برآورد تاج پوشش جنگل با استفاده از سنجش از دور و زمین‌آمار (مطالعه موردی: جنگل‌های باغان مریوان)

مقاله پژوهشی

علوم و تکنولوژی محیط زیست، دوره بیست و چهارم، شماره یک، فروردین ماه 1401(71-82)

برآورد تاج پوشش جنگل با استفاده از سنجش از دور و زمین‌آمار

(مطالعه موردی: جنگل­های باغان مریوان)

    ساسان وفایی[1] ^*

Vafaei_sasan@ut.ac.ir

 رحیم ملک نیا²

حامد نقوی²

 امید فتحی زاده³

چکیده

زمینه و هدف: کسب اطلاعات به هنگام از وضعیت کمی و کیفی جنگل‌ها در تشریح پایداری اکوسیستم، طراحی طرح­های مدیریتی و حفاظتی مفید است. با توجه به نقش جنگل­های زاگرس در حفاظت از آب ‌و خاک و اهمیت تاج پوشش در جنگل­های زاگرس و هزینه زیاد و زمان‌بر بودن اندازه­گیری آن از طریق روش­های میدانی، کارایی فنون سنجش ­از ­دور و زمین‌آمار در برآورد تاج پوشش جنگل­های منطقه باغان شهرستان مریوان بررسی شد.

روش بررسی: ابتدا 89 قطعه ‌نمونه 1/0 هکتاری در منطقه پیاده و تاج پوشش درختان و موقعیت قطعات نمونه برداشت شد. در روش سنجش از دور از تصاویر سنجنده TM ماهواره لندست و مدل رگرسیون خطی چندگانه استفاده شد. بدین­ترتیب پس از پردازش تصاویر، ارزش­های متناظر قطعات نمونه از باندهای اصلی و باندهای حاصل از شاخص­های گیاهی و تجزیه مؤلفه‌های اصلی، استخراج شد. در روش زمین‌آمار از مدل نمایی برازش داده ­شده بر نیم تغییرنما به روش کریجینگ معمولی استفاده شد.

یافته­ها: نتیجه واریوگرافی نشان از ساختار مکانی قوی دارد و نتایج ارزیابی برآورد، نشان از نااریب بودن برآورد متغیر تاج پوشش است، بنابراین نقشه تاج پوشش جنگل با استفاده از روش کریجینگ با دقت مناسبی تهیه شد. نتایج کلی نشان‌دهنده دقت بیشتر مدل کریجینگ در برآورد درصد تاج­پوشش (69/0R²= ، 21/9 RMSE=) در مقایسه با روش سنجش از دور (52/0R²= ، 47/16 RMSE=) بود.

نتیجه­گیری: نتایج این تحقِق نشان داد که زمین‌آمار می­تواند ابزاری کارآمد برای تهیه نقشه میزان تاج پوشش جنگل در نواحی رویشی مشابه (رویشگاه زاگرس) باشند.

واژه­های کلیدی: تاج پوشش، جنگل­های زاگرس، رگرسیون چندگانه، کریجینگ، لندست

Estimation of Forest Canopy Using Remote Sensing and Geostatistics (Case Study: Marivan Baghan Forests)

SasanVafaei [2] *

Vafaei_sasan@ut.ac.ir

Rahim Maleknia²

Hamed Naghavi²

 Omid Fathizadeh³

Abstract

Background and Objective: Updated information in quantitative and qualitative properties of forests are useful in describing ecosystem sustainability, and designing management and conservative plans. According to importance of canopy cover parameter in the Zagros region and cost and time consuming processes of field measurement methods, in this study performance of remote sensing and geostatistics techniques to estimate forest canopy cover of Baghan region, Marivan city, were investigated.

Material and Methodology:  First, the number of 89 plots (each 0.1 Hectare) were selected based on random sampling method. In each plot, information of tree crown and center geographic coordinates of that plot were recorded. Remote sensing method was carried out using Landsat satellite images (TM) and multiple linear regression model. After image processing, spectral values of the corresponding field plots were extracted from the original images and synthetic bands composed of vegetation indices and principle component analysis. In geostatistic method, the estimation was performed using ordinary kriging from a fitted exponential model to the semivariogram.

Findings: The calculated variograms of canopy cover showed relatively strong spatial autocorrelation fitted by exponential models and cross-validation results showed an unbiased estimation of canopy estimation. Compared with the remote sensing method (with R2= 0/52 and RMSE= 16/47), the results indicated that Kriging model (RMSE= 9.21, R2= 0.69) showed a more accurate estimation of forest canopy cover.

Discussion and Conclusion: The results showed that geostatistics techniques can be used as an efficient tool for mapping the forest canopy in the same regions (Zagros Forest).

Keywords: Canopy Cover, Kriging, Landsat, Multiple Regression, Zagros Forest.

