کاربرد تفسیر چشمی و عددی تصاویر هوایی در آماربرداری جنگل

برای بررسی اهداف تحقیق150 قطعه نمونه در جنگل های لیره سر با طرح تصادفی سیستماتیک برداشت و زمان و هزینه های برداشت با مطالعات زمان سنجی برآورد شد. عملیات تصویر پالایی با استفاده از داده های gps/imu به روش مثلث بندی هوایی و سرشکنی دسته شعاعی انجام گردید. تفسیر چشمی با اندازه گیری درصد تاج پوشش و متوسط قطر تاج روی تصاویر انجام شد. تفسیر عددی بر اساس شاخص های طیفی (شامل باند های اصلی و شاخص های گیاهی ndvi، dvi و rvi) برای اندازه های زمینی مختلف پیکسل از 14 سانتی متر تا 5 متر و شاخص های بافتی (شامل گشتاور مرتبه دوم، تباین، آنتروپی و همگنی) مستخرج از پنجره های 15*15 تا 35*35 پیکسل صورت گرفت. برای مدل سازی از روش های رگرسیون تک متغیره، چند متغیره و چند جمله ای استفاده گردید. برای رسیدن به بهترین برازش، متغیرهای مستقل با استفاده از عملگر های ریاضی به صورت های مختلفی در نظر گرفته شد. انتخاب مناسب ترین متغیر با رگرسیون گام به گام انجام گرفت. هر یک از مدل های به دست آمده بر اساس پارامترهای مدل سازی اعتبار سنجی شدند. همچنین احراز اعتبار هر یک از مدل ها بر اساس جذر میانگین مربعات خطای نسبی و اریبی نسبی برآورد انجام گرفت. نتـایج مـطالعـات زمـان سنـجی نشـان داد کـه مـدت زمـان ناخالـص انـدازه گیـری یـک قطـعه نمـونه 258 نـفر دقـیقـه اسـت. هـمـچنین مـدل بـرآورد زمـان مـورد نـیاز پـیمایـش فـواصـل بیـن قطعات نمـونه بر اساس فاصله و شیب بین قطعات نمونه بـه دست آمد ( t (min)=(×d(m) × s(degree))+ (×d(m)×d) که t مدت زمان پیمایش به دقیقه، d فاصله قطعات نمونه به متر و s شیب مسیر به درجه است). خطای نسبی و اریبی نسبی مدل به دست آمده به ترتیب 26 و 8 درصد بود. نتایج برآورد حجم سرپا با تفسیر چشمی حاکی از خطای نسبی 29 و اریبی نسبی3 درصد بود. در این تحلیل مناسب ترین متغیر، حاصل ضرب درصد تاج پوشش در متوسط قطر تاج درختان بر روی تصاویر هوایی بود. بر اساس نتایج، نمونه برداری دوگانه بر مبنای تفسیر چشمی ضمن تایید دست یابی به برآورد حجم سرپا با 10 درصد اشتباه آماربرداری موجب کاهش هزینه ها به میزان 27 درصد و افزایش سرعت برآورد به میزان 39 درصد نسبت به روش کاملا زمینی شد. با رگرسیون گام به گام برای برآورد تراکم درختان بر اساس تفسیر چشمی نیز متغیر مربع مساحت تاج پوشش بخش بر قطر تاج انتخاب گردید. برای این بخش روش های رگرسیون حداقل مربعات معمولی و حداقل مربعات موزون مورد استفاده قرار گرفت. نتایج نشان داد که رگرسیون حداقل مربعات موزون ضمن تصحیح پارامترهای مدل سازی، خطای نسبی و اریبی نسبی برآورد تراکم درختان را به ترتیب از 52 و 29 درصد به 41 و 4 درصد کاهش داد. نتایج تحلیل طیفی نشان داد که از بین باند های مختلف، مادون قرمز نزدیک و از بین شاخص های گیاهی، ndvi برای برآورد حجم سرپا مناسب تر بودند. خطای نسبی و اریبی برآورد حجم سرپا بر اساس باند مادون قرمز نزدیک به ترتیب 72 و 10 درصد و براساس شاخص های گیاهی 67 و 6 درصد بود. همچنین ملاحظه گردید که اندازه زمینی پیکسل های تصاویر در این تحلیل نقش چشم گیری نداشت. نتایج تحلیل بافتی حاکی از مناسب تر بودن باند مادون قرمز نزدیک، شاخص همگنی و پنجره 31*31 بود. خطا و اریبی نسبی برآورد حجم سرپا در این روش به ترتیب 43 و 2 درصد بود. نظر به ناهمسالی جنگل مورد تحقیق، ایده امکان برآورد موجودی سرپا بر اساس آماره های پراکنش مقادیر پیکسل های مدل رقومی سطح مطرح شد و مورد بررسی قرار گرفت. استخراج مدل رقومی سطح با الگوریتم انطباق تصویر و با استفاده از پارامترهای توجیه خارجی شامل x، y، z، ، و با اندازه های مختلف پیکسل از 1 تا 10 متر با بازه های یک متری انجام گردید. نتایج نشان داد که انحراف معیار مدل رقومی سطح بهتر از دامنه و بهترین ابعاد پیکسل برای برآورد 5 تا 7 متر است. در این بخش برای مدل سازی علاوه بر روش های رگرسیون از پرسپترون تک لایه استفاده گردید. خطا و اریبی نسبی روش مدل رگرسیون خطی و شبکه عصبی مصنوعی با تابع سیگموئید یکسان و به ترتیب 47 و 2 درصد بود. در نهایت ملاحظه گردید دقت برآورد حجم سرپا با تفسیر چشمی بیشتر از تفسیر عددی بود. به علاوه، در روش های تفسیر عددی کمترین خطای برآورد به ترتیب به شاخص های بافتی، آماره های مدل رقومی سطح و شاخص های طیفی اختصاص داشت. در کل ملاحظه گردید که صحت و دقت برآورد با تفسیر چشمی قابل استفاده در اهداف مدیریتی می باشد؛ اما در زمینه تفسیر عددی تحقیقات بیشتری لازم است.