پیوندهای مفید
آمار
| تعداد نشریات | 15 |
| تعداد شماره‌ها | 246 |
| تعداد مقالات | 2,509 |
| تعداد مشاهده مقاله | 4,499,806 |
| تعداد دریافت فایل اصل مقاله | 3,316,666 |
تحلیل و پیش‌بینی روند احیای پوشش گیاهی پس از آتش‌سوزی با استفاده از داده‌های چند سنجنده‌ای و الگوریتم‌های یادگیری ماشین | ||
| پژوهش های سنجش از دور و اطلاعات مکانی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 28 مهر 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22061/jrsgr.2026.113280.1133 | ||
| نویسندگان | ||
| امیر شاهرخ امینی* ؛ جواد مهجوریان نماری | ||
| گروه مهندسی نقشه برداری، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران | ||
| تاریخ دریافت: 21 اردیبهشت 1405، تاریخ بازنگری: 26 مرداد 1405، تاریخ پذیرش: 28 مهر 1405 | ||
| چکیده | ||
| پیشینه و اهداف: آتش‌سوزی‌های جنگلی یکی از مهم‌ترین عوامل تخریب اکوسیستم‌های طبیعی به شمار می‌روند و هرساله موجب از بین رفتن بخش وسیعی از پوشش گیاهی، کاهش تنوع زیستی، تخریب زیستگاه‌ها و تغییر در چرخه‌های اکولوژیکی می‌شوند. ازاین‌رو، پایش روند بازیابی پوشش گیاهی پس از وقوع آتش‌سوزی و ارزیابی سرعت بازگشت اکوسیستم به شرایط پیش از حریق، از موضوعات مهم در مدیریت منابع طبیعی، حفاظت محیط‌زیست و برنامه‌ریزی اقدامات احیایی محسوب می‌شود. توسعه فناوری‌های سنجش‌ازدور و دسترسی به داده‌های ماهواره‌ای سری زمانی، امکان پایش بلندمدت تغییرات پوشش گیاهی را فراهم کرده است. همچنین، استفاده از روش‌های یادگیری ماشین به دلیل توانایی بالا در مدل‌سازی روابط غیرخطی میان متغیرهای محیطی، به ابزاری کارآمد برای پیش‌بینی تغییرات پوشش گیاهی تبدیل‌شده است. هدف این پژوهش، بررسی روند بازیابی پوشش گیاهی پس از آتش‌سوزی و ارزیابی عملکرد مدل‌های یادگیری ماشین در دو منطقه آتش‌سوزی باستروپ و زاکا است. روش‌ها: در این پژوهش، سری زمانی شاخص‌های طیفی مختلف NDVI، SAVI، SAVI2، NBR، EVI،EVI2 وNDWI در بازه زمانی 2000 تا 2022 استخراج و روند تغییرات آن‌ها پس از وقوع آتش‌سوزی بررسی شد. پس از انجام مراحل پیش‌پردازش شامل حذف داده‌های ناقص، انتخاب ویژگی‌ها و نرمال‌سازی داده‌ها انجام شد. سپس سه الگوریتم یادگیری ماشین شامل Random Forest (RF)، Support Vector Regression (SVR) و Extreme Gradient Boosting (XGBoost) با استفاده از تقسیم‌بندی زمانی داده‌ها به مجموعه‌های آموزش (70 درصد) و آزمون (30 درصد) برای پیش‌بینی NDVI آموزش داده شدند. سپس عملکرد مدل‌ها ارزیابی‌شده و اهمیت ویژگی‌های ورودی با استفاده از روش اهمیت ویژگی و اهمیت جایگشتی بررسی شد. در ادامه روند بازیابی پوشش گیاهی و نرخ بازیابی سبزینگی مورد ارزیابی قرار گرفت. یافته‌ها: نتایج نشان داد که وقوع آتش‌سوزی در هر دو منطقه باعث کاهش شدید شاخص‌های سبزینگی شده و بیانگر تخریب گسترده پوشش گیاهی است. اگرچه روند بازیابی پوشش گیاهی در سال‌های پس از آتش‌سوزی آغاز شد، اما تا پایان سال 2022 هیچ‌یک از دو منطقه به سطح پیش از آتش‌سوزی بازنگشت. نتایج ارزیابی مدل‌ها نشان داد که هر سه الگوریتم از دقت بالایی برخوردار بودند، اما مدل SVR در داده‌های آزمون بهترین عملکرد را ارائه داد و بالاترین مقدار R² و کمترین مقدار RMSE را به خود اختصاص داد. علاوه بر این، بررسی نرخ بازیابی پوشش گیاهی نشان داد که منطقه باستروپ با نرخ بازیابی 0.0128 نسبت به منطقه زاکا با نرخ 0.0092 روند احیای سریع‌تری داشته است که می‌تواند ناشی از تفاوت در شرایط اقلیمی، ویژگی‌های پوشش گیاهی و شدت آتش‌سوزی باشد. نتیجه‌گیری: نتایج این پژوهش نشان می‌دهد که تلفیق داده‌های سنجش‌ازدور و مدل‌های یادگیری ماشین، رویکردی دقیق و کارآمد برای پایش و پیش‌بینی روند بازیابی پوشش گیاهی پس از آتش‌سوزی فراهم می‌کند. یافته‌های این پژوهش می‌تواند در ارزیابی اثرات بلندمدت آتش‌سوزی، پایش سلامت اکوسیستم‌های جنگلی، برنامه‌ریزی عملیات احیای پوشش گیاهی و توسعه سامانه‌های هوشمند مدیریت منابع طبیعی مورداستفاده قرار گیرد و زمینه را برای بهره‌گیری گسترده‌تر از روش‌های یادگیری ماشین در مطالعات سنجش‌ازدور و پایش محیط‌زیست فراهم سازد. | ||
| کلیدواژه‌ها | ||
| آتش‌سوزی جنگل؛ بازیابی پوشش گیاهی؛ یادگیری ماشین؛ سنجش‌ازدور | ||
| عنوان مقاله [English] | ||
