مدل‌سازي تغييرات پوشش جنگل براي شناسايي مناطق مطلوب براي اجراي پروژه‌هاي REDD+ (بررسي موردي: شهرستان لردگان)

Modelling of forest cover change to identify suitable areas for REDD+ projects (case study: Lordegan county)

در چندين دهه اخير، كاهش چشمگيري در پوشش جنگل‌هاي زاگرس رخ داده است. در همين رابطه، در اين پژوهش، بررسي تغييرات پوشش جنگل شهرستان لردگان واقع در استان چهارمحال و بختياري با استفاده از نقشه‌هاي پوشش جنگل توليد شده از سري ماهواره‌هاي لندست 5 و 8 متعلق به سال‌هاي 1377، 1387 و 1397 انجام شد. سپس مدل‌سازي پتانسيل انتقال پوشش جنگل به مناطق غير­جنگل با استفاده از دو مدل شبكه عصبي مصنوعي و رگرسيون لجستيك انجام شد و براي اعتبارسنجي از آماره‌هاي مشخصه عملكرد نسبي و عدد شايستگي استفاده شد. در آخر با استفاده از هم­پوشاني نقشه‌هاي احتمال جنگل‌زدايي و منابع كربن، مناطق مطلوب براي پروژه‌هاي REDD+ شناسايي شدند. نتايج آشكارسازي تغييرات نشان داد كه طي سال‌هاي 1387-1377 و 1397-1387 به‌ترتيب 17256 و 20553 هكتار از پوشش جنگل تخريب شد. نتايج اعتبارسنجي نشان داد كه مدل رگرسيون لجستيك با مقدار مشخصه عملكرد نسبي برابر 0/95 و عدد شايستگي 19/01 درصد عملكرد بهتري از شبكه عصبي مصنوعي داشت. همچنين، براساس نقشه هم­پوشاني منابع كربن و احتمال جنگل‌زدايي، مناطقي با احتمال جنگل‌زدايي زياد و مقدار كربن بالاتر از 70 تن در هكتار براي REDD+ پيشنهاد شدند. يافته‌هاي اين پژوهش نشان مي‌دهد كه با استفاده از روش‌شناسي ارائه­شده، مي‌توان به شناسايي مناطق در­معرض جنگل‌زدايي پرداخت و از انتشار گازهاي گلخانه‌اي به اتمسفر جلوگيري كرد.

In recent decades, there has been a significant reduction in the Zagros forest. In this regard, in the present study, the forest cover changes of Lordegan county located in Chaharmahal Bakhtiari province were examined using forest cover maps produced by Landsat 5 and 8 satellites belonging to 1988, 2008 and 2018. Then, transition potential modeling from forest to non-forest was performed using two models of artificial neural network and logistic regression, and for validation the ROC and figure of merit were applied. Finally, using overlapping the maps of deforestation probability and carbon resources, the suitable areas for REDD+ projects were identified. The results of change detection showed that during 1988-2008 and 2008-2018, 17,256 ha and 20,553 ha of forest cover were degraded, respectively. The validation results showed that the logistic regression gained the ROC equal to 0.95 and the figure of merit equal to 19.01%, and had a better performance than the artificial neural network. Also, based on overlap map of carbon resources and deforestation probability, areas with high deforestation probability and carbon content above 70 tons per hectare were proposed for REDD+. The findings of this study show that using the presented methodology can be identified the areas with deforestation and can be prevented the release of greenhouse gas into the atmosphere.