برآورد تغییرات سطح جنگل‌های هیرکانی جنوب دریای کاسپین با ترکیب داده‌های سنجش‌ازدور و روش‌های یادگیری ماشین

جنگل‌های هیرکانی به دلیل قدمت چند میلیون ساله و تنوع زیستی غنی، در مناطق شمالی ایران و سواحل جنوبی دریای خزر از اهمیت زیست‌محیطی، اقتصادی و فرهنگی برخوردارند و نقش مهمی در حفظ منابع آب، خاک، تنوع گیاهی و جانوری، و تعدیل تغییرات اقلیمی ایفا می‌کنند. بررسی تغییرات پوشش جنگلی این جنگل‌ها برای مدیریت پایدار منابع طبیعی ضروری است. در این پژوهش، برای تحلیل دقیق تغییرات جنگل‌های هیرکانی بین سال‌های 1379 تا 1396، از داده‌های متنوع سنجش‌ازدور شامل شاخص تفاضل پوشش گیاهی نرمال‌شده (ndvi)، داده‌های پوشش گیاهی مادیس با عنوان (vcf)، و تصاویر ماهواره‌های سنتینل یک، لندست های پنج و هشت استفاده شد. برای طبقه‌بندی، از روش‌های ماشین بردار پشتیبان (svm) و جنگل تصادفی (rf) بهره گرفته شد. نتایج نشان داد که در بازه زمانی 17 ساله حدود 534 کیلومترمربع از مساحت جنگل‌های هیرکانی تخریب شده است. همچنین دقت کاربر برای  svm، 93/26 و برای rf، 89/29 درصد بود. ضریب کاپا نیز برای svm ،  94/62 و برای  rf، 74/63 درصد به دست آمد که حاکی از دقت بالای نتایج به‌دست‌آمده است. مقایسه نتایج میزان تغییرات پوشش جنگل و دقت به‌دست‌آمده حاصل از طبقه‌بندی با الگوریتم‌ها نشان داد که نتایج با تقریب خوبی با داده‌های جهانی تغییر پوشش جنگل هانسن مطابق دارد. رویکرد بکار رفته در این تحقیق و نتایج آن می‌تواند در مدیریت و برنامه‌ریزی حفاظت از جنگل‌ها و مدیریت منابع طبیعی به‌کار گرفته شود و به بهره‌برداری پایدار از جنگل‌های هیرکانی کمک شایانی کند.

using remote sensing data and machine learning methods to estimate changes in hyrcanian forests along the southern coasts of the caspian sea

the hyrcanian forests, located along the southern coastal areas of the caspian sea in northern iran, are of great environmental, economic, and cultural significance. they play crucial roles not only in preserving water resources, soil, plant, and animal diversity but in mitigating adverse impacts of climate change as well. the present study investigated changes in the hyrcanian forest cover between 2000 and 2017 using the diverse remote sensing data of normalized difference vegetation index (ndvi), and modis vegetation continuous fields (vcf) as well as sentinel 1, landsat 5, and landsat 8 satellite images while the support vector machine (svm) and random forest (rf) methods were employed for classification. the results revealed that approximately 534 square kilometers of the forests had experienced degradation. moreover, classification accuracy levels were impressive as evidenced by a user accuracy of 93.26% and a kappa coefficient of 94.62% recorded for svm and corresponding values of 89.29% 74.63% for rf. comparison with global forest change datasets confirmed the reliability of the results obtained. the research approach seems to offer promising insights useful for forest conservation management, natural resource planning, and enhanced sustainable utilization of hyrcanian forests.