پایش جنگل‌زدایی در ذخیره‌گاه زیست‌کره ارسباران با استفاده از تصاویر چند زمانه ماهواره‌ای مبتنی بر شبکه u-net بهینه‌شده

جنگل‌زدایی همچنان یکی از نگرانی‌های بزرگ در زمینه تغییرات اقلیمی و حفظ تنوع زیستی است. درعین‌حال، توسعه تکنیک‌های جدید پردازش تصویر و دسترسی گسترده به تصاویر ماهواره‌ای با حد تفکیک مکانی و زمانی بالا، شرایط بی‌نظیری برای پایش جنگل‌زدایی فراهم کرده است. این موضوع به‌ویژه در مناطقی مانند ذخیره‌گاه زیست‌کره ارسباران اهمیت دارد. روش‌های موجود پایش جنگل‌زدایی بر ترکیبی از مشاهده بصری، پروفیل‌های طیفی، آمار و تکنیک‌های یادگیری ماشین مبتنی هستند. با توجه به پیشرفت‌های اخیر در زمینۀ پردازش تصاویر توسط شبکه‌های عصبی پیچشی (cnn)، هدف این پژوهش ارزیابی عملکرد معماری u-net بهینه‌شده برای شناسایی پوشش جنگلی به‌منظور پایش جنگل‌زدایی در تصاویر ماهواره‌ای چند زمانه است. در این راستا، یک مدل یادگیری عمیق برای پایش جنگل‌زدایی در ذخیره‌گاه زیست‌کره ارسباران بر اساس طبقه‌بندی تصاویر ماهواره‌ای landsat بین سال‌های 2000 تا 2022 توسعه داده شد. در این مطالعه، برای تهیه ماسک از شاخص پوشش گیاهی تفاضلی نرمال‌شده (ndvi) استفاده ‌شده و سپس این ماسک‌ها به‌صورت بصری اصلاح شدند. همچنین مدل بهینه‌شده u-net که ارائه داده‌شده است، با مدل‌های جنگل تصادفی (random forest) و شبکه عصبی مصنوعی (ann) مقایسه شد. نتایج نشان داد که u-net بهینه‌شده نسبت به روش‌های مرسوم یادگیری ماشین در طبقه‌بندی تصویر به جنگل یا غیر جنگل برتری دارد که درنتیجه صحت کلی 96.53%، کاپا 91.55%، امتیاز f1 %94.68 و iou %90.04 به دست آمد. مدل ارائه‌شده می‌تواند تغییرات جنگل را به‌طور دقیق نشان دهد و مقادیر کاهش یا افزایش مساحت جنگل را تخمین بزند. به‌طورکلی مشاهده شد که مساحت جنگل‌های ارسباران طی دوره 2022-2000 افزایش‌یافته است. این تحقیق نشان می‌دهد که استفاده از u-net بهینه‌شده می‌تواند ابزار موثری برای پایش و مدیریت پایدار منابع جنگلی باشد

monitoring deforestation in arsbaran biosphere reserve using multi-temporal satellite images based on the refined u-net network

deforestation remains a significant concern regarding climate change and biodiversity conservation. at the same time, the development of new image processing techniques and wide access to high spatial and temporal resolution satellite imagery have created unique conditions for monitoring deforestation. this is particularly important in areas such as the arasbaran biosphere reserve. existing methods for monitoring deforestation rely on a combination of visual inspection, spectral profiles, statistics, and machine learning techniques. given recent advances in image processing using convolutional neural networks (cnns), this study aims to evaluate the performance of a refined u-net architecture for identifying forest cover to monitor deforestation in multi-temporal satellite images. in this regard, a deep learning model for monitoring deforestation in the arasbaran biosphere reserve based on the classification of landsat satellite images from 2000 to 2022 was developed. in this study, the normalized difference vegetation index (ndvi) was used to create masks, which were then visually corrected. additionally, the refined u-net model presented was compared with random forest and artificial neural network (ann) models. the results showed that the refined u-net outperformed traditional methods in classifying images into forest or non-forest categories, resulting in an overall accuracy of 96.53%, a kappa coefficient of 91.55%, an f1 score of 94.68%, and an iou of 90.04%. the proposed model can accurately show forest changes and estimate the amounts of forest area increase or decrease. overall, it was observed that the forest area in arasbaran increased during the 2000-2022 period. this research indicates that using a refined u-net can be an effective tool for sustainable forest resource monitoring and management