسبه کرد. همانطور که در جدول 1 نشان داده شده است، در مجموع 50 ارتفاع متوسط ​​تاج برای مدل سازی استفاده شد .
در این مطالعه، ما از میانگین ارتفاع تمام درختان در ردپا به عنوان میانگین ارتفاع تاج پوشش ردپای ( H ) استفاده کردیم. از جدول 1 می بینیم که ضریب تعیین مدل شماره 9 بهترین است. یک همبستگی قوی بین طول شکل موج و ارتفاع پوشش گیاهی وجود دارد. طول دنباله شکل موج می تواند همبستگی بین طول شکل موج و ارتفاع پوشش گیاهی را به خوبی بهبود بخشد. مدل شماره 9 برای تصحیح زمین برای داده های شکل موج GLAS استفاده شد.

3.2. پیش پردازش داده های MODIS

در مجموع 10 باند داده از MODIS1-7 و سه باند گسترده در داده MCD43A1 ارائه شد و هر باند دارای سه پارامتر BRDF است. روش شاخص نواری پیشنهاد شده توسط جیانگ و همکاران. [ 29 ] برای انتخاب ترکیب باند بهینه در انتخاب باند موج اتخاذ شد. نوارهای قرمز، آبی و نزدیک به مادون قرمز انتخاب شدند. از طریق تبدیل فرمت و یک موزاییک چند تصویری، تصویر BRDF منطقه مورد مطالعه را به دست آوردیم.

3.3. فیوژن GLAS با MODIS برای تخمین ارتفاع درخت

با توجه به توزیع ناپیوسته ردپاهای GLAS، ادغام GLAS با داده های سنجش از دور نوری روشی موثر برای تخمین ارتفاع تاج جنگل در مقیاس بزرگ و پیوسته است. مدل ترکیبی از داده های MODIS BRDF و GLAS توسط شبکه عصبی BP ساخته شد. لایه ورودی شامل نه گره، شامل سه پارامتر BRDF در باندهای قرمز، آبی و نزدیک به مادون قرمز است. لایه خروجی ارتفاع سایبان است. شبکه عصبی BP با استفاده از 1938 نقطه GLAS [ 28 ] آموزش داده شد.

3.4. مدلسازی زیست توده

اول، ارتفاع تاج ایجاد شده با ترکیب داده های GLAS و MODIS/BRDF و زیست توده اندازه گیری شده برای ساخت یک مدل تخمین تک متغیره استفاده شد. دوم، ارتفاع تاج بالا، LAI، و زیست توده اندازه گیری شده برای ساخت یک مدل تخمین زیست توده چند متغیره استفاده شد. با در نظر گرفتن ضریب تعیین و مقدار آزمون F ، مدل بهینه را انتخاب کردیم و یک تبدیل مقیاس انجام دادیم و LAI را با وضوح 500 متر به جای 30 متر نمونه‌برداری کردیم. در نهایت، بهترین مدل برآورد جنگل AGB برای Xishuangbanna توسعه داده شد و با استفاده از 21 داده اندازه‌گیری میدانی اضافی تأیید شد.

4. تجزیه و تحلیل نتایج

4.1. ارتفاعات پوشش گیاهی پیوسته

با استفاده از نمودارهای نمونه GLAS و تصویر MODIS BRDF، ما یک مدل شبکه عصبی ساختیم و ارتفاعات پوشش گیاهی پیوسته را در منطقه مورد مطالعه به دست آوردیم، همانطور که در شکل 4 نشان داده شده است . همانطور که در شکل 5 نشان داده شده است، چهل و شش قطعه مزرعه از ارتفاع درخت برای اعتبارسنجی نتایج برآورد شده استفاده شد . نتایج نشان می‌دهد که ضریب تعیین تقریباً 0.71 (RMSE = 3.95 متر) است و روش توسعه‌یافته در این مطالعه می‌تواند برای برآورد ارتفاعات پوشش گیاهی مداوم مورد استفاده قرار گیرد.
شکل 5 نشان می دهد که بیشتر ارتفاعات پوشش گیاهی از 12 متر تا 25 متر متغیر است. ارتفاع جنگل بارانی استوایی در Xishuangbanna بیشتر از 30 متر بود. جنگل پهن برگ (ارتفاع <30 متر) نوع پوشش گیاهی اصلی است و تقریباً 30.0٪ از کل مساحت را تشکیل می دهد [ 30 ]. این نشان می دهد که نتایج ما تا حدی معقول است.

