fa بهبود تخمین زیست توده مناطق جنگلی به کمک بهینه‌سازی پارامترهای پلاریمتری داده‌های سنجنده هوایی SETHI به روش هوش جمعی ذرات سنجش از دور RS پژوهشي Research <span style="font-family:b nazanin;">در سال‌های اخیر تخمین زیست توده مورد توجه زیادی قرار گرفته است. سیستم‌های هوابرد و فضابرد راداری به دلیل قابلیت بالای نفوذ، توانایی زیادی در تعیین زیست توده دارند. پارامتر قطبش به دلیل حساسیت به مکانیزم‌های بازپراکنش، پارامتر مهمی در سیستم راداری بوده که می‌تواند در تخمین زیست توده مفید واقع شود. در این تحقیق از داده&shy;های تمام پلاریمتری سنجنده هوایی </span><em><span dir="LTR"><span style="font-size:8.0pt;">SETHI</span></span></em><span style="font-family:b nazanin;"> استفاده شده است. منطقه مورد بررسی از نوع جنگل&shy;های شمالی واقع در منطقه رمینگ استرپ در</span> <span style="font-family:b nazanin;">جنوب کشور سوئد می&shy;باشد. در این مقاله بهبود تخمین زیست توده در مناطق جنگل&shy;های شمالی با در نظر گرفتن تمامی حالات قطبش ممکن جهت استخراج پارامترهای پلاریمتری توسط ماتریس انتقال، در باندهای </span><em><span dir="LTR"><span style="font-size:8.0pt;">L</span></span></em><span style="font-family:b nazanin;"> و </span><em><span dir="LTR"><span style="font-size:8.0pt;">P</span></span></em><span style="font-family:b nazanin;"> مورد ارزیابی قرار گرفته است. همچنین وابستگی زیست توده به پارامتر&shy;های استخراجی قبل و بعد از تغییر پایه قطبش در ماتریس&shy;های کووریانس و همدوسی مورد بررسی قرار گرفته و یک مجموعه از پارامترهای بهینه توسط هوش جمعی ذرات در حالت باینری انتخاب و جهت تخمین زیست توده مورد استفاده قرار گرفته است. نتایج بیانگر آن است که بازپراکنش‌هایی که شامل قطبش </span><em><span dir="LTR"><span style="font-size:8.0pt;">HV</span></span></em><span style="font-family:b nazanin;"> یا </span><em><span dir="LTR"><span style="font-size:8.0pt;">HH-VV</span></span></em><span style="font-family:b nazanin;"> هستند؛ بیشترین وابستگی را با زیست توده دارند و با تغییر پایه قطبش، امکان بررسی حالت&shy;های قطبش مختلف پارامترهای استخراجی از بازپراکنش&shy;ها فراهم می&shy;شود و میزان همبستگی پارامترها با زیست توده افزایش می&shy;یابد. بعد از انتخاب بهینه پارامترها توسط روش هوش جمعی ذرات در حالت باینری و استفاده از رگرسیون خطی به منظور تخمین زیست توده، نتایج به میزان 6 درصد در باند </span><em><span dir="LTR"><span style="font-size:8.0pt;">L</span></span></em><span style="font-family:b nazanin;"> و 2 درصد در باند </span><em><span dir="LTR"><span style="font-size:8.0pt;">P</span></span></em><span style="font-family:b nazanin;"> بهبود داشته است.</span><br> &nbsp; Estimation of forest biomass has received much attention in recent decades. Airborne and spaceborne (SAR) have a great potential to quantify biomass and structural diversity because of its penetration capability. Polarizations are important elements in SAR systems due to sensitivity of them to backscattering mechanisms and can be useful to estimate biomass. Full Polarimetric Synthetic Aperture Radar (SAR) data used in this research was acquired by SETHI over Remningstorp, a boreal forest in south of Sweden. A new method based on Polarimetric indicators from covariance and coherency matrixes by changing the polarization basis using transformation matrix in the boreal forests at L and P-band is presented. The presented method showed its capability to improve forest biomass estimation. The correlation between biomass and extracted Polarimetric indicators is investigated before and after changing polarization basis. Particle swarm optimization in binary version is used to select optimum Polarimetric indicators and afterward biomass is estimated based on these optimum parameters. Results indicated that maximum correlation between biomass and Polarimetric indicators was in HV and HH-VV polarizations before changing polarization basis. After changing the polarization bases, the results show significantly higher correlation of biomass with the extracted polarization variables. The results have been improved approximately about 6% and 2% in L and P band respectively, after extraction of optimum parameters by particle swarm optimization and using linear regression model for estimation of forest biomass. تخمین زیست توده, هوش جمعی ذرات, بازپراکنش, پلاریمتری, ماتریس انتقال. Biomass Estimation, Backscatter, Particle Swarm Optimization, Polarimetry, Transformation Matrix. 1 20 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-292-1&slc_lang=fa&sid=1 Samira Hosseini سمیرا حسینی shosseini@mail.kntu.ac.ir 10031947532846007537 10031947532846007537 Yes K.N. Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Hamid Ebadi حمید عبادی 10031947532846007538 10031947532846007538 No K.N. Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Yaser Maghsoudi یاسر مقصودی 10031947532846007539 10031947532846007539 No K.N. Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی