ارزیابی مدل‌های پارامتریک و ناپارامتریک در تخمین تراکم تاج‌پوشش جنگل‌های زاگرس با استفاده از سنجش‌ازدور و یادگیری ماشین

عالی محمودی سرآب, سجاد; معیری, محمدهادی; میرزاوند, محمد; شتایی جویباری, شعبان; راشکی, علیرضا

doi:10.22059/ije.2025.397227.1873

ارزیابی مدل‌های پارامتریک و ناپارامتریک در تخمین تراکم تاج‌پوشش جنگل‌های زاگرس با استفاده از سنجش‌ازدور و یادگیری ماشین

مقالات آماده انتشار

نوع مقاله : پژوهشی

نویسندگان

¹ بخش تحقیقات جنگل‌ها و مراتع، مرکز تحقیقات کشاورزی و منابع طبیعی استان خوزستان، سازمان تحقیقات، آموزش و ترویج کشاورزی، اهواز،

² دانشیار، دانشکده علوم جنگل، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، ایران

³ استادیار گروه علوم و فناوری‌های محیطی، دانشکده مهندسی انرژی و منابع پایدار، دانشگاه تهران

⁴ استاد، دانشکده علوم جنگل، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، ایران

⁵ دانشکده منابع طبیعی و محیطزیست،دانشگاه فردوسی مشهد، مشهد، ایران

10.22059/ije.2025.397227.1873

چکیده

برای رسیدن به هدف تحقیق ابتدا با استفاده از جنگل گردشی محدوده منطقه آرزو در شهرستان باغملک بسته شد، سپس با استفاده از نمونه‌برداری سیستماتیک تصادفی تعداد 116 قطعه نمونه 12/0 هکتاری برداشت شد. از تصاویر ماهواره‌‌ای با اندازه تفکیک مکانی بالا پلی‌آدیس پس از تصحیحات هندسی استفاده شد و شاخص‌های TSAVI, NDVI و WDVI تهیه گردید. به‌منظور مقایسه روش‌های پارامتریک و ناپارامتریک به ترتیب از روش‌های رگرسیون خطی چندگانه و شبکه عصبی مصنوعی (MLP) استفاده شد. برای رسیدن به هدف تحقیق ابتدا ارزش‌های حاصل از تهیه شاخص‌های پوشش گیاهی در محل قطعات نمونه با استفاده از تابع Zonal statistical در Arc GIS استخراج و از رگرسیون خطی چندگانه و شبکه عصبی مصنوعی برای برآورد تراکم پوشش گیاهی استفاده شد. برای مقایسه این دو مدل از متغیرهای RMSE، RMSE% و R2 استفاده شد. نتایج رگرسیون خطی چندگانه نشان داد که میزان R2 و RMSE% درسطح اعتماد 05/0 به ترتیب برابر 54/0 و 4/10 بود. همچنین نتایج شبکه عصبی مصنوعی نشان داد که میزان R2 و RMSE% به ترتیب برابر 82/0 و 5/4 بدست آمد. نتایج مقایسه مدل‌های مختلف نشان داد که شبکه عصبی ضمن خطای کمتر، برآورد بهتری نسبت به رگرسیون خطی چندگانه در برآورد تراکم پوشش گیاهی دارد.

کلیدواژه‌ها