4.2. نتایج برآورد جنگل AGB

در مجموع 75 داده زیست توده اندازه‌گیری شده در میدان برای ساخت یک سری مدل‌های رگرسیون با ارتفاع تاج جنگل پیوسته استفاده شد. نتایج فهرست شده در جدول 2 (که در آن y زیست توده، x 1 ارتفاع تاج پوشش، و x 2 LAI است) نشان می دهد که هر دو تابع چند جمله ای و توان می توانند R2 بالاتری تولید کنند . با این حال، زمانی که توان توابع توان بیش از سه باشد، تفاوت کمی در نتایج وجود دارد. علاوه بر این، هرچه توان بالاتر باشد، کاربرد ضعیف‌تر معادله است. در این مطالعه از مدل 2 برای تخمین زیست توده با ضریب تعیین 61/0 و آزمون F 23/59 استفاده شد. نتیجه تخمین زیست توده در شکل 6 نشان داده شده استآ.
داده‌های زیست توده اندازه‌گیری شده در میدان نیز برای ایجاد یک رابطه رگرسیونی با ارتفاع تاج پوشش جنگلی و شاخص سطح برگ استفاده شد. ضریب تعیین بالاتر از استفاده از یک متغیر بود و هر دو بالای 0.67 بودند. تابع قدرت مدل 10 بهترین بود. ضریب تعیین 73/0 و آزمون F 62/100 بود. نتیجه تخمین زیست توده در شکل 6 ب نشان داده شده است.
همانطور که در شکل 6 نشان داده شده است، زیست توده در منطقه جنگلی Xishuangbanna در درجه اول بین 40 میلی گرم در هکتار تا 320 میلی گرم در هکتار بود. مقادیر تخمینی AGB در این مطالعه با برخی دیگر از نتایج مطالعه قبلی [ 31 ] مطابقت دارد.
یک مجموعه داده اضافی از 21 اندازه گیری زیست توده میدانی برای اعتبارسنجی این مدل ها استفاده شد و نتایج تجزیه و تحلیل در جدول 3 فهرست شده است . نتایج نشان می دهد که میانگین خطا (ME) و RMSE در زیست توده برآورد شده با استفاده از ارتفاع تاج پوشش و LAI به عنوان دو متغیر ورودی کمتر از تنها استفاده از ارتفاع تاج به عنوان پارامتر ورودی است. خطاها کمی بیشتر از خطاهای Huang و همکاران است. [ 19 ]. با استفاده از مدل‌های رگرسیون توسعه‌یافته در این مطالعه، می‌توانیم کل AGB را در منطقه جنگلی Xishuangbanna محاسبه کنیم که 102,307,820 میلی‌گرم (توسط مدل زیست توده ارتفاع تاج پوشش) و 110,084,845 میلی‌گرم (با ارتفاع تاج پوشش و مدل LAI-biomass) بود. هر دو نتیجه کمتر از 124695430 میلی گرم هستند [ 32]، و به ترتیب با دست کم گرفتن 18.0% و 11.7% همراه هستند. شکل 7 نمودار پراکندگی زیست توده تخمینی میدانی را در مقابل زیست توده تخمینی در 21 محل نمونه برداری میدانی نشان می دهد. ضریب تعیین برای مدل تخمین تک متغیره زیست توده 0.67 (RMSE = 52.79 میلی گرم در هکتار) بود، در حالی که برای مدل تخمین چند متغیره زیست توده 0.69 (RMSE = 38.20 میلی گرم در هکتار) بود، که نشان می دهد ترکیب ارتفاع درخت و LAI می تواند بهبود دقت تخمین زیست توده