مقدمه

تعریف بین‌المللی از جنگل بر پایه تاج پوشش جنگل استوار است. سازمان خواروبار جهانی، جنگل را به‌عنوان زمینی که حداقل سطح آن 5/0 هکتار همراه با تاج پوشش بیشتر از 10% تعریف می‌نماید (1). ازاین‌رو برآورد تاج پوشش جنگل، به‌عنوان بخش مهمی از آماربرداری جنگل مطرح است. به‌طورکلی چند روش برای اندازه­گیری تاج پوشش وجود دارد: 1- آماربرداری زمینی 2- مدل­های آماری (چنانچه پارامترهای توده مانند سطح مقطع، تعداد پایه‌ها و قطر برابرسینه برای منطقه موردنظر موجود باشد) 3- اطلاعات حاصل از تجزیه ‌و تحلیل داده­های دور سنجی مانند عکس­های هوایی، تصاویر ماهواره­ای و یا داده­های راداری 4- تجزیه ‌و تحلیل‌های مکانی (زمین‌آمار).

استفاده از سنجش از دور می­تواند با توجه به مزایایی همچون سطح پوشش وسیع، کم‌هزینه بودن، قابلیت تکرار، در دسترس بودن داده­ها، کاهش قیمت داده‌های با توان تفکیک بالا و توسعه روزافزون مدل­های فیزیکی بر پایه بازتاب جنگل، به‌عنوان پرکاربردیترین روش مطرح گردد. اخیراً، محققان دیگر نیز با استفاده از تصاویر ماهواره‌ای و به کمک روش‌های رگرسیونی چندگانه، منطق فازی، شبکه­های عصبی مصنوعی، درخت تصمیم­گیری و مدل­های خطی تعمیم‌یافته به برآورد مشخصه‌های کمی توده‌های جنگلی ازجمله میزان تاج پوشش جنگل پرداخته­اند (3-5). در این راستا در تحقیقی در جنگل­های ایالات متحده شامل سه منطقه ویریجینا، اوتا و اورگون، با استفاده از داده­های سنجنده ETM+ ماهواره لندست 7، میزان تاج پوشش در هر سه منطقه و با دو روش رگرسیون خطی و درخت رگرسیون برآورد شد. میزان ضریب همبستگی (r) بالای بین تاج پوشش پیش­بینی شده و واقعی (%80<r) با استفاده از هر دو روش و در هر سه منطقه، قابلیت استفاده از این تصاویر را نشان داد (3). در مطالعه‌ای دیگر با هدف برآورد تاج پوشش جنگل­های بلوط همیشه سبز جنوب پرتغال از داده‌های سنجش از دوری ماهواره لندست (سنجنده TM) و مدل رگرسیون چند متغیره استفاده شد نتایج تحقیق مذکور نشان داد که مدل رگرسیونی خطی با ضریب همبستگی بالایی (74/0r²= ) قابلیت برآورد تاج پوشش جنگل را دارا می­باشد (6). در داخل کشور خصوصاً جنگل­های منطقه زاگرس نیز پژوهش­های موردی صورت گرفته است بطوریکه در تحقیقی، مدل‌سازی مشخصه تعداد در هکتار درختان در بخشی از جنگل‌های زاگرس شمالی و با استفاده از داده‌های SPOT-HRG و مدل رگرسیون خطی، انجام شده است که محققان به نتایج قابل قبولی دست نیافتند (7). همچنین در مطالعه‌ای دیگر در جنگل‌های زاگرس شمالی برآورد مشخصه‌های تراکم و سطح مقطع درختان با استفاده از تصاویر سنجنده های LISS-III و PAN ماهواره IRS-P6، با نتایج مطلوبی همراه نبود (8).

زمین­آمار یک رویکرد آماری جهت مدل­سازی متغیرهای ناحیه­ای در قالب نظریه احتمال و با استفاده از مفهوم تابع تصادفی تعریف می­گردد (9). روش­های مختلفی برای برآورد متغیرهایی که تغییرات زمانی و مکانی دارند، وجود دارد. تفاوت عمده این روش­ها مربوط به نحوه محاسبه وزنی است که به نقاط مشاهده شده در اطراف نقطه مجهول داده می­شود. کریجینگ یک روش تخمین است که بر منطق میانگین متحرک وزن­دار استوار است و در مورد آن می­توان گفت که بهترین تخمینگر خطی نااریب می­باشد (10). درزمینه استفاده از روش­های زمین‌آماری به‌منظور برآورد مشخصه­های کمی جنگل، مطالعات در خارج از کشور (11، 12) و مطالعات مختلفی نیز داخل کشور صورت گرفته است که بیشتر آن‌ها به جنگل­های شمال کشور مربوط است. ازجمله، در تحقیقی در جنگل­های شمال کشور، مشخصه تعداد درختان در هکتار با استفاده از روش‌های سنجش از دور و کریجینگ معمولی برآورد و سپس این دو روش باهم مقایسه شد. نتایج نشان داد که سنجش از دور نسبت به زمین‌آمار دارای میانگین مجذور خطای مربعات کمتری می­باشد (13). در ناحیه­ای دیگر در شمال کشور، به‌منظور بررسی ساختار مکانی متغیرهای کمی جنگل و امکان استفاده از روش زمین‌آمار، از روش کریجینگ  برای برآورد و نقشه­سازی استفاده شد. بر اساس واریوگرافی انجام شده، از متغیرهای مورد بررسی فقط تراکم درختان از ساختار مکانی مناسبی برخوردار نبود (14). در جنگل­های بلوط زاگرس مطالعات کمتری صورت گرفته است به‌عنوان مثال؛ در مطالعه­ای در جنگل­های منطقه دادآباد خرم­آباد، امکان استفاده از روش کریجینگ زمین‌آمار در پهنه­بندی متغیرهای تراکم و تاج پوشش جنگل بررسی شد و نتایج نشان از نااریبی برآوردها و درنتیجه امکان استفاده از روش کریجینگ در این مناطق می‌باشد (15). همچنین نتایج مدل‌سازی مشخصه­های تراکم و تاج پوشش جنگل­های منطقه کاکا رضای خرم­آباد با استفاده از روش کریجینگ، نشان از قابلیت مناسب این روش در مدل‌سازی مشخصه­های ذکر شده می­باشد (16).