| Analyzing and predicting the process of vegetation regeneration post fire using multi-sensor data and machine learning algorithms | ||
| نویسندگان [English] | ||
| A. Sh. Amini؛ J. Mahjoorian Namari | ||
| Department of Surveying Engineering, South Tehran Branch, Islamic Azad University, Tehran, Iran | ||
| چکیده [English] | ||
| Background and Objectives: Forest fires are one of the most important factors in the destruction of natural ecosystems and cause the loss of a large part of vegetation cover, biodiversity loss, habitat destruction, and changes in ecological cycles every year. Therefore, monitoring the process of vegetation recovery after a fire and assessing the speed of ecosystem return to pre-fire conditions are important issues in natural resource management, environmental protection, and planning restoration measures. The development of remote sensing technologies and access to time-series satellite data have enabled long-term monitoring of vegetation changes. Also, the use of machine learning methods has become an efficient tool for predicting vegetation changes due to its high ability to model nonlinear relationships between environmental variables. The purpose of this study is to investigate the process of vegetation recovery after a fire and evaluate the performance of machine learning models in the Bastrop and Zaka fire areas. Methods: In this study, time series data of various spectral indices, including NDVI, SAVI, SAVI2, NBR, EVI, EVI2, and NDWI, were extracted for the period from 2000 to 2022, and their temporal variations after wildfire events were investigated. After preprocessing steps, including the removal of incomplete data, feature selection, and data normalization, three machine learning algorithms, including Random Forest (RF), Support Vector Regression (SVR), and Extreme Gradient Boosting (XGBoost), were trained to predict NDVI using a chronological data partitioning approach, with 70% of the data used for training and 30% for testing. The performance of the models was then evaluated, and the importance of input features was analyzed using feature importance and permutation importance methods. Finally, the vegetation recovery process and the vegetation greenness recovery rate were assessed. Findings: The results showed that the occurrence of fires in both regions caused a sharp decrease in greening indices, indicating extensive destruction of vegetation. Although the vegetation recovery process began in the years after the fires, neither region returned to the pre-fire level by the end of 2022. The results of the model evaluation showed that all three algorithms had high accuracy, but the SVR model performed best in the test data, with the highest R² value and the lowest RMSE value. In addition, the vegetation recovery rate showed that the Bastrop region had a faster recovery process with a recovery rate of 0.0128 compared to the Zaka region with a rate of 0.0092, which could be due to differences in climatic conditions, vegetation characteristics, and fire severity. Conclusion: The results of this study show that the integration of remote sensing data and machine learning models provides an accurate and efficient approach for monitoring and predicting the process of vegetation recovery after fire. The findings of this study can be used in assessing the long-term effects of fire, monitoring the health of forest ecosystems, planning vegetation restoration operations, and developing intelligent natural resource management systems, and pave the way for a wider use of machine learning methods in remote sensing studies and environmental monitoring. | ||
| کلیدواژه‌ها [English] | ||
| Wildfire, Vegetation Recovery, Machine Learning, Remote Sensing | ||