5. بحث و نتیجه گیری

در این مطالعه، از داده‌های چند منبعی (GLAS، MODIS، ASTER DEM، و Landsat TM) و اندازه‌گیری‌های میدانی برای ساخت مدل‌هایی برای تخمین زیست توده جنگل در بالای زمین در منطقه Xishuangbanna استفاده کردیم. نتایج ما نشان داد که: (1) با ترکیب داده‌های GLAS، MODIS و Landsat TM، می‌توانیم جنگل AGB را با دقت نسبتاً بالایی، به‌ویژه در مناطق جنگلی کوهستانی، نقشه‌برداری کنیم. (2) دقت زیست توده تخمین زده شده به شدت تحت تأثیر ارتفاع تاج پوشش و شاخص سطح برگ قرار گرفته است و بنابراین، شامل LAI در مدل برآورد AGB می تواند دقت را بهبود بخشد. با این حال، ما فکر می کنیم که چندین محدودیت وجود دارد که نیاز به مطالعه بیشتر در آینده دارد.
(1) اشباع شاخص پوشش گیاهی در وارونگی شاخص پوشش گیاهی در این مطالعه در نظر گرفته نشد. اشباع زمانی وجود دارد که از داده های سنجش از دور نوری برای بازیابی یک شاخص پوشش گیاهی، مانند NDVI یا LAI استفاده می کنیم. در این مطالعه، LAI را از Landsat TM در یک جنگل گرمسیری استخراج کردیم. اشباع LAI در برخی مناطق می تواند یک AGB دست کم تخمین زده شده را در این زمینه ایجاد کند. LiDAR می تواند تخمین LAI نسبتاً دقیقی را در جنگل های انبوه ارائه دهد که ممکن است به حل این مشکل کمک کند [ 33 ].
(2) سیستم GLAS جمع آوری داده ها را در سال 2009 متوقف کرد. با این حال، اندازه‌گیری‌های میدانی در سال‌های 2012 و 2013 انجام شد. اختلاف زمانی بین اندازه‌گیری‌های میدانی مشاهدات ماهواره‌ای می‌تواند خطاهایی در ارتفاع تخمینی پوشش گیاهی و شاخص سطح برگ به همراه داشته باشد.
(3) در این مطالعه، ما جنگل‌ها را به دو دسته جنگل‌های بارانی گرمسیری و مزارع لاستیک طبقه‌بندی کردیم و از مجموع مزارع لاستیک AGB و جنگل‌های بارانی گرمسیری AGB به عنوان کل AGB منطقه مورد مطالعه استفاده کردیم. بنابراین، ممکن است در تخمین نهایی زیست توده خطا ایجاد شود. یک مدل تخمین زیست توده شامل تمام انواع جنگل ها در منطقه مورد مطالعه، دقت تخمین را بهبود می بخشد.