با توجه به نقش جنگل­های زاگرس در حفاظت از آب‌وخاک، فاکتور تاج­پوشش مناسب­ترین مشخصه در بررسی و پایش تغییرات این جنگل­ها می­باشد (17). با توجه به مطالب فوق و اهمیت فاکتور تاج پوشش در جنگل­های زاگرس، در این تحقیق سعی شد به کاربرد فنون سنجش از دور و زمین‌آمار در برآورد تاج پوشش جنگل­های زاگرس واقع در منطقه باغان شهرستان مریوان پرداخته شود.

روش بررسی

محدوده مطالعه با وسعت 1100 هکتار در جنوب حوزه چناره و باغان شهرستان مریوان از توابع استان کردستان واقع شده است که بین مختصات طول جغرافیایی 46 درجه و 18 دقیقه تا 46 درجه و 22 دقیقه شرقی و عرض جغرافیایی 35 درجه و 30 دقیقه تا 35 درجه و 32 دقیقه شرقی قرار دارد. حداقل و حداکثر ارتفاع منطقه مورد مطالعه به ترتیب 1300 و 2100 متر از سطح دریا می­باشد (شکل 1). مطالعات انجام گرفته در حوضه مورد نظر نشان می‌دهد که رژیم بارندگی منطقه مطالعاتی مدیترانه‌ای است. تیپ‌ غالب جنگل اکثراً بلوط است که گونه‌های همراه افرا، بنه، گلابی، زالزالک، کیکم، دافنه، زبان‌گنجشک، شیرخشت و بادام همراه آن مشاهده می‌شود.

شکل 1- موقعیت منطقه مورد مطالعه در استان کردستان و شهرستان مریوان

Figure 1. Location map of the study area in Marivan, Kurdistan Province

مراحل انجام این تحقیق به‌طورکلی شامل سه بخش؛ الف- تهیه اطلاعات زمینی، ب- پیش­پردازش و پردازش تصاویر ماهواره­ای، ج- مدل‌سازی میزان زیست‌توده جنگل می­باشد که در ادامه به تشریح این بخش­ها پرداخته شده است.

تهیه اطلاعات زمینی

داده­های زمینی مورد استفاده به‌منظور تخمین تاج پوشش با استفاده از دو روش سنجش از دور و زمین‌آمار در طول تابستان 1391 برداشت شدند. بدین منظور تعداد 89 قطعه ‌نمونه دایره­ای شکل 1/0 هکتاری در منطقه پیاده و مختصات مراکز قطعات به کمک سیستم موقعیت­یاب جهانی (GPS) در عرصه ثبت شد. در هر قطعه ‌نمونه قطر بزرگ و کوچک تاج اندازه‌گیری شد و با استفاده از رابطه (1) میزان تاج پوشش در هر قطعه ‌نمونه محاسبه و سپس درصد تاج پوشش محاسبه شد.

که CC، میزان تاج پوشش در هر قطعه ‌نمونه، n تعداد درختان در هر قطعه‌ نمونه و di میانگین قطر تاج هر درخت می‌باشد.

تصاویر ماهواره­ای و پیش­پردازش و پردازش لازم در این مطالعه از داده­های سنجنده TM ماهواره لندست 5 مربوط به تاریخ تصویر­برداری 28 سپتامبر سال 2011 میلادی برابر با 6 مهر 1390 هجری شمسی استفاده شد.کیفیت داده‌ها از لحاظ رادیومتری و هندسی بررسی شد و اگرچه داده‌ها در سطح تصحیحات L1T دریافت شد اما به منظور اطمینان از عدم خطا، با نمایش تک باندها و همچنین ترکیب‌های مختلفی رنگی بر روی صفحه‌نمایش رایانه و با بزرگنمایی قسمت‌های مختلف این تصاویر، ازلحاظ خطاهای رادیومتری مورد بررسی قرار گرفت. به‌منظور بررسی وضعیت هندسی تصاویر نیز لایه‌های برداری جاده‌ها و آبراهه‌ها از نقشه‌های رقومی 1:25000 استخراج و بر روی تصاویر ماهواره‌ای قرار داده شد. به‌منظور استخراج هرچه بهتر اطلاعات، علاوه بر استفاده از بازتاب ثبت‌شده در ناحیه طول موج‌های مرئی، مادون‌قرمز نزدیک و مادون‌قرمز میانی (باندهای اصلی)، پردازش و آماده‌سازی‌های مختلفی نظیر ایجاد شاخص­های گیاهی مختلف، تجزیه مؤلفه‌های اصلی بر روی تصاویر ماهواره‌ای انجام شد. شاخص گیاهی محاسبه شده شامل؛VI, NDVI, PVI,WDVI, AVI, DVI, NRVI, RVI, TVI بود.

