مدل‌سازی تغییرات پوشش جنگل برای شناسایی مناطق مطلوب برای اجرای پروژه‌های ‏redd+‎‏ (بررسی موردی: شهرستان لردگان)‏

در چندین دهه اخیر، کاهش چشمگیری در پوشش جنگل‌های زاگرس رخ داده است. در همین رابطه، در این پژوهش، بررسی تغییرات پوشش جنگل شهرستان لردگان واقع در استان چهارمحال و بختیاری با استفاده از نقشه‌های پوشش جنگل تولید شده از سری ماهواره‌های لندست 5 و 8 متعلق به سال‌های 1377، 1387 و 1397 انجام شد. سپس مدل‌سازی پتانسیل انتقال پوشش جنگل به مناطق غیر جنگل با استفاده از دو مدل شبکه عصبی مصنوعی و رگرسیون لجستیک انجام شد و برای اعتبارسنجی از آماره‌های مشخصه عملکرد نسبی و عدد شایستگی استفاده شد. در آخر با استفاده از هم پوشانی نقشه‌های احتمال جنگل‌زدایی و منابع کربن، مناطق مطلوب برای پروژه‌های redd+ شناسایی شدند. نتایج آشکارسازی تغییرات نشان داد که طی سال‌های 13871377 و 13971387 به‌ترتیب 17256 و 20553 هکتار از پوشش جنگل تخریب شد. نتایج اعتبارسنجی نشان داد که مدل رگرسیون لجستیک با مقدار مشخصه عملکرد نسبی برابر 95/0 و عدد شایستگی 01/19 درصد عملکرد بهتری از شبکه عصبی مصنوعی داشت. همچنین، براساس نقشه هم پوشانی منابع کربن و احتمال جنگل‌زدایی، مناطقی با احتمال جنگل‌زدایی زیاد و مقدار کربن بالاتر از 70 تن در هکتار برای redd+ پیشنهاد شدند. یافته‌های این پژوهش نشان می‌دهد که با استفاده از روش‌شناسی ارائه شده، می‌توان به شناسایی مناطق در معرض جنگل‌زدایی پرداخت و از انتشار گازهای گلخانه‌ای به اتمسفر جلوگیری کرد.

Modelling of forest cover change to identify suitable areas for REDD+ projects‏ ‏‎(case ‎study: Lordegan county)‎

In recent decades, there has been a significant reduction in the Zagros forest. In this regard, in the present study, the forest cover changes of Lordegan county located in Chaharmahal Bakhtiari province were examined using forest cover maps produced by Landsat 5 and 8 satellites belonging to 1988, 2008 and 2018. Then, transition potential modeling from forest to nonforest was performed using two models of artificial neural network and logistic regression, and for validation the ROC and figure of merit were applied. Finally, using overlapping the maps of deforestation probability and carbon resources, the suitable areas for REDD+ projects were identified. The results of change detection showed that during 19882008 and 20082018, 17,256 ha and 20,553 ha of forest cover were degraded, respectively. The validation results showed that the logistic regression gained the ROC equal to 0.95 and the figure of merit equal to 19.01%, and had a better performance than the artificial neural network. Also, based on overlap map of carbon resources and deforestation probability, areas with high deforestation probability and carbon content above 70 tons per hectare were proposed for REDD+. The findings of this study show that using the presented methodology can be identified the areas with deforestation and can be prevented the release of greenhouse gas into the atmosphere‎.