تدوین مدل یکپارچه در برآورد حساسیت جنگل های استان کردستان به آتش سوزیبا استفاده از مدل جنگل تصادفی در سامانه گوگل ارث انجین

شناخت و نقشه‌سازی حساسیت جنگل‌ها به آتش‌سوزی برای حفظ اکوسیستم‌ها و تنوع زیستی دارای اهمیت است. این مطالعه با بررسی قابلیت سری‌زمانی تصاویر ماهواره‌ی لندست 8 و تولید مدلی کارا در بستر سامانه گوگل ارث انجین (gee) توانست حساسیت جنگل‌های استان کردستان به آتش‌سوزی را در فاصله زمانی ده سال اخیر از سال 2013 الی 2023 و در دو محدوده‌ی مطالعاتی واقع در شهرستان‌های مریوان، سروآباد و بانه پهنه‌بندی کند و اطلاعات ارزشمندی برای مدیریت پیشگیرانه زمین و تخصیص موثر منابع به منظور پیشگیری و کاهش تاثیرات آتش‌سوزی جنگل‌ها در منطقه کردستان ارائه ‌دهد. در این مطالعه برای شناسایی حریق جنگلی از شاخص نسبت سوختگی نرمال شده (nbr) برای تصاویر قبل و بعد از فصل آتش‌سوزی استفاده شد. به منظور بهبود نتایج طبقه‌بندی شاخص‌های گیاهی، مسکونی و پهنه‌های آبی به عنوان منطقه بدون حریق بارزسازی شدند. برای دست‌یابی به بهترین صحت طبقه‌بندی از مدل جنگل تصادفی (rf) در سامانه gee استفاده گردیده است. سپس باتهیه نمونه‌های تعلیمی مناسب از نتایج بارزسازی، طبقه‌بندی تصاویر با مدل rf به تعداد 50 درخت تصمیم‌گیری در سامانه gee انجام شد. به منظور اطمینان از صحت نمونه‌های تعلیمی انتخاب شده، نتایج نقشه‌سازی آتش‌سوزی با داده‌های نقطه‌ای حریق اداره‌ی منابع طبیعی استان کردستان مقایسه شد. نتایج طبقه‌بندی در دو محدوده‌ی مطالعاتی جنگلی، منطقه مریوان و سروآباد در سال‌های 2016، 2018 و 2020 و منطقه بانه در سال 2018 صحت کلی 99 درصد و ضریب کاپای 0/97 را نشان داد. نتایج حاصل شده در این تحقیق علاوه بر تاکید بر قابلیت تصاویر لندست‌8 در نقشه‌سازی حساسیت جنگل، نشان دهنده‌ی صحت قابل قبول مدلrf در این زمینه است.

zoning forest fires using the random forest model in the forests of kurdistan province in the google earth engine platform

recognizing and mapping the sensitivity of forests to fires is crucial for the preservation of ecosystems and biodiversity. this study, utilizing the time-series capability of landsat 8 satellite imagery and developing an efficient model within the google earth engine (gee) platform, managed to map the sensitivity of kurdistan province forests to fires over the the past decade, from 2013 to 2023, in two study areas located in the marivan, sarvabad, and baneh counties. it provided valuable information for land use management and effective resource allocation to prevent and mitigate the impacts of forest fires in the kurdistan region. the normalized burn ratio (nbr) index was applied to pre- and post-fire season images to detect forest fires. to enhance classification results, areas such as vegetation, residential zones, and water bodies were highlighted as non-fire regions. the random forest (rf) model within the gee platform was employed to achieve the highest classification accuracy. appropriate training samples were derived from the highlighted results, and image classification using the rf model with 50 decision trees was performed on the gee platform.to ensure the reliability of the selected training samples, the fire mapping results were compared with point-based fire data from the kurdistan province natural resources department. the classification results for the two forest study areas- marivan and sarvabad regions in 2016, 2018, and 2020, and the baneh region in 2018-demonstrated an overall accuracy of 99% and a kappa coefficient of 0.97. the findings of this study underscore the capability of landsat 8 imagery in mapping forest fire susceptibility and confirm the acceptable accuracy of the rf model in this context.