رگرسیون چندگانه

در این مرحله ابتدا ارزش­های رقومی متناظر با قطعات نمونه از تصاویر اصلی و باندهای مصنوعی استخراج شد. سپس همبستگی بین تاج پوشش اندازه­گیری شده در قطعات و ارزش­های رقومی استخراج شده توسط آزمون پیرسون بررسی شد و درنهایت آنالیز رگرسیون چندگانه خطی به روش رگرسیون گام‌به‌گام انجام گرفت. لازم به ذکر است که از تعداد کل قطعات نمونه حدود 20 درصد به‌طور تصادفی انتخاب و به‌عنوان مجموعه داده‌های ارزیابی برای اعتبارسنجی مدل کنار گذاشته شد و تجزیه‌وتحلیل‌های لازم با 80 درصد باقی‌مانده قطعات نمونه انجام شد.

تجزیه‌وتحلیل زمین­آماری

در بررسی­های آمار کلاسیک، مقدار اندازه­گیری شده یک کمیت معین در نمونه خاص هیچ‌گونه اطلاعاتی در مورد همان کمیت در نمونه دیگری به فاصله معین و معلوم در بر نخواهد داشت؛ به‌عبارت‌دیگر نتایج به‌دست‌آمده از اندازه­گیری نمونه­ها مستقل از موقعیت فضایی آن‌ها مورد تحلیل قرار می­گیرد. درحالی‌که در زمین­آمار علاوه بر مقدار یک کمیت معین در یک نمونه، موقعیت فضایی نمونه نیز مورد توجه قرار می­گیرد. این ارتباط فضایی (جهت و فاصله) بین مقدار کمیت در جامعه نمونه­های برداشت شده ممکن است در قالب ریاضی قابل بیان باشد. به این قالب­های ریاضی ساختار فضایی[3] گفته می­شود (9). به‌طورکلی زمین­آمار شامل دو دو بخش اصلی آنالیز نیم تغییرنما و اعمال روش کریجینگ است:

نیم تغییرنما

نیم تغییرنما کمیتی برداری است که درجه همبستگی مکانی و شباهت بین نقاط اندازه­گیری شده را برحسب مجموع مربع تفاضل مقدار دو نقطه و با توجه به جهت و فاصله نشان می­دهد (رابطه 2).

Y^(h): مقدار نیم تغییرنما در فاصله h ، : Z(X_i)مقدار متغیر اندازه­گیری شده در موقعیت (X_i)، Z(X_i-h): مقدار متغیر اندازه­گیری شده در موقعیت مکانی (X_i-h)، N(h): تعداد زوج نقاط در فاصله h

در واریوگرافی از چند مؤلفه برای تشریح و مدل­سازی رفتار واریوگرام استفاده می­شود: دامنه تأثیر، حد آستانه یا سقف،اثر قطعه­ای و همسانگردی یا ناهمسانگردی. دامنه تأثیر فاصله­ای است که از آن به بعد مقدار متغیر ناحیه­ای در نقاط دورتر از آن فاصله برهم تأثیر چندانی ندارند و با افزایش فاصله تغییرات مقدار واریوگرام روند معنی­داری ندارد. به مقدار ثابتی که واریوگرام در دامنه تأثیر به آن می­رسد. سقف یا آستانه گفته می­شود. مقدار نیم تغییرنما در مبدأ مختصات یعنی به ازای h=0 باید صفر باشد، اما در بیشتر مواقع بزرگ‌تر از صفر است که مقدار آن بر روی محور Y نیم تغییر نما اثر قطعه­ای یا واریانس تصادفی نامیده می­شود. اگر تابع واریوگرام در تمامی جهات بصورت یکسان عمل کند در واقع واریوگرام فقط تابع فاصله نقاط از یکدیگر باشد، به این حالت همسانگردی گفته می­شود و اگر تابع واریوگرام علاوه بر اینکه تابع فاصله نقاط از یکدیگر باشد، تابع جهت­ قرارگیری نقاط نسبت به هم نیز باشد، به این حالت ناهمسانگردی گفته می­شود. در بررسی حاضر، انجام آنالیزها به‌منظور ترسیم نیم تغییرنما در محیط نرم‌افزار GS+ صورت پذیرفت.

کریجینگ

کریجینگ یک روش تخمین است که بر منطق میانگین متحرک وزن­دار استوار است و در مورد آن می­توان گفت که بهترین تخمینگر خطی نااریب می­باشد (10). روش‌های کریجینگ با کمترین واریانس تخمین درون­یابی می­کنند و میزان خطای آن تابع مشخصات نیم تغییرنما (ساختار فضایی) است. در تحقیق حاضر، نقشه­ی درون­یابی کریجینگ، با استفاده از نرم­افزار Surfer و روش کریجینگ معمولی، بر اساس نیم تغییرنما از قبل محاسبه شده ترسیم شد. تابع کریجینگ به‌صورت رابطه (3) تعریف می­شود.

