برآورد تاج پوشش جنگل های شهری با استفاده از روش های آماربرداری زمینی و داده های سنجندهgeoeye-1 (مطالعه ی موردی؛ منطقه ی 3 تهران)

جنگل های شهری نقش مهمی در بهبود کیفیت محیط زیست شهری ایفا می کنند. آگاهی از سطح تاج پوشش از ارکان مدیریت جنگل های شهری محسوب می شود. از طرفی مدل سازی کارکردهای جنگل شهری نیز از طریق اندازه گیری های تاج پوشش این جنگل ها امکان پذیر می باشد. هدف از این مطالعه، بررسی کارایی روش های مختلف آمار برداری زمینی و داده های سنجنده ی geoeye-1 به منظور برآورد مشخصه ی تاج پوشش درختان و همچنین تعین قابلیت تصاویر این سنجنده به منظور طبقه بندی کاربری های شهری موجود در منطقه سه شهر تهران می باشد. از اهداف دیگر این مطالعه می توان به بررسی کارایی الگوریتم طبقه بندی و رگرسیونی brt و همچنین الگوریتم رندم فارست (rf) به منظور مدل سازی تاج پوشش درختان اشاره کرد. به همین منظور پس از اطمینان از تصحیح هندسی تصویر و پیاده کردن قطعات نمونه روی تصویر و زمین، آمار برداری زمینی جهت محاسبه ی تاج پوشش انجام شد. در این مطالعه 100 قطعه نمونه با ابعاد 20×20 جهت آمار برداری از درختان مجتمع و 50 ترانسکت به طول 20 متر جهت آماربرداری از درختان کنار خیابان طراحی و میانگین سطح تاج برای هر ترانسکت و پلات روی زمین بدست آمد. در مرحله ی بعد مشخصه های بافت مرتبه ی اول و دوم از باندهای اصلی تولید گردید. سپس داده های رقومی متناظر با سطح تاج از باندهای اصلی و مصنوعی مشخصه های بافت استخراج گردید. در آمار برداری از درختان خیابان نتایج آزمون t (292/0, p=06/1, t=98(df= نشان داد که میانگین مساحت بدست آمده برای هر ترانسکت در تصویر مورد نظر اختلاف معنی داری با آمار برداری زمینی ندارد. جهت مقایسه ی میانگین سطح تاج پوشش محاسبه شده روی تصویر و آمار برداری زمینی در درختان مجتمع از آزمون نا پارامتریک من ویتنی استفاده شد. نتایج این آزمون نشان داد بین میانگین داده ها اختلاف معنی دار وجود ندارد (246/0sig=). با استفاده از رگرسیون خطی ساده میزان r2adj برای درختان خیابان و مجتمع به ترتیب %90 و %77 بدست آمد. میزان r2adj و rmse برای استخراج رقومی سطح تاج پوشش، به وسیله ی فاکتورهای آنالیز بافت و باندهای اصلی تصویر با استفاده از الگوریتم brt، به ترتیب %97 و (m2/plot)34/38 بدست آمد. مقادیر ذکر شده برای روش rf به ترتیب 93% و (m2/plot)24/38 محاسبه شد. نتایج طبقه بندی تصویر با به کارگیری پارامترهای بافت و الگوریتم طبقه بندی brt نشان داد بهترین ترکیب باندی برای طبقه بندی دارای صحت کلی و ضریب کاپا، به ترتیب 92/0 و 90/0 می باشد. به طور کلی نتایج این مطالعه نشان داد که تصویر geoeye-1، الگوریتمbrt و مشخصه های بافت تصویر دارای قابلیت بالایی در محاسبه ی سطح تاج پوشش جنگل های شهری و طبقه بندی کاربری های شهری می باشند.