بررسی تغییرات پوشش جنگل و مرتع زیست‌بوم ارسباران طی 34 سال با کاربرد تکنیک سنجش از دور

برآورد میزان تغییرات به وقوع پیوسته در پوشش جنگل ها و مراتع منجر به ایجاد درکی روشن از رشد یا زوال این عرصه های طبیعی و برنامه‌ریزی برای حفاظت موثر از این سرمایه‌های ملی می‌شود. پژوهش حاضر باهدف آشکارسازی روند تغییرات پوشش جنگل و مرتع در منطقه حفاظت‌شده دیزمار ارسباران در یک بازه زمانی 34 ساله با استفاده از تصویر سنجنده mss ماهواره لندست5 سال 1364، تصویر سنجنده etm+ ماهواره لندست7 سال 1379 و تصویر سنجنده oli ماهواره لندست8 مربوط به سال‌های 1394 و 1398 به انجام رسید. به این منظور، طبقه بندی تصاویر به‌صورت نظارت‌شده با الگوریتم‌های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و الگوریتم حداکثر احتمال در مورد سه کلاسه جنگل، مرتع و سایر کاربری ها (هر نوع کاربری به‌جز جنگل و مرتع) به انجام رسید. نتایج نشان داد که روش ماشین بردار پشتیبان با دقت کلی بالاتر نسبت به روش های حداکثر احتمال و شبکه عصبی مصنوعی از کارایی بالاتری در طبقه بندی طبقات پوشش جنگل و مرتع در منطقه مورد مطالعه برخوردار است. برآوردها نشان داد که طی 34 سال، طبقه جنگل به میزان 135.53 کیلومترمربع کاهش و طبقات مرتع و طبقه سایر کاربری‌ها با 103.19 و 32.34 کیلومترمربع افزایش سطح مواجه شده اند. همچنین بیشترین نوع تغییر کاربری طی سال های 1364 تا 1398 با 64.15 کیلومترمربع مربوط به تبدیل پوشش جنگل بود. نتایج مطالعه حاضر به‌وضوح نشان‌دهنده تعرض به اراضی جنگلی منطقه است که نیاز به اجرای عملیات فنی احیای جنگل در این ناحیه رویشی را روشن می‌سازد.

Investigation of the Forest and Pasture Cover Changes in Arasbaran Ecosystem during 34 years, Using Remote Sensing Technique

Estimating the extent of changes in forest and rangelands land cover leads to a clear understanding of the growth or decline of these natural areas and planning for effective protection of these national assets. The aim of current study was to reveal the trend of landuse changes in the Dizmar protected area of Arasbaran vegetative area, using MSS sensor of Landsat5 for 1984, ETM+ sensor of Landsat7 for 2000 and OLI sensors of Landsat7 for 2015 and 2019. For this purpose, the images were classified and supervised with artificial neural network algorithms, support vector machine and maximum probability algorithm for three classes of forest, rangeland and other uses (any other land use except forest and rangeland). The results showed that the support vector machine method with higher overall accuracy than the maximum probability methods and artificial neural network has a higher efficiency in classifying forest and rangeland cover classes in the study area. Estimates showed that during 34 years, the forest cover has decreased by 135.53 square kilometers and the rangeland and other land use cover have increased by 103.19 and 32.34 square kilometers. Also, the most type of land use change during the years 1364 to 2019 with 64.15 square kilometers was related to the conversion of forest cover. The results of the present study clearly indicate the encroachment on the forest lands of the region. This in turn highlights the need for technical rehabilitation operations in this vegetation area.