مهتاب پیرباوقار

سابقه و هدف: شاخص سطح برگ (LAI) یک مشخصه زیست‌فیزیکی حیاتی برای ارزیابی وضعیت، توصیف ساختار جنگل و عملکرد بوم‌سازگان‌های جنگلی است. همچنین، این شاخص، یک متغیر کلیدی برای مدل‌سازی تغییرات آب‌وهوایی جهانی، ترسیب کربن، چرخه آب، فتوسنتز و باران‌ربایی است. از داده‌های سنجش از دور براساس مدل‌های یادگیری ماشین به‌طور گسترده برای برآورد LAI جنگل در مقیاس‌های وسیع به‌دلیل کمینه کردن زمان، هزینه و تخریب استفاده می‌شود. پژوهش پیش‌رو با هدف بررسی قابلیت داده‌های Sentinel-2 در برآورد شاخص سطح برگ جنگل‌های زاگرس شمالی براساس روش رگرسیون فرایند گاوسی (GPR) انجام شد. مواد و روش‌ها: داده‌های میدانی LAI در خرداد و تیرماه سال 1402 در جنگل‌های شاخه‌زاد شهرستان‌های مریوان و سروآباد از توابع استان کردستان جمع‌آوری شدند. 93 قطعه‌نمونه مربعی‌شکل با ابعاد 20×20 متر مربع به‌صورت نمونه‌برداری تصادفی برداشت شدند. موقعیت مرکز هر قطعه‌نمونه با استفاده از یک دستگاه DGPS ثبت شد. برای اندازه‌گیری LAI در هر قطعه‌نمونه از روش عکس‌برداری نیم‌کروی استفاده شد. در داخل هر قطعه‌نمونه، پنج عکس با استفاده از دوربین (Coolpix4500+FC-E8) مجهز به عدسی چشم‌ماهی برداشت شد. در ادامه LAI برای هر عکس نیم‌کروی و درنهایت، برای هر قطعه‌نمونه با استفاده از بسته «hemispheR» در نرم‌افزار برنامه‌نویسی R محاسبه شد. در پژوهش پیش‌رو، یک فریم از تصویر بدون ابر ماهواره Sentinel-2B در سطح تصحیح L1C مربوط به تاریخ 11 تیرماه سال 1402 دریافت شد. پس از بررسی کیفیت رادیومتری و درستی هندسه تصاویر، از پردازنده Sen2Cor برای تصحیح اتمسفری استفاده شد. باندهای اصلی و شاخص‌های طیفی (شاخص‌های پوشش گیاهی، تبدیل تسلدکپ و تجزیه مؤلفه اصلی) از تصویر Sentinel-2 به‌دست آمدند و در سه مجموعه داده شامل باندهای اصلی، شاخص‌های طیفی و ترکیب باندها و شاخص‌ها برای برآورد LAI استفاده شدند. در ادامه، مدل‌سازی با استفاده از الگوریتم GPR براساس 65 قطعه‌نمونه زمینی (70 درصد) انجام شد. در پایان، مدل‌ها براساس 28 قطعه‌نمونه زمینی (30 درصد) با استفاده از معیارهای ضریب تبیین (R2) و جذر میانگین مربعات خطا (RMSE)، جذر میانگین مربعات خطای نسبی (rRMSE) و ضریب آکائیک (AIC) ارزیابی شدند. نتایج: بررسی آماره‌های توصیفی داده‌های زمینی شاخص سطح برگ نشان داد که مقادیر حداقل، حداکثر، متوسط و انحراف معیار شاخص سطح برگ اندازه‌گیری‌شده در جنگل مورد پژوهش به‌ترتیب 33/0، 88/3، 129/2 و 627/0 مترمربع بر مترمربع بود. همچنین، بررسی همبستگی پیرسون بین شاخص سطح برگ جنگل و متغیرهای طیفی (باندهای اصلی و شاخص‌‌های طیفی) نشان داد که شاخص سطح برگ همبستگی بیشتری با شاخص‌های طیفی (به‌یژه شاخص‌های GNDVI، SAVI و TCTV) در مقایسه با باندهای اصلی دارد. نتایج ارزیابی مدل‌های به‌دست‌آمده از مدل‌سازی شاخص سطح برگ جنگل با استفاده از الگوریتم یادگیری ماشین رگرسیون فرایند گاوسی براساس 30 درصد قطعه‌نمونه‌های زمینی با استفاده از سه مجموعه داده (باندهای اصلی، شاخص‌های طیفی و ترکیب باندهای اصلی و شاخص‌های طیفی) حاصل از تصویر Sentinel-2 نشان داد که مدل به‌دست ‌آمده از مجموعه باندهای اصلی ماهواره Sentinel-2 با ضریب تبیین 81/0، جذر میانگین مربعات خطا 21/0 مترمربع به مترمربع، جذر میانگین مربعات خطای نسبی 41/9 درصد و ضریب آکائیک 65/103، عملکردی مناسبی در مقایسه با دو مجموعه باندهای اصلی و ترکیب باندهای اصلی و شاخص‌های طیفی در برآورد شاخص سطح برگ جنگل مورد مطالعه داشته است. براساس بهترین مدل، نقشه شاخص سطح برگ جنگل مورد مطالعه با استفاده از مدل حاصل از باندهای اصلی تصویر Sentinel-2 تهیه شد. نتیجه‌گیری کلی: به‌طورکلی، نتایج این پژوهش تاحدودی قابلیت داده‌های ماهواره Sentinel-2 برای ارزیابی شاخص سطح برگ در جنگل‌های شاخه‌‌زاد زاگرس شمالی را اثبات می‌کند. با‌ این‌حال، استفاده از داده‌های زمینی شاخص سطح برگ و داده‌های Sentinel-2 در فصل‌های مختلف رویش می‌تواند در تأیید استحکام و کاهش عدم قطعیت یافته‌های پژوهش پیش‌رو کمک کند.