منابع

  1. یانگ، HX; وو، بی. ژانگ، جی تی. لین، DR; Chang، SL پیشرفت تحقیق در تثبیت کربن و ذخیره اکوسیستم های جنگلی. جی. هنجار پکن. دانشگاه (Nat. Sci.) 2005 ، 41 ، 172-177. (به زبان چینی) [ Google Scholar ]
  2. جینگیون، اف. گوهوا، ال. Songling، X. زیست توده و تولید خالص پوشش گیاهی جنگلی در چین. Acta Ecol. گناه 1996 ، 16 ، 497-508. [ Google Scholar ]
  3. ناسیمنتو، HE; لارنس، WF کل زیست توده بالای زمین در جنگل های بارانی آمازون مرکزی: یک مطالعه در مقیاس چشم انداز. برای. Ecol. مدیریت 2002 ، 168 ، 311-321. [ Google Scholar ] [ CrossRef ]
  4. پان، ی. Birdsey، RA; نیش، جی. هاتون، آر. Kauppi، PE; کورز، WA; Hayes, D. یک غرق کربن بزرگ و پایدار در جنگل های جهان. Science 2001 , 333 , 988-993. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  5. فنگ، ZW؛ وانگ، XK; وو، جی. زیست توده و تولید اکوسیستم های جنگلی در چین . انتشارات علمی: پکن، چین، 1999. (به زبان چینی) [ Google Scholar ]
  6. وانگ، LH; Xing، YQ تخمین سنجش از دور زیست توده جنگل طبیعی بر اساس یک شبکه عصبی مصنوعی. Ying Yong Sheng Tai Xue Bao 2008 ، 19 ، 261-266. (به زبان چینی) [ Google Scholar ] [ PubMed ]
  7. واگنر، دبلیو. لاکمن، ا. ویتمایر، جی. Tansey، K. بالزتر، اچ. اشمولیوس، سی. Yu, JJ نقشه برداری در مقیاس بزرگ از جنگل های شمالی در سیبری با استفاده از انسجام پشت سر هم ERS و داده های پس پراکندگی JERS. سنسور از راه دور محیط. 2003 ، 85 ، 125-144. [ Google Scholar ] [ CrossRef ]
  8. کلود، اس آر. پاپاتاناسیو، KP فرآیند وارونگی سه مرحله ای برای تداخل سنجی SAR قطبی. IEEE Proc. رادار سونار ناویگ. 2003 ، 150 ، 125-134. [ Google Scholar ] [ CrossRef ]
  9. وانگ، سی. Glenn, NF ادغام داده‌های شدت و ارتفاع LiDAR برای توصیف زمین در یک منطقه جنگلی. Geosci. سنسور از راه دور Lett. IEEE 2009 ، 6 ، 463-466. [ Google Scholar ] [ CrossRef ]
  10. Lefsky، MA; هاردینگ، دی جی; کلر، ام. کوهن، WB; کاراباجال، سی سی; دل بوم اسپیریتو سانتو، اف. de Oliveira, R. برآورد ارتفاع تاج جنگل و زیست توده بالای زمین با استفاده از ICESat. ژئوفیز. Res. Lett. 2005 ، 32 . [ Google Scholar ] [ CrossRef ]
  11. Lefsky، MA; Hudak، AT; کوهن، WB; Acker, SA تنوع جغرافیایی در پیش‌بینی‌های لیدار ساختار توده جنگلی در شمال غربی اقیانوس آرام. سنسور از راه دور محیط. 2005 ، 95 ، 532-548. [ Google Scholar ] [ CrossRef ]
  12. سان، جی. Ranson، KJ Modeling lidar از سایبان های جنگلی بازمی گردد. IEEE Trans. Geosci. Remote Sens. 2000 , 38 , 2617–2626. [ Google Scholar ]
  13. سان، جی. رانسون، کی جی. کیمز، دی اس؛ بلر، جی بی. ساختار عمودی جنگل کوواکس از GLAS: ارزیابی با استفاده از داده های LVIS و SRTM. سنسور از راه دور محیط. 2008 ، 112 ، 107-117. [ Google Scholar ] [ CrossRef ]
