پهنه بندی توده های جنگلی مستعد زوال بلوط زاگرس با استفاده از روش های یادگیری ماشین (جنگل بلوط بلند در استان چهارمحال و بختیاری) (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
جنگل های زاگرس به عنوان یکی از زیست بوم های ارزشمند ایران به شمار می آیند که زیستگاه جانوران و گیاهان متنوعی هستند. بحران های اخیر مانند گرم شدن کره زمین، خشکسالی و طوفان های گرد و غبار این زیست بوم را به خطر انداخته و باعث ضعیف شدن تک درختان یا گروه هایی از درختان منطقه شده است. زوال به عنوان یک اختلال و چالش مهم، درختان بلوط در منطقه زاگرس را تهدید می کند. هدف این مطالعه بررسی امکان پهنه بندی درختان مستعد زوال با استفاده از الگوریتم های یادگیری ماشین است. منطقه مورد مطالعه 101 هکتار از جنگل های زاگرس میانی موسوم یه منطقه "بلوط بلند" واقع در استان چهارمحال و بختیاری را در بر می گیرد. آماربرداری زمینی به منظور برداشت وضعیت سلامت درختان در 37 عدد قطعه نمونه 1000 مترمربعی انجام شد. علاوه بر این نقشه واقعیت زمینی به صورت موردی بر اساس بررسی درخت به درخت در 11 درصد از سطح منطقه تهیه شد. پس از انجام تحلیل تفکیک پذیری سه طبقه شامل "طبقه 1 خشکیدگی" با میزان خشکیدگی کمتر از 50 درصد، "طبقه 2 خشکیدگی" با میزان خشکیدگی بیش از 50 درصد و طبقه "سایر" شامل خاک لخت، جنگل تنک، جاده و بیرون زدگی سنگی برای طبقه بندی انتخاب شدند. در این مطالعه قابلیت چهار روش یادگیری ماشین شامل حداکثر احتمال، شبکه عصبی، جنگل تصادفی و ماشین بردار پشتیبان مقایسه شد. نتایج نشان داد که روش حداکثر احتمال می تواند بیشترین صحت کلی و ضریب کاپا را به ترتیب معادل 87/0 درصد و 73/0 ارائه دهد. همچنین در طبقه دوم مساحت خشکیدگی زیادتر است و بیانگر این است که میزان خشکیدگی منطقه رو به رشد است. پیشنهاد می شود با مطالعه مستقیم رفتار طیفی درخت در فرایند خشکیدگی و معرفی شاخص های طیفی مناسب، نسبت به شناسایی زود هنگام توده های در معرض خشکیدگی اقدام نمود.Zoning of Forest Stands Susceptible to Oak Decline in the Zagros Region Using Machine Learning Methods (Balot Boland forest Chaharmahal va Bakhtyari Province)
Zagros forests are one of Iran’s most valuable ecosystems, hosting diverse fauna and flora. Recent crises such as global warming, droughts, and dust storms have endangered this ecosystem, causing the weakening of individual trees or groups of trees in the region. Decline is an important disorder and challenge that threatens oak trees in the Zagros region. This study aimed to investigate the possibility of zoning decline-affected trees using machine-learning algorithms. The study area encompasses 101 hectares of middle Zagros forests known as the "Baloot Boland" region. Filed sampling was conducted to assess the health status of trees in 37 sample plots (1000 square meters each). In addition, the ground truth map was prepared on a tree-by-tree investigation basis for 11% of the total area. After analyzing reparability, three classes were selected for classification: "Class 1" representing areas with decline levels below 50%, "Class 2" representing areas with drought levels exceeding 50%, and "Class 3" including bare soil, sparse forest, roads, and rocky outcrops. The capabilities of the four machine learning methods, namely Maximum Likelihood, Neural Network, Random Forest, and Support Vector Machine, were compared. The results showed that the Maximum Likelihood method provided the highest overall accuracy and Kappa coefficients of 87.0% and 73.0%, respectively. Additionally, in Class 2, the area of decline was higher, indicating an increasing level of decline in the region. It is recommended to study the spectral behavior of trees directly during the decline process and to introduce suitable spectral indices to identify the early stage of decline-affected stands.
تبلیغات
