پايش جنگل‌زدايي در ذخيره‌گاه زيست‌كره ارسباران با استفاده از تصاوير چند زمانه ماهواره‌اي مبتني بر شبكه U-Net بهينه‌شده

جنگل‌زدايي همچنان يكي از نگراني‌هاي بزرگ در زمينه تغييرات اقليمي و حفظ تنوع زيستي است. درعين‌حال، توسعه تكنيك‌هاي جديد پردازش تصوير و دسترسي گسترده به تصاوير ماهواره‌اي با حد تفكيك مكاني و زماني بالا، شرايط بي‌نظيري براي پايش جنگل‌زدايي فراهم كرده است. اين موضوع به‌ويژه در مناطقي مانند ذخيره‌گاه زيست‌كره ارسباران اهميت دارد. روش‌هاي موجود پايش جنگل‌زدايي بر تركيبي از مشاهده بصري، پروفيل‌هاي طيفي، آمار و تكنيك‌هاي يادگيري ماشين مبتني هستند. با توجه به پيشرفت‌هاي اخير در زمينۀ پردازش تصاوير توسط شبكه‌هاي عصبي پيچشي (CNN)، هدف اين پژوهش ارزيابي عملكرد معماري U-Net بهينه‌شده براي شناسايي پوشش جنگلي به‌منظور پايش جنگل‌زدايي در تصاوير ماهواره‌اي چند زمانه است. در اين راستا، يك مدل يادگيري عميق براي پايش جنگل‌زدايي در ذخيره‌گاه زيست‌كره ارسباران بر اساس طبقه‌بندي تصاوير ماهواره‌اي Landsat بين سال‌هاي 2000 تا 2022 توسعه داده شد. در اين مطالعه، براي تهيه ماسك از شاخص پوشش گياهي تفاضلي نرمال‌شده (NDVI) استفاده ‌شده و سپس اين ماسك‌ها به‌صورت بصري اصلاح شدند. همچنين مدل بهينه‌شده U-Net كه ارائه داده‌شده است، با مدل‌هاي جنگل تصادفي (Random Forest) و شبكه عصبي مصنوعي (ANN) مقايسه شد. نتايج نشان داد كه U-Net بهينه‌شده نسبت به روش‌هاي مرسوم يادگيري ماشين در طبقه‌بندي تصوير به جنگل يا غير جنگل برتري دارد كه درنتيجه صحت كلي 96.53%، كاپا 91.55%، امتياز F1 %94.68 و IoU %90.04 به دست آمد. مدل ارائه‌شده مي‌تواند تغييرات جنگل را به‌طور دقيق نشان دهد و مقادير كاهش يا افزايش مساحت جنگل را تخمين بزند. به‌طوركلي مشاهده شد كه مساحت جنگل‌هاي ارسباران طي دوره 2022-2000 افزايش‌يافته است. اين تحقيق نشان مي‌دهد كه استفاده از U-Net بهينه‌شده مي‌تواند ابزار مؤثري براي پايش و مديريت پايدار منابع جنگلي باشد