عنوان پایان‌نامه
مدلسازی زیست توده جنگل با استفاده از تصا ویر چند پلا ریزه SAR
- رشته تحصیلی
- مهندسی عمران- نقشه برداری- سنجش ازدور
- مقطع تحصیلی
- دکتری تخصصی PhD
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3151;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 72416
- تاریخ دفاع
- ۰۱ شهریور ۱۳۹۴
- دانشجو
- علیرضا شریفی
- استاد راهنما
- جلال امینی
- چکیده
- ارزیابی دقیق زیست توده به منظور مدیریت جنگل و درک نقش آن به عنوان منبع کربن، اهمیت بسیار دارد. از آنجا که نیمی از زیست توده جنگل¬ها مشتمل بر کربن است، لذا تخمین مقدار زیست توده، از جنبه بررسی مقدار انرژی ذخیره شده در جنگل¬ها و همچنین تغییرات آب و هوایی در کانون توجه قرار می¬گیرد. روش¬های زمینی اندازه¬گیری زیست توده بسیار دقیق می-باشند اما بسیار زمانبر، گران و در برخی موارد موجب تخریب جنگل می¬شود. همچنین روش¬های زمینی تنها برای مناطق کوچک و قابل دسترس امکان پذیر است و نیز استفاده از مدل¬های عمومی برای محاسبه زیست توده جنگل دارای خطا می¬باشد. در دهه-های اخیر، استفاده از داده¬های سنجش از دور بصورت گسترده برای تخمین زیست توده مورد استفاده قرار گرفته¬اند. با استفاده از روشهای مبتنی بر سنجش از دور، تهیه نقشه¬ زیست توده با صرف کمترین زمان و هزینه ممکن در یک مقیاس وسیع امکان پذیر شده است. اما بزرگترین چالش این روشها، دقت پایین و عدم امکان پیاده سازی آنها برای سایر نقاط می¬باشد که علت آن تفاوت توپوگرافی، مشخصات زیستی و بیوفیزیکی اکوسیستم جنگل در مناطق مختلف جهان می¬باشد و تاکنون هیچ روش جامعی برای تخمین زیست توده در نقاط مختلف جهان معرفی نگردیده است. بیشتر روش¬های سنجش از دوری از تصاویر راداری هوابرد (مانند AirSAR)، تصاویر راداری فضابرد (مانند JERS-1، ERS-1/2 و RADARSAT-1) و تصاویر نوری فضابرد با رزولوشن متوسط (مانند Landsat TM و SPOT-4) برای تخمین زیست توده استفاده نموده¬اند. در دهه اخیر، وجود داده¬های چند پلاریزه راداری نظیر تصاویر سنجنده PALSAR ماهواره ALOS امکان جدیدی را برای افزایش دقت تخمین زیست توده فراهم نموده است. سنجنده¬های راداری جدید قابلیت اخذ داده در چندین پلاریزاسیون، زوایای برخورد گوناگون و رزولوشن مکانی بهتر را فراهم نموده¬اند. بنابراین، توانایی سنجش از دور برای تخمین دقیقتر زیست توده بشدت افزایش پیدا کرده است. هرچند نویز لکه تصاویر راداری و سطح اشباع پایین همچنان از محدودیت¬های سنجنده¬های رادرای جدید برای تخمین زیست توده می¬باشد. باتوجه به مطالب اشاره شده، اهداف این تحقیق عبارتند از: 1) توسعه یک مدل آلومتریک بومی برای تخمین زیست توده زمینی؛ 2) توسعه یک مدل برای کاهش نویز لکه در تصاویر چندپلاریزه راداری بویژه برای مناطق جنگلی؛ 3) توسعه یک مدل رگرسیون بر مبنای ماشین بردار ربط جهت افزایش سطح اشباع. در این رساله توانایی تصاویر راداری با پلاریزاسیون دوگانه و چهارگانه جهت تخمین زیست توده جنگلهای هیرکانی ایران با سطح زیست توده بالا مورد ارزیابی قرار گرفته است. برای مدلسازی در دو منطقه مورد مطالعه، رضوانشهر و سیسنگان، از دو سری داده استفاده شد. سه تصویر با پلاریزاسیون دوگانه از رضوانشهر و یک تصویر با پلاریزاسیون چهارگانه از سیسنگان. در منطقه اول، برای کاهش خطای ضریب بازپراکنش، از میانگین زمانی سه تصویر فصل خشک با پلاریزاسیون دوگانه بعنوان ورودی استفاده شد تا در حدامکان منابع خطا در فرآیند مدلسازی کاهش یابد اما در منطقه دوم از ویژگیهای پلاریمتریک بعنوان ورودی مدل رگرسیون بردار ربط استفاده گردید. توسعه یک مدل تخمین با هدف ارتباط برقرار کردن بین ضرایب بازپراکنش و ویژگیهای پلاریمتریک با زیست توده هر پلات مورد استفاده قرار گرفت. همچنین برای مقایسه نتایج مدلسازی، از روشهای رگرسیون خطی چندمتغیره، شبکه های عصبی و رگرسیون بردار پشتیبان استفاده شد. نتایج این تحقیق باعث افزایش کارایی مدل تخمین زیست توده با توجه به کاهش اثر منابع خطا در مدلسازی (معادله آلومتریک و نویز لکه) با توجه به خصوصیات منطقه مورد مطالعه گردید تا در نهایت بتوان نقشه زیست توده کاربردی تری برای پوشش منطقه تهیه نمود.
- Abstract
- Forest biomass estimation is essential for greenhouse gas inventories, terrestrial carbon accounting and climate change modelling studies. So far, traditional field-based methods are considered to be the most accurate, but the procedures are time consuming, expensive, destructive in nature and most importantly, their implementation is only possible over small and accessible areas. Over the last few decades, remote sensing techniques have been explored for forest biomass estimation and considerable improvement has been achieved regarding time, costs and scale (local, regional and global), but the accuracy and transferability of the techniques developed remain low. Although a lot of effort has been made in estimating biomass using both field-based and remote sensing techniques, no universal and transferable technique has been developed so far to quantify biomass carbon sources and sinks due to the complexity of the environmental, topographic and biophysical characteristics of forest ecosystems. Remote sensing-based biomass estimations have mainly been carried out using airborne SAR (AirSAR), space borne SAR (JERS-1, ERS-1/2, ALOS-1 & RADARSAT-1) and optical sensors with medium spatial resolution, including Landsat TM, MODIS, and SPOT-4. In recent decade, the availability of polarimetric SAR data PALSAR images has opened new possibilities to increase biomass estimation accuracy. New SAR sensors can provide data with varying polarizations, incidence angles and fine spatial resolutions thus, the potential for biomass estimation from remote sensing has greatly improved. However, speckle noise of SAR images, medium resolution of full polarimetric SAR images and low saturation level are limitation of new SAR sensors as yet. Therefore, this study had three objectives: 1) Development of an allometric model for more accurate field biomass estimation; 2) Development of a speckle reduction model for polarimetric SAR images; 3) Development of a regression model based on relevance vector machine to increase the saturation level. In this study, potential of dual and quad polarization SAR images have been investigated for the estimation of biomass in Hyrcanian forests of Iran where biomass levels are high. Polarimetric features were used as input in modelling. This models were developed in order to establish a relationship between the image parameters extracted from the different stages of image processing and the biomass of field plots. Also, results of relevance vector regression were compared to results of multivariate linear regression, neural networks and support vector machine. Results of this research leaded to increase the accurate of biomass estimation model based on study area characterization with consideration of error source effect in modelling such as allometric model and speckle.