به‌طوری‌که _iλ وزن مرتبط با ارزش متغیر ناحیه­ای x در نقطه i است؛ در شرایطی که:  .

در این بررسی برای ارزیابی صحت کریجینگ از روش ارزیابی متقابل استفاده شده است. در این روش همه داده­های اولیه، یک به یک و به ترتیب از محاسبات خارج شده و مجدداً با استفاده از مدل واریوگرام و روش کریجینگ برآورد می­شوند سپس از مجموع تفاضل مقادیر اولیه با مقادیر برآورد شده برای ارزیابی صحت کریجینگ استفاده می­شود.

معیارهای ارزیابی

بدین منظور ابتدا تعداد کل نمونه‌ها (89 قطعه ‌نمونه) به‌صورت تصادفی به دو مجموعه تقسیم شد. مجموعه اول شامل 80% نمونه‌ها برای فرایند مدل‌سازی و مجموعه دیگر 20% باقیمانده به‌منظور ارزیابی مدل‌ها مورد استفاده قرار گرفت.

درنهایت ارزیابی نتایج مدل کریجینگ و مقایسه آن با برآوردهای رگرسیونی، با استفاده از معیارهای میانگین مربعات خطا (RMSE) و ضریب تبیین (R²) مورد قضاوت قرار گرفت.

در این رابطه‌ها؛ n تعداد مشاهده‌ها، y_oi مقدار مشاهده‌شده i ام، y_pi مقدار برآورد شده i ام، y میانگین مشاهده شده و Y میانگین برآورد شده می‌باشد.

مقدار تخمین زده شده شاخص RMSE نمایانگر درجه دقت تخمین است که برای یک تخمین نااریب باید تا حد امکان حداقل باشد.

نتایج

آمار توصیفی تاج پوشش اندازه­گیری شده در قطعات نمونه در جدول 1 ارائه شده است. با استفاده از آزمون کولموگرف- اسمیرنوف نرمال بودن داده­ها آزمایش شد و مشخص گردید که پراکنش داده­ها نرمال می‌باشد. مقادیر چولگی ارائه شده در جدول 1 برای خصوصیات مختلف که بین 1+ و 1- قرار گرفته است، بیانگر این مطلب است.

بیشترین میزان درصد تاج پوشش در قطعات برداشت شده 88 درصد می­باشد. همچنین کمترین درصد میزان برابر با 5 درصد بود.

جدول 1- آمار توصیفی مشخصه­ تاج پوشش جنگل (89 n=)

Table 1. Descriptive statistics of the forest canopy characteristic

هیستوگرام تاج پوشش اندازه­گیری شده در کل قطعات نمونه نیز نشان داد که بیشتر داده‌ها در طبقه تاج پوشش نیمه انبوه (25-50%) قرار گرفته است.

ضرایب همبستگی پیرسون بین باندهای اصلی و مصنوعی با تاج پوشش در جدول 2 ارائه شده است. همان­گونه که مشاهده می‌شود از مهم‌ترین متغیرها که با درصد تاج پوشش جنگل، همبستگی معنی­دار و بالایی نشان دادند، می­توان به باند قرمز سنجنده (باند 3)، شاخص­های گیاهی VI، TVI، RVI، NRVI و NDVI اشاره کرد.

جدول 2- میزان همبستگی بین باندها و تاج پوشش

Table 2. Correlation between predictor Bands and Canopy Cover

نتایج حاصل از طراحی مدل­های مختلف رگرسیونی و نتایج حاصل از اعتبارسنجی آن‌ها در جدول 3 ذکر شده است. بررسی نتایج آزمون تجزیه واریانس مدل­ها نشان می­دهد که مدل­های به‌دست‌آمده رابطه خطی بین متغیرها وجود دارد. بهترین مدل با توجه به تعداد متغیر مستقل و آماره­های R² و RMSE حاصل از تحلیل رگرسیون گام‌به‌گام، مدلی است که در آن ترکیب خطی باند قرمز و شاخص­های NRVI و AVI به‌عنوان متغیر مستقل به کار گرفته شده­اند. مدل انتخاب شده با داشتن ضریب تبیین 52 درصد و RMSE برابر با 58/17 در میان مدل‌های به‌دست‌آمده، از ضریب همبستگی و تبیین قویی برخوردار بود.

جدول 3- نتایج تجزیه‌وتحلیل رگرسیون خطی چند متغیره در برآورد درصد تاج پوشش جنگل

Table 3. Result of the multiple linear regression analyze in estimation of canopy cover

واریوگرافی

در محاسبه نیم تغییرنما درصد تاج ­پوشش هیچ­گونه علائمی از ناهمسانگردی (هندسی یا منطقه­ای) مشاهده نشد و نیم تغییرنما سطحی (Variogram surface) متغیر مورد بررسی نشان داد که مقدار نیم تغییرنما در جهت­های N-S و E-W تقریباً یکسان و مستقل از جهت می­باشد. درنتیجه نیم تغییرنما به‌صورت همسانگرد در نظر گرفته شده و با استفاده از مدل نمایی (Exponential) برازش داده شد (شکل 2).

