بهبود تخمین حجم زیست توده مناطق جنگلی با استفاده از داده های راداری و نوری سنجنده Sentinel و الگوریتم بهینه سازی ژنتیک (مطالعه موردی: مناطق جنگلی نور)

زیست توده جزء کلیدی در چرخه کربن می باشد، از این رو ارزیابی دقیق آن به منظور مدیریت جنگل و درک نقش آن در تغییرات آب و هوایی، اهمیت بسیاری دارد. امروزه استفاده از تکنیک های سنجش از دور با کمک داده های میدانی، تحولی شگرف را در برآورد زیست توده جنگل ها ایجاد کرده است. در این تحقیق به منظور بهبود دقت برآورد زیست توده مناطق جنگلی، از ویژگی های مستخرج از تصاویر اپتیک سنجنده Sentinel-2 و داده های راداری Sentinel-1 و همچنین داده های میدانی مناطق جنگلی نور، استان مازندران که نوع پوشش جنگلی آن، ممرز-بلوطستان است و همچنین شامل گونه های نادر از جمله درختان سفید پلت می باشد که در این مطالعه در چهار کلاس پوشش گیاهی مخلوط، جنگل طبیعی، جنگل تخریب شده و ذخایر جنگلی مورد بررسی قرار گرفتند و روش بهینه سازی ژنتیک استفاده شده است. در این راستا، جهت مدلسازی بین داده های زمینی و ویژگی های راداری و نوری از روش رگرسیون خطی چند متغیره و رگرسیون ماشین بردار پشتیبان استفاده شده است. همچنین به منظور انتخاب ویژگی های بهینه مستخرج از تصاویر راداری و نوری از الگوریتم ژنتیک در طول فرآیند مدلسازی با استفاده از رگرسیون خطی چند متغیره استفاده شده است. ارزیابی نتایج نشان داد که استفاده از روش رگرسیون چند متغیره منجر به نتایج دقیق تری نسبت به روش رگرسیون ماشین بردار پشتیبان در منطقه مورد مطالعه شده است. همچنین، ارزیابی نتایج حاصل از اعمال رگرسیون خطی چند متغیره نشان می دهد که استفاده از ویژگی های انتخاب شده مبتنی بر الگوریتم ژنتیک، منجر به افزایش دقت ضریب تعیین R2 به میزان 78/0، 87/0، 68/0، و 79/0 به ترتیب در کلاس های اول تا چهارم پوشش گیاهی انتخابی شده است. لذا نتایج حاصل نشان دهنده این است که بکارگیری الگوریتم ژنتیک به همراه روش رگرسیون چند متغیره موجب بهبود دقت برآورد زیست توده در این تحقیق شده است.