مهتاب پیرباوقار

شاخص سطح برگ (LAI) یک مشخصه مهم برای درک عملکرد بوم‌سازگان‌های جنگلی است. برآورد دقیق و قابل اعتماد LAI در جنگل‌های با تاج‌پوشش کم‌ تراکم زاگرس کشور به‌دلیل ناهمگنی ساختاری، پوشش جنگلی پراکنده و اثرات خاک و پوشش علفی کف جنگل، همچنان چالش‌برانگیز است. پژوهش پیش‌رو به ارزیابی رویکردهای تجربی و ترکیبی برای برآورد LAI در جنگل‌های زاگرس شمالی با استفاده از تصاویر Sentinel-2 (S-2) می‌پردازد. برای این منظور، ابتدا اندازه‌گیری‌های میدانی گسترده‌ای در جنگل‌های شهرستان‌های مریوان و سروآباد از توابع استان کردستان انجام شد تا داده‌های زمینی با کیفیت و مناسب برای آموزش و اعتبارسنجی مدل‌های برآورد LAI برداشت شوند. طراحی نمونه‌برداری به‌صورت روش مونه‌بندی-تصادفی با 120 قطعه‌نمونه مربعی 20×20 متر انجام شد. در هر قطعه‌نمونه، پنج نقطه نمونه‌برداری برای پوشش تغییرپذیری درون قطعه‌نمونه در نظر گرفته شد. برای اندازه‌گیری LAI، روش غیرمستقیم عکس‌برداری نیم‌کروی دیجیتالی (DHP) با استفاده از دوربین مجهز به لنز چشم‌ماهی در شرایط نوری مناسب ثبت و عکس‌های دیجیتالی با بسته hemispheR در محیط R تحلیل شدند. همچنین، یک تصویر بدون ابر از ماهواره S-2B سطح L1C در تاریخ 11 تیر 1402 (7 جولای 2023) هم‌زمان با برداشت میدانی تهیه شد. سپس با استفاده از افزونه Sen2Cor به سطح L2A (بازتاب سطحی TOC) تصحیح اتمسفری شد. پس از حذف باندهای غیرکاربردی، نه باند اصلی به تفکیک مکانی 20 متر بازنمونه‌گیری شدند. در ادامه برای استخراج هر چه بیشتر اطلاعات از داده‌های S-2 باندهای محاسباتی نظیر شاخص‌های پوشش گیاهی (VIs)، تجزیه مؤلفه‌های اصلی (PCA) و تبدیل مؤلفه تسلدکپ (TCT) براساس این داده‌ها محاسبه شد. همچنین به‌منظور بهبود دقت مدل‌سازی LAI، مشخصه ساختاری مدل ارتفاع تاج‌پوشش (CHM) به‌عنوان یکی از ورودی‌های ساختاری مدل‌سازی LAI در نظر گرفته شد. برای بررسی روابط بین متغیرهای مستقل با LAI از تحلیل همبستگی پیرسون استفاده شد. در این پژوهش برای مدل‌سازی مشخصه LAI جنگل‌های زاگرس، دو رویکرد تجربی و ترکیبی به‌کار گرفته شد. رویکرد تجربی شامل رگرسیون چندمتغیره به روش گام‌به‌گام (SMLR)، شبکه‌های عصبی مصنوعی (ANN)، جنگل تصادفی (RF)، رگرسیون بردار پشتیبان (SVR)، k-نزدیک‌ترین همسایه (KNN) و رگرسیون فرآیند گاوسی (GPR)، براساس سه مجموعه داده شامل مجموعه داده 1 (باندهای اصلی)، مجموعه داده 2 (باندهای محاسباتی و متغیر ساختاری CHM) و مجموعه داده 3 (کلیه متغیرهای طیفی و ساختاری) با استفاده از 70 درصد داده‌ها آموزش داده شدند. مدل‌های ترکیبی نیز با استفاده از مدل انتقال تابشی PROSAIL (PROSPECT-D + 4SAIL2) همراه با معکوس‌سازی SVR توسعه یافتند. پس از رعایت پیش شرط‌های لازم برای برای مدل‌سازی تجربی شامل بررسی نرمال بودن داده‌ها، انتخاب مهمترین متغیرها و در نهایت بررسی شاخص تورم واریانس (VIF)، نتایج این رویکرد نشان داد که مدل‌های تجربی هنگام ترکیب متغیرهای طیفی S-2 با متغیر ساختاری CHM دقت بالایی دارند که مدل SMLR بهترین عملکرد را نشان داد (83/0 = 𝑅2، 𝑚𝟸. 𝑚-𝟸 18/0 = 𝑅𝑀𝑆𝐸، %06/13 = 𝑟𝑅𝑀𝑆𝐸 و 74/9 = 𝑛𝑅𝑀𝑆𝐸). همچنین، نتایج رویکرد ترکیبی نشان داد که بهترین مدل به‌دست آمده دارای مقادیر 63/0 = 𝑅2، 𝑚𝟸. 𝑚-𝟸 36/0 = 𝑅𝑀𝑆𝐸، %54/26 = 𝑟𝑅𝑀𝑆𝐸 و 98/13 = 𝑛𝑅𝑀𝑆𝐸 هستند. رویکرد ترکیبی ناهمگنی‌ها را بهتر در مناطق پیچیده مدل‌سازی می‌کند، در حالی که مدل‌های تجربی مقادیر پایین LAI را بیش‌تر از حد برآورد می‌کنند. در حالی که روش‌های تجربی از نظر محاسباتی کارآمد و سریع هستند، رویکردهای ترکیبی هرچند نیازمند اطلاعات بیشتری هستند، توان برآورد مناسب‌تری برای مشخصه LAI در جنگل‌های کم تراکم زاگرس دارند. این یافته‌ها استفاده از چارچوب‌های ترکیبی را در ارزیابی بوم‌سازگان‌های حساس پیشنهاد می‌کنند تا تعادلی بین دقت و مقیاس‌پذیری برای حمایت از مدیریت پایدار جنگل‌ها در محیط‌های ناهمگن ایجاد شود.