شکل 2- نیم تغییرنما تجربی و مدل­ برازش داده شده به آن برای درصد تاج­پوشش

Figure 2. Experimental variogram and the fitted model for canopy cover percentage

جدول 4 مشخصه­های نیم تغییرنما برازش داده شده و نتایج ارزیابی صحت مدل را برای متغیر درصد تاج­پوشش جنگل نشان می‌دهد. نتایج اعتبارسنجی مدل کریجینگ برای متغیر درصد تاج­پوشش (21/9RMSE=  و 69/0R²=) از دقت مناسبی برخوردار است (جدول 4 و شکل 2)؛ بنابراین نقشه کریجینگ مربوط به این متغیر نیز تولید و ارائه شد (شکل 3).

جدول 4- مشخصه­های واریوگرام حاصل از برازش مدل نمایی

Table 4. Variogram characteristics of the fitted exponential model

شکل 3- نقشه درصد تاج پوشش جنگل درونیابی شده براساس روش کریجینگ

Figure 3. The Canopy cover percentage map interpolated by kriging

بحث

زمانی که داده­های آماربرداری زمینی موجود باشند، منبع مهمی از اطلاعات مکانی را در اختیار خواهیم داشت اما در صورت عدم دسترسی به داده­های زمینی برای یک منطقه، آماربرداری‌های ناقص یا قدیمی، روش­های جایگزین موردنیاز است؛ بنابراین هدف از این مطالعه استفاده از داده­های طیفی ماهواره­ای و مدل­های زمین‌آماری، برای جایگزین کردن این داده­ها و یا حداقل­سازی استفاده از داده‌های زمینی است.

ضرایب همبستگی منفی بیانگر رابطه معکوس بین ارزش­های طیفی و میزان تاج پوشش است. بنابراین چنین استنباط می‌شود که با افزایش میزان تاج پوشش، بازتاب در طول‌های موج‌های مختلف (باندهای 1، 2، 3 و 7) کاهش می­یابد. همچنین همبستگی معکوس معنی­داری بین شاخص­های شیب‌محور VI، TVI، RVI، NRVI با تاج پوشش دیده می­شود. پوشش تاجی درختان نسبت به پوشش کف جنگل دارای رنگ تیره­تری می­باشد و زمانی که میزان درصد تاج پوشش درختان قطعات نمونه افزایش پیدا می­کند، بازتاب این قطعات نمونه کاهش می­یابد (باند 3)، چون‌که پوشش خاکی تشعشات خورشید را منعکس می­کند درحالی‌که کلروفیل درختان آن را جذب می‌کند. همچنین در محدوده مادون‌قرمز میانی (باند 7) نیز وضعیت مشابهی دیده می­شود، با این اختلاف که به‌واسطه وجود آب در بافت­های گیاهی پدیده جذب رخ می‌دهد. در ناحیه مادون‌قرمز نزدیک (باند 4) تاج پوشش همانند پوشش کف جنگل به‌شدت منعکس کننده امواج دریافتی هستند، بنابراین نتایج نشان از عدم همبستگی معنی‌دار بین ارزش طیفی این باند و مشخصه تاج پوشش درختان می‌باشد.

تصاویر ماهواره­ای که در اواخر تابستان دریافت می‌شوند، حداکثر اختلاف طیفی بین تاج پوشش سبز درختان و پوشش تقریباً خشک کف جنگل دارند. بااین‌وجود، منطقه مورد مطالعه همچنان توسط عوامل زیراشکوب همانند خاک لخت، پوشش کف جنگل و بوته­های موجود تحت تأثیر قرار می‌گیرد. تراکم پایین تاج پوشش درختان در جنگل­های منطقه تأثیر زیادی در میزان برآورد تاج پوشش جنگل به‌وسیله داده­های سنجش از دوری دارد. زیرا که بازتاب حاصل از زیراشکوب درختان سهم زیادی در بازتاب ثبت شده توسط سنجنده دارد؛ به‌عبارت‌دیگر؛ DN ثبت شده تنها نتیجه بازتاب تاج پوشش درختان نیست، بلکه تحت تأثیر عوامل دیگر نیز قرار دارد.

نتایج به‌دست‌آمده از این بررسی نسبت به دیگر مطالعات (8،7) که در جنگل‌های زاگرس انجام گرفته است، دارای ضریب تبیین بیشتر و میانگین مجذور خطای مربعات به نسبت کمتر است. نتایج بهتر تحقیق حاضر به دلیل انبوهی به نسبت بالای جنگل­های این منطقه نسبت به دیگر مناطق جنگلی زاگرس، وجود مسائل اجتماعی – اقتصادی کمتر (درنتیجه کمتر دچار دست‌خوردگی شده) و وجود طرح جنگلداری برای جنگل­های این منطقه می‌باشد.

