رویه یادگیری برمبنای نمونه وزنی تشابه برای مدل‌سازی پتانسیل انتقال پوشش اراضی و کاربرد آن در سند طراحی پروژه redd

کاهش انتشارات ناشی از جنگل‌زدایی و تخریب جنگل (reducing emissions from deforestation and forest degradation (redd))، راهکاری برای تعدیل تغییرات اقلیمی است که به‌منظور کاهش شدت جنگل‌زدایی و انتشار گازهای گلخانه‌ای به‌کار گرفته می‌شود. در چند دهه ی اخیر تغییرات شدید کاربری اراضی در استان مازندران باعث کاهش میزان چشمگیری از جنگل‌های هیرکانی شده است. تحقیق حاضر بر اساس اهداف پروژه‌های redd، به بررسی تغییرات پوشش جنگل در محدوده‌ای از بخش‌های کجور و مرزن آباد در استان مازندران با استفاده از تصاویر ماهواره‌ای لندست متعلق به سال‌های 1363، 1379 و 1393 پرداخته است. در این مطالعه، برای اولین بار در ایران با استفاده از رویه یادگیری برمبنای نمونه وزنی مشابهت، مدل‌سازی تغییرات پوشش جنگل صورت گرفت و به‌منظور اعتبارسنجی از آماره های مشخصه عملکرد نسبی، نسبت موفقیت به هشدار خطا و عدد شایستگی استفاده شد. در پایان با استفاده از روش‌شناسی استاندارد کربن اختیاری میزان انتشار گاز co2 برای 30 سال آینده (تا سال 1423) محاسبه گردید. نتایج نشان داد که به ترتیب طی سال‌های 1379-1363 و 1393-1379 حدود 4008 و 3635 هکتار پوشش جنگل تخریب شده است. نتایج اعتبارسنجی نشان داد که میزان مشخصه عملکرد نسبی برابر با 0.95، عدد شایستگی 26 درصد و نسبت موفقیت به هشدار خطا 82 درصد بیانگر صحت بالای مدل می‌باشد. در نهایت نتایج اجرای پروژه redd نشان داد که تحت سناریو خط‌مبنا، tco2e705336 طی 30 سال آینده به اتمسفر انتشار خواهد یافت که با اجرای پروژه redd می‌توان از انتشار tco2e 491697.91 جلوگیری نمود. با توجه به افزایش روند تخریب جنگل‌های هیرکانی و نقش مهم آنها در تعدیل تغییرات اقلیمی، با استفاده از روش‌شناسی تحقیق حاضر می‌توان تغییرات پوشش اراضی و تاثیر پروژه‌های redd در میزان کاهش انتشار گازهای گلخانه‌ای را برآورد و پیش‌بینی نموده و در سند طراحی پروژه‌های مکانیسم توسعه پاک در کشور استفاده نمود.

Transition Potential Modeling of Land-Cover based on Similarity Weighted Instance-based Learning Procedure and Its Implication in the REDD Project Design Document

Reducing Emissions from Deforestation and Forest Degradation (REDD) is a climate change mitigation strategy employed to reduce the intensity of deforestation and GHGS emissions. In recent decades, drastic land use changes in Mazandaran province caused a substantial reduction in the amount of Hyrcanian forests. The present research based on objectives of REDD projects paid to identify of forest cover changes in a range of Marzan Abad and Kojour Districts in the Mazandaran province using of Landsat satellite images from 1984, 2000 and 2014. In this study, for the first time in Iran, using similarity weighted instance ndash;based learning (SimWeight) approach, forest cover changes modeling was performed, and for validation, statistics of relative operating characteristic (ROC), ratio of hits/false alarms and figure of merit was applied. Finally, using voluntary carbon standard (VCS) methodology CO2 emissions for the 30 next years (until 2044) was calculated. The results showed that forest cover decreased about 4008 hectares and 3635 hectares during 19842000 and 20002014. The validation results indicated that ROC equal to 0.95, the figure of merit equal to 26 percent and the ratio of hit/false alarms equal to 82 percent reflects high accuracy of the model. Eventually, REDD project's implementation results designated that under the baseline scenario about 705336 tCO2e will release into the atmosphere over the 30 next years that REDD project can prevent the release of 491697.91 tCO2e. With respect to increasing deforestation in Hyrcanian forests and their important role in the mitigation of climate change, using the methodology offered can be estimated and predicted land cover changes and the impact of REDD projects on reducing GHGS emissions, and the REDD results can be used to complete the Project Design Document (PDD) of Clean Development Mechanism (CDM) in the country