  14. پانگ، ی. ژائو، اف. Li، ZY; ژو، اس اف. دنگ، جی. لیو، QW; وارونگی ارتفاع جنگل Chen, EX با استفاده از فناوری Lidar هوابرد. J. Remote Sens. 2008 ، 12 ، 152-158. (به زبان چینی) [ Google Scholar ]
  15. معنی، JE; Acker، SA; هاردینگ، دی جی; بلر، جی بی. Lefsky، MA; کوهن، WB; McKee، WA استفاده از Lidar هوابرد اسکن با ردپای بزرگ برای تخمین ویژگی های توده جنگلی در آبشارهای غربی اورگان. سنسور از راه دور محیط. 1999 ، 67 ، 298-308. [ Google Scholar ] [ CrossRef ]
  16. رانسون، کی جی. سان، جی. کواچ، ک. خاروک، VI ویژگی های Landcover از داده های ICESat GLAS در سیبری مرکزی. در مجموعه مقالات سمپوزیوم علوم زمین و سنجش از دور، انکوریج، AK، ایالات متحده آمریکا، 20-24 سپتامبر 2004. صص 753-756.
  17. نلسون، آر. رانسون، کی جی. سان، جی. کیمز، دی اس؛ خارک، وی. Montesano، P. برآورد حجم الوار سیبری با استفاده از MODIS و ICESat/GLAS. سنسور از راه دور محیط. 2009 ، 113 ، 691-701. [ Google Scholar ] [ CrossRef ]
  18. Lefsky، MA; ترنر، DP; گوزی، م. کوهن، WB ترکیب تخمین‌های لیدار زیست توده بالای زمین و تخمین‌های Landsat از سن توده برای اعتبارسنجی فضایی گسترده بهره‌وری جنگل مدل‌سازی شده. سنسور از راه دور محیط. 2005 ، 95 ، 549-558. [ Google Scholar ] [ CrossRef ]
  19. هوانگ، ک. پانگ، ی. شو، س. Fu، T. تخمین زیست توده جنگلی روی زمین با استفاده از ICESat GLAS در یوننان، چین. J. Remote Sens. 2013 ، 17 ، 165-179. (به زبان چینی) [ Google Scholar ]
  20. Lv، X.; تانگ، جی. سلام.؛ دوان، دبلیو. آهنگ، جی. خو، اچ. Zhu، S. Biomass و تخصیص آن در جنگل بارانی فصلی گرمسیری در Xishuangbanna، جنوب غربی چین. J. Plant Ecol. 2007 ، 31 ، 11-22. (به زبان چینی) [ Google Scholar ]
  21. تانگ، جی دبلیو. Pang، JP; چن، من؛ Guo، XM; Zeng، R. Biomass و مدل تخمینی آن از مزارع لاستیک در Xishuangbanna، جنوب غربی چین. چانه. جی. اکول. 2009 ، 28 ، 1942-1948. (به زبان چینی) [ Google Scholar ]
  22. یانگ، سی. لیو، جی. Luo, J. تجزیه و تحلیل همبستگی داده های Landsat TM و داده های مشتق شده از آن، داده های هواشناسی و داده های توپوگرافی با زیست توده جنگل های استوایی سالخورده مختلف. Acta Phytoecol. گناه 2003 ، 28 ، 862-867. (به زبان چینی) [ Google Scholar ]
  23. چنگ، اف. تخمین زیست توده جنگل با استفاده از داده های سنجش از دور چند منبعی در یوننان. پایان نامه کارشناسی ارشد، دانشگاه عادی یوننان، کونمینگ، چین، 2011. [ Google Scholar ]
  24. Li، ZJ; ما، YX; لی، اچ ام. پنگ، ام سی؛ لیو، WJ رابطه کاربری زمین و تغییر پوشش به توپوگرافی در Xishuangbanna، جنوب غربی چین. J. Plant Ecol. 2008 ، 32 ، 1091-1103. (به زبان چینی) [ Google Scholar ]
  25. وانگ، سی. تانگ، اف. Li, L. تجزیه و تحلیل موجک برای تجزیه شکل موج داده های ICESat/GLAS و کاربرد آن در تخمین ارتفاع درخت. IEEE Geosci. سنسور از راه دور Lett. 2013 ، 10 ، 115-119. [ Google Scholar ] [ CrossRef ]