نتایج مربوط به واریوگرافی و برآورد به روش کریجینگ نشان داد، متغیر تاج پوشش جنگل، ساختار مکانی قوی (با درصد ساختار 98 درصد) دارد و درنتیجه برای برآورد به روش کریجینگ و تولید نقشه پهنه‌بندی درصد تاج پوشش جنگل بکار گرفته شد (جدول 4). محاسبه نیم تغییرنما مربوط به میزان تاج پوشش آماربرداری شده نشان داد که این متغیر دارای دامنه تأثیر 339 متر است، به‌عبارت‌دیگر میزان تاج پوشش درختان تا فاصله 339 متری دارای وابستگی مکانی است (18،9). نتیجه بخش زمین‌آمار این تحقیق در رابطه با سایر بررسی­های صورت گرفته در جنگل­های بلوط زاگرس که به پهنه‌بندی تراکم و تاج پوشش جنگل پرداخته‌اند مطابقت دارد (15).

همچنین با نتایج تحقیقی که در رویشگاه­ جنگل­های خزری به مدل‌سازی تعداد در هکتار درختان با استفاده از روش زمین‌آمار پرداخته است با نتایج تحقیق حاضر همخوانی دارد و نشان از دقت مناسب این روش می‌باشد(13). به علاوه این نتایج با مطالعات صورت گرفته در جنگل­های خارج از کشور (12،11) همخوانی دارد. از طرفی دیگر نتایج ­حاضر با مطالعه برآورد موجودی جنگل­های طبیعی و مدیریت‌شده خزری ایران مغایر است (14). درعین‌حال با تحقیقی که در جنگل­های مشابه (جنگل­های شاخه زاد زاگرس) که به ساختار مکانی متوسطی (حدود 57 درصد) دست یافتند، هم‌راستا نیست (16).

مزیت نسبی مدل­های به کار گرفته شده در این تحقیق با ارزیابی عملکرد آن‌ها به کمک فاکتورهای R² و RMSE امکان‌پذیر می‌باشد. با توجه به مقادیر R² و RMSE که برای مدل رگرسیون خطی به ترتیب برابر با 52/0 و 58/17 و برای روش کریجینگ برابر با 69/0 و 21/9 می‌باشد، روش­های زمین‌آمار در مقایسه با مدل­های رگرسیونی برآوردهای به نسبت مناسب‌تری داشته و توانسته است میزان تاج پوشش را بهتر از مدل رگرسیون خطی برآورد کند.

البته باید بیان کرد که در این بررسی تنها از داده‌های سنجنده TM که به‌طورمعمول در دسترس هستند، استفاده شده است ولی ممکن است به دلیل خطای GPS در ثبت مختصات پلات‌ها و انتقال مختصات آن‌ها به تصاویر ماهواره‌ای‌ داده‌ها دقت مناسبی نداشته باشند. بدیهی است عامل‌های دیگری مانند بارندگی، درصد پوشش گیاهی و شاخص‌های ژئومرفولوژی نیز تأثیر بسزایی در برآورد میزان تاج پوشش داشته باشند بنابراین با استفاده از این عامل‌ها به‌عنوان ورودی‌های مدل می‌توان دقت برآوردها را افزایش داد و اطلاعات مفیدتری را جهت مدیریت مناسب‌تر در اختیار قرار داد. انتظار می‌رود در مطالعات آتی جهت ایجاد مدلی معتبرتر که تغییرپذیری بیشتری از میزان تاج پوشش در این منطقه را پیش‌بینی نماید، از نمونه‌برداری‌های بیشتر، متغیرهای توپوگرافیکی و تصاویر با توان تفکیک رادیومتری و مکانی بهتر استفاده شود.

نتیجه­گیری

اگرچه رابطه معنی‌داری بین تاج پوشش اندازه‌گیری شده با مقدار پیش‌بینی شده با استفاده از تصاویر ماهواره‌ای وجود دارد، اما ضرایب همبستگی پایین­تر از برآوردهای زمین آماری است. بنابراین، برای برآورد مشخصه‌های دیگر درختان (همانند بیوماس) بهتر است از روش­های  زمین آماری استفاده شود. با این حال، زمانی که بخواهیم پوشش تاجی یک منطقه را به‌صورت برآورد کلی، با هزینه بسیار کم و خصوصاً سرعت زیاد داشته باشیم، می‌توانند به‌عنوان ابزاری مناسب قابل استفاده باشند. به‌علاوه با توجه به نتایج مربوط به روش زمین‌آمار این تحقیق و خصوصاً نتایج مشابه مطالعات صورت گرفته در رویشگاه­های زاگرس باید اذعان داشت که روش­های زمین‌آمار می­توانند ابزاری کارآمد برای تهیه نقشه توزیع مکانی میزان تاج پوشش جنگل در نواحی رویشی زاگرس باشند، اگرچه پیشنهاد می­شود مطالعات دیگری در نواحی مختلف جنگل­های زاگرس و با استفاده نمونه‌برداری‌های مختلف و برآورد دیگر مشخصه­های جنگل نیز صورت گیرد تا به نتیجه­ای جامع دست یافت.

