Journal of Geomatics Science and Technology

fa به‌کارگیری الگوریتم‌های یادگیری ماشین، تصاویر لندست 8 و سنتینل 2 برای برآورد تراکم تاج‌پوشش جنگل‌های زاگرس Using machine learning algorithms, Landsat 8 and Sentinel 2 satellite imagery for estimating forest canopy density of Zagros Forests سامانه های اطلاعات مکانی GIS پژوهشي Research <div style="text-align: justify;">تاج‌پوشش به‌عنوان یک متغیر اساسی و حیاتی در ارتباط با ارزیابی، پایش و مدیریت جنگل‌های زاگرس اهمیت بسیار زیادی دارد. به دلیل اینکه تاج‌پوشش جنگل می‌تواند تغییرات مختلفی را نشان دهد، مدیران جنگل و نهادهای مرتبط همواره به دنبال به‌روزرسانی دقیق نقشه‌ها و اطلاعات مربوط به این متغیر برای مدیریت بهتر جنگل‌ها هستند. استفاده از تصاویر ماهواره‌ای و مدل‌های یادگیری ماشین کمک می‌کند که درک بهتری از اکوسیستم‌های جنگلی کسب شود. این درک باعث می‌شود که بتوان راهکارهای بهتری برای حفظ طبیعت و جلوگیری از هدر رفت منابع طبیعی پیدا کرد. در این مطالعه، از داده‌های تصویری به دست آمده از ماهواره‌های سنتینل 2 و لندست 8 بهره برده شده و با استفاده از مدل‌های یادگیری ماشین، اطلاعات مربوط به تاج‌پوشش جنگل‌های زاگرس مدل‌سازی شد. مدل‌های یادگیری ماشین شامل پنج الگوریتم جنگل تصادفی (RF)، نزدیک‌ترین همسایه (KNN)، ماشین بردار پشتیبان رگرسیون (SVR)، رگرسیون اسپلاین تطبیقی چندمتغیره (MARS) و شبکه‌های عصبی مصنوعی (ANN) بود. برای ارزیابی مدل‌های استفاده شده، 2631 قطعه نمونه 400 متری در 27 منطقه جنگلی در زاگرس انتخاب و درصد تاج‌پوشش محاسبه شد. مدل‌سازی به تفکیک زاگرس شمالی، میانی، جنوبی و کل انجام و پارامترهای ارزیابی مدل برای مقایسه مدل ها و ماهواره ها محاسبه شد. نتایج نشان داد با استفاده از تصاویر لندست 8، روش‌های MARS، RF و ANN به ترتیب با ضریب تبیین تعدیل شده 7/63، 7/62 و 7/61 و با استفاده از تصاویر سنتینل 2 بهترین روش‌های یادگیری ماشین با ضریب تبیین تعدیل شده 7/73، 7/72 و 7/71 به ترتیب MARS، SVR و RF بود. در مقایسه نتایج استفاده از تصاویر لندست 8 و سنتینل 2 نیز بهترین نتایج سنتینل 2 (7/73) بهتر از بهترین نتایج لندست 8 (7/63) بود. مدلسازی تاج پوشش در کل زاگرس اما نشان داد از بین روش‌های مورد استفاده، الگوریتم جنگل تصادفی (7/73 درصد) نتایج بهتری نسبت به سایر روش‌ها دارد. همچنین نتایج به دست آمده نشان می‌دهد که استفاده از تصاویر سنتینل 2 نسبت به تصاویر ماهواره لندست 8 کارایی بیشتری در برآورد سطح تاج‌پوشش داشته و ضریب تبیین حدود 7٪ بیشتری را نشان داده است. </div> <div style="text-align: justify;">The significance of canopy cover as a crucial variable in assessing, monitoring, and managing the Zagros forests cannot be overstated. Since canopy cover reflects various ecological changes, forest managers and related institutions require accurate and up-to-date maps and data to enhance forest management efforts. The integration of satellite imagery and machine learning models has significantly improved our understanding of forest ecosystems, enabling the development of effective conservation strategies and the prevention of resource depletion. This study utilized imagery from the Sentinel-2 and Landsat 8 satellites, employing machine learning models to analyze canopy cover in the Zagros forests. Five algorithms were tested: Random Forest (RF), K-Nearest Neighbors (KNN), Support Vector Machine (SVR), Multivariate Adaptive Regression Splines (MARS), and Artificial Neural Networks (ANN). To evaluate these models, 2,631 plots (each 400 meters in size) across 27 forest areas were selected, and canopy cover percentages were calculated. The results showed that using Landsat 8 imagery, the most effective models were MARS (63.7%), RF (62.7%), and ANN (61.7%), based on adjusted coefficient of determination values. With Sentinel-2 imagery, the best-performing models were MARS (73.7%), SVR (72.7%), and RF (71.7%). Comparatively, Sentinel-2 produced superior results, with its highest accuracy (73.7%) exceeding the best result from Landsat 8 (63.7%). Overall, canopy cover modeling across the Zagros forests indicated that the Random Forest algorithm (73.7%) outperformed other methods. Additionally, Sentinel-2 imagery proved more efficient than Landsat 8, demonstrating approximately 7% higher accuracy in estimating canopy cover. The ability to analyze and map canopy cover using satellite imagery and advanced machine learning models provides forest managers with cost-effective and reliable tools for making informed decisions regarding conservation and sustainable forest management.</div> پایش جنگل, شاخص‌های گیاهی, جنگل تصادفی, تاج‌پوشش Forest monitoring, plant indices, random forest, canopy cover 27 36 http://jgst.issgeac.ir/browse.php?a_code=A-10-606-6&slc_lang=fa&sid=1 Ahmad Abbasiwand احمد عباسی‌وند abbasiwand@gmail.com 100319475328460010911 100319475328460010911 No Tarbiat Modares University دانشگاه تربیت مدرس Hormoz Sohrabi هرمز سهرابی hsohrabi@modares.ac.ir 100319475328460010912 100319475328460010912 Yes Tarbiat Modares University دانشگاه تربیت مدرس Mojdeh Miraki مژده میرکی mojde.miraki@gmail.com 100319475328460010913 100319475328460010913 No Tarbiat Modares University دانشگاه تربیت مدرس