  26. دنگ، اف. چن، ام. پلامر، اس. چن، ام. الگوریتم Pisek, J. برای بازیابی شاخص سطح برگ جهانی با استفاده از تصاویر ماهواره ای. IEEE Trans. Geosci. Remote Sens. 2006 , 44 , 2219–2229. [ Google Scholar ] [ CrossRef ]
  27. هان، TT; Xi، XH; وارونگی شاخص سطح برگ جنگلی Wang، C. بر اساس داده‌های TM در منطقه Xishuangbanna، چین. Remote Sens. Inf. 2014 ، 29 ، 29-32. (به زبان چینی) [ Google Scholar ]
  28. یانگ، تی. وانگ، سی. لی، جی سی; لو، اس.زی. Xi، XH; گائو، اس. نقشه برداری ارتفاع جنگل Zeng، HC چین با استفاده از داده های GLAS و MODIS. علم چین D Ser. 2014 ، 57 ، 1-11. [ Google Scholar ] [ CrossRef ]
  29. جیانگ، XG; وانگ، سی. وانگ، سی. انتخاب باند بهینه داده‌های سنجش از دور فراطیفی. سرزمین خشک Geogr. 2000 ، 23 ، 214-220. (به زبان چینی) [ Google Scholar ]
  30. زو، اچ. بررسی های طبقه بندی جنگل Xishuangbanna در جنوب یوننان. ربات Acta. Yunnanica 2007 ، 29 ، 377-387. (به زبان چینی) [ Google Scholar ]
  31. لی، جی اف. رن، H. زیست توده و بهره وری اولیه خالص جنگل ها در مناطق مختلف آب و هوایی چین. تروپ Geogr. 2004 ، 24 ، 306-310. (به زبان چینی) [ Google Scholar ] [ CrossRef ]
  32. ژانگ، XY; Xu، ZL; Wang, JN مطالعه در مورد روندهای ذخیره کربن جنگل و پتانسیل افزایش سینک در Xishuangbanna. Ecol. محیط زیست علمی 2011 ، 20 ، 397-402. (به زبان چینی) [ Google Scholar ]
  33. لو، اس.زی. وانگ، سی. لی، جی سی; Xi، XH بازیابی شاخص سطح برگ با استفاده از داده های شکل موج کامل ICESat/GLAS. سنسور از راه دور Lett. 2013 ، 4 ، 745-753. [ Google Scholar ] [ CrossRef ]
Ijgi 05 00045 g001 1024
شکل 1. نمودارهای نمونه میدانی.
Ijgi 05 00045 g002 1024
شکل 2. روابط زیست توده و ارتفاع درخت. ( الف ) مدل زیست توده اصلی در مقابل ارتفاع درخت و ( ب ) مدل زیست توده اصلاح شده در مقابل ارتفاع درخت ( n = 65).
Ijgi 05 00045 g003 1024
شکل 3. مشخصات اصلی داده های شکل موج GLAS.
Ijgi 05 00045 g004 1024
شکل 4. نقشه ارتفاعات تاج جنگلی در Xishuangbanna.
Ijgi 05 00045 g005 1024
شکل 5. نتایج اعتبارسنجی ارتفاع تاج پوشش ( n = 46).
Ijgi 05 00045 g006 1024
شکل 6. نقشه زیست توده منطقه جنگلی Xishuangbanna. ( الف ) ارتفاع سایبان در مقابل . زیست توده؛ و ( ب ) ارتفاع تاج و LAI در مقابل زیست توده.
Ijgi 05 00045 g007 1024
شکل 7. نتایج اعتبارسنجی زیست توده بر اساس داده های اندازه گیری شده در میدان استفاده نشده. ( الف ) ارتفاعات در مقابل زیست توده. و ( ب ) ارتفاعات و LAI در مقابل زیست توده ( n = 21).
جدول
جدول 1. مدل لیست های ارتفاع جنگل مناسب.
جدول
جدول 2. لیست مدل های رگرسیون (Y نشان دهنده زیست توده است. x 1 نشان دهنده ارتفاع تاج پوشش و x 2 نشان دهنده LAI است.).
جدول
جدول 3. تجزیه و تحلیل دقت تخمین زیست توده ( n = 21).

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370