Reference

1. 2000. on definitions of forest and forest change. Forest Resources Assessment Programme. Working Paper 33. FAO, Rome, Italy. 15 p.
2. Maltamo, M., Eerikainen, K., Pitkanen, J., Hyyppa, J., and Vehmas, M., 2004. Estimation of timber volume and stem density based on scanning laser altimetry and expected tree size distribution functions. Remote Sensing of Environment, 90: 319–330.
3. Huang, C., Yang, L., Wylie, B., and Homer, C., 2001. A strategy for estimating tree canopy density using Landsat ETM+ and high resolution images over large areas. In: Proceedings of the 3^rd International Conference on Geospatial Information in Agriculture and Forestry, Nov5-7, Denver, Colorado.
4. DeFries, R.S., Hansen, M.C., Townshend, J.R.G., Janetos, A.C. and Loveland, T.R., 2000. A new global 1-km dataset of percentage tree cover derived from remote sensing. Global Change Biology, 6: 247-254.
5. Schwarz, M. and Zimmermann, N. E., 2005. A new GLM-based method for mapping tree cover continuous fields using regional MODIS reflectance data. Remote Sensing of Environment, 95: 428–443.
6. Carreiras, M.B., Pereira, J. M. C., and Pereira, J.S., 2006. Estimation of tree canopy cover in evergreen oak woodlands using remote sensing. Forest Ecology and Management, 223: 45–53.
7. Pir Bavaghar, M., Ghahramani, L., Fatehi P. 2011. Evaluation of the capability of SPOT5-HRG data for predicting tree density in the northern Zagros forests. Iranian Journal of Forest and Poplar Research, Vol. 19 (2), pp. 242-253. (In Persian)
8. Pir Bavaghar, M. 2011. Evaluation of capability of IRS-P6 satellite data for predicting quantitative attributes of forests (case study: Northern Zagros forests). Iranian Journal of Forest, Vol.3 (4), pp.277-289. (In Persian)
9. Hasani pak, A. Geostatsistic, 3^rd Edition, university of Tehran press, Tehran, 314 p. (In Persian)
10. Habashi, H., Hosseini., S.M., Mohammadi, J., Rahmani, R. 2007. Geostatistic applied in forest soil studying process. Journal of Agricultural Sciences and Natural Resources, Vol.14 (in Persian).
11. , C. and Mutanga, O., 2013. Integrating remote sensing and geostatistics to estimate woody vegetation in an African savanna. Journal of Spatial Science, 58:2, 305-322.
12. Montes, F., Hernandez, M.J., and Canellas, I., 2005. A geostatistical approach to cork production sampling in Quercus suber forests. Canadian Journal of Forest Research, 35: 2787-2796.
13. Mohammadi, J., Shataee, Sh., Habashi, H., Yaghmaee, F. 2008. Comparison of Remote Sensing and Geostatistics Techniques in forest tree density estimation, Case Study Loveh Forests, Gorgan. Journal of Agricultural Sciences and Natural Resources, Vol.15 (1) pp.10-21. (In Persian)
14. Akhavan, R., Zobeiri, M., Zahedi Amiri, Gh, Namiranian, M., Mandallaz, D. 2006. Spatial Structure and Estimation of Forest Growing Stock Using Geostatistical Approach in the Caspian Region of Iran. Iranian Journal of Natural Resources, Vol 59 (1), pp 89-102. (In Persian)
15. Rezaei, E., Akhavan, R., Soosani, J., Pourhashemi, M. 2014. Efficiency of Kriging for Estimation and Mapping of Crown Cover and Density of Zagros Oak Forests (Case study: Dadabad Region, Khorramabad). Forest and Wood Products, Vol 67(3), pp 359-370. (In Persian)
16. Akhavan, R., Karami Khorramabadi, M., Soosani, J. 2012. Application of Kriging and IDW methods in mapping of crown cover and density of coppice oak forests (case study: Kakareza region, Khorramabad). Iranian Journal of Forest, Vol 3(4), pp 305-316. (In Persian)
17. Vafaei, S., Pour Hashemi, M., Pir bavaghar, M., Jafari, E. 2016. Applying Artificial Neural Networks and Multiple Linear Regression models to estimate Forest density in Marivan forests. Iranian Journal of Forest, Vol 7(4), pp 539-555. (In Persian)
18. Akhavan, R., Kleinn, C. 2009. On the potential of kriging for estimation and mapping of forest plantation stock (Case study: Beneshki plantation). Iranian Journal of Forest and Poplar Research, Vol 17 (2), pp 303-318. (In Persian)

1- دکتری جنگلداری، دانشکده کشاورزی و منابع طبیعی، دانشگاه لرستان، خرم آباد، ایران. ^*(مسوول مکاتبات)

2- استادیار، دانشکده کشاورزی و منابع طبیعی، دانشگاه لرستان، خرم آباد، ایران.

3- استادیار گروه جنگلداری، دانشکده کشاورزی و منابع طبیعی اهر، دانشگاه تبریز، اهر، ایران.

1- Ph.D., Forestry, Faculty of Natural Resources, Lorestan University, Khoram Abad, Iran *(Corresponding Author)               

2- Assistant Prof., Faculty of Agriculture and Natural Resources, University of Lorestan, Khoram Abad, Iran

3- Assistant Prof., Department of Forestry, Ahar Faculty of Agriculture and Natural Resources, University of Tabriz, Ahar, Iran.

[3]- Spatial structure