عنوان پایان‌نامه
براورد. Biomass جنگل با استفاده از تصاو یر نوری و SAR ماهواره ای
- رشته تحصیلی
- مهندسی عمران- نقشه برداری- سنجش ازدور
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس 2 فنی شماره ثبت: 1753;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 44642
- تاریخ دفاع
- ۱۳ بهمن ۱۳۸۸
- دانشجو
- یاسر صادقی
- استاد راهنما
- محمدرضا سراجیان مارالان, جلال امینی
- چکیده
- ارزیابی دقیق زیست توده به منظور مدیریت جنگل و فهم نقش جنگلها به عنوان منابع کربن بسیار حائز اهمیت است. از آنجایی که 50 % زیست توده جنگل¬ها، شامل کربن می¬باشد، لذا برآورد مقدار زیست توده جنگلها از نظر بررسی مقدار انرژی ذخیره شده در جنگلها و همچنین تغییرات آب و هوایی بسیار مورد توجه است. بهترین راه به منظور ارزیابی دقیق، توسعه مدلهای تخمین بر اساس داده محلی جمع¬آوری شده می¬باشد. استفاده از تکنیک¬های سنجش از دور با داده محدود زمینی، تحولی شگرف در تهیه و بهره¬برداری از اطلاعات مربوط به زیست توده جنگل فراهم نموده است. نبود معادلات محلی زیست توده و ابهام در برآوردی دقیق بر اساس معادلات جهانی، این مطالعه را به سمت توسعه معادلات زیست توده برای جنگلهای گیلان، واقع در شمال ایران رهنمون ساخت. به منظور توسعه این معادلات، اقدام به نمونه¬برداری از جنگل و اندازه¬گیری پارامترهای مختلف از قبیل ارتفاع و قطر درخت در 28 پلات با ابعاد 900 متر مربع در منطقه مورد مطالعه نموده و با استفاده از روش غیر مخرب، مقدار زیست توده مربوط به این پلات¬ها محاسبه شد. سپس با بهره¬گیری از تصاویر نوری و رادار ماهواره ALOS، به برقراری ارتباط بین اطلاعات سنجش از دور و مقدار زیست توده جنگل پرداخته، که این اطلاعات شامل مقادیر طیفی 4 باند تصویر نوری، اندیسهای گیاهی، ویژگی¬های بافت و مقدار بازپراکنش تصویر رادار می¬باشد. به منظور برقراری این ارتباط، از معادلات رگرسیون و شبکه عصبی مصنوعی استفاده شد، و بهترین مدلها بر اساس بالاترین مقدار ضریب تعیین (R^2 ) و کمترین مقدار جذر میانگین مربعات خطا (RMSE) انتخاب شد. بهترین مدل تخمین با استفاده از آنالیز رگرسیون چند متغیره بر اساس گونه درخت با R^2، 785/0, RMSE، 63/12، برای ترکیب متغیر¬های مستقل از قبیل باندهای B1، B2، B4، اندیس گیاهی DVI، مقدار بازپراکنش (Backscatter) و ویژگی بافت همبستگی (Correlation)، حاصل شد. سپس متغیرهای بدست آمده از رگرسیون را، به عنوان ورودی به شبکه عصبی MLP در نظر گرفتیم، در این مدلسازی به کمک شبکه عصبی که با یک لایه پنهان و 3 عصب برای لایه پنهان انجام شد، مقادیر R^2، 94/0و RMSE، 23/10 بدست آمد. بنابراین با توجه به نتایج بهتر بدست آمده از شبکه عصبی، مقدار زیست توده جنگل مورد مطالعه بر اساس مدل حاصل از شبکه عصبی، تخمین زده شد و نقشه زیست توده نهایی به 5 کلاس بر اساس مقدار زیست توده بر حسب تن بر هکتار طبقه بندی شد.
- Abstract
- Careful assessment of biomass to forest management and understanding the role of forests as carbon sources is very important. Since 50 % of forest biomass contains Carbon, estimating of forest biomass in terms of the amount of energy stored in the review of forests and climate change is highly regarded. The best way to estimate the biomass is the developed models which are the local collected data. Recently the remote sensing techniques with limited ground data has been played an important role in forest biomass estimation. Lack of the local equations for estimating biomass and ambiguity precision of the global equations, the study toward the development of biomass equations for the forests of Gilan located in the north of Iran. To develop these equations, in a field work 28 plots (each plot 30*30m) selected and the various parameters such as height and diameter of trees were measured. Non-destructive method is used to estimate the biomass of plots. Then, by using the optical and radar ALOS satellite images, the relationship between remote sensing data and estimated biomass of plots were determined. The remotely sensed data included 4-bands of optical image, vegetation indices, texture features and the backscatters of SAR image. The regression analyses and the artificial neural network were used to establish the relationship. Then the best models based on the highest coefficient of determination (R2) and the lowest Root Mean Squared Error (RMSE) were selected. The best model estimated using multivariate regression analysis based on the tree species with R2= 0.785, RMSE= 12.63(ton), for independent variables bands B1, B2, B4, DVI, Backscatter and correlation. The variables obtained from the regression used as input to the multi layer perceptron neural network (MLPNN) with one hidden layer included 3 neurons. The values of R2= 0.94 and RMSE=10.23 (ton) were determined for MLPNN. Finally we determined the biomass map for 5 classes by using the MLPNN.