| مراجع | ||
|
[1] Sitanggang, I.S., N.M. Razali Yaakob, and A. Ainuddin, Based on Physical, Socio-Economic, and Peatlands Data. Discovering New Roads to Development, 2020. 19. [2] Salamati, H., et al. Evaluation and provision of forest fire risk map using GIS in Golestan forests. in Proceeding of the First International Conference on Fire in Natural Resources, Gorgan, Iran. 2011. [3] Eva, H. and E.F. Lambin, Fires and land‐cover change in the tropics: a remote sensing analysis at the landscape scale. Journal of Biogeography, 2000. 27(3): p. 765–776. https://doi.org/10.1046/j.1365-2699.2000.00441.x [4] Matricardi, E.A., et al., Assessment of tropical forest degradation by selective logging and fire using Landsat imagery. Remote Sensing of Environment, 2010. 114(5): p. 1117–1129. https://doi.org/10.1016/j.rse.2010.01.001 [5] Mölders, N. and G. Kramm, Influence of wildfire induced land-cover changes on clouds and precipitation in Interior Alaska—A case study. Atmospheric Research, 2007. 84(2): p. 142–168. https://doi.org/10.1016/j.atmosres.2006.06.004 [6] Amiro, B., J. MacPherson, and R. Desjardins, BOREAS flight measurements of forest-fire effects on carbon dioxide and energy fluxes. Agricultural and Forest Meteorology, 1999. 96(4): p. 199–208. https://doi.org/10.1016/S0168-1923(99)00050-7 [7] Palacios-Orueta, A., et al., Biomass burning emissions: a review of models using remote-sensing data. Environmental monitoring and assessment, 2005. 104(1-3): p. 189–209. https://doi.org/10.1007/s10661-005-1611-y https://doi.org/10.1007/s11027-005-9020-7 [9] Lentile, L.B., et al., Remote sensing techniques to assess active fire characteristics and post-fire effects. International Journal of Wildland Fire, 2006. 15(3): p. 319–345. https://doi.org/10.1071/WF05097 https://doi.org/10.1071/WF08007 [11] Veraverbeke, S., et al., The temporal dimension of differenced Normalized Burn Ratio (dNBR) fire/burn severity studies: The case of the large 2007 Peloponnese wildfires in Greece. Remote Sensing of Environment, 2010. 114(11): p. 2548–2563. https://doi.org/10.1016/j.rse.2010.05.029 [12] Seidl, R., et al., Modelling natural disturbances in forest ecosystems: a review. Ecological modelling, 2011. 222(4): p. 903–924. https://doi.org/10.1016/j.ecolmodel.2010.09.040 [13] Leon, J.R.R., W.J. Van Leeuwen, and G.M. Casady, Using MODIS-NDVI for the modeling of post-wildfire vegetation response as a function of environmental conditions and pre-fire restoration treatments. Remote sensing, 2012. 4(3): p. 598–621. https://doi.org/10.3390/rs4030598 [14] Hadi, D.P., A RS/GIS–Based Multi-Criteria Approaches to Assess Forest Fire Hazard in Indonesia. 2008, Citeseer. [15] Vasilakos, C., et al., Neural-network time-series analysis of MODIS EVI for post-fire vegetation regrowth. ISPRS International Journal of Geo-Information, 2018. 7(11): p. 420. https://doi.org/10.3390/ijgi7110420 https://doi.org/10.3390/app11062570 [17] Bao, S.G., et al., Revealing post-megafire spectral and compositional recovery in the Siberian boreal forest using Landsat time series and regression-based unmixing approach. Remote Sensing of Environment, 2024. 311: p. 114307. https://doi.org/10.1016/j.rse.2024.114307 [18] Avetisyan, D., N. Stankova, and Z. Dimitrov, Assessment of spectral vegetation indices performance for post-fire monitoring of different forest environments. Fire, 2023. 6(8): p. 290. https://doi.org/10.3390/fire6080290 [19] Gibson, R.K., et al., Remotely sensed fire heterogeneity and biomass recovery predicts empirical biodiversity responses. Global Ecology and Biogeography, 2025. 34(4): p. e70040. https://doi.org/10.1111/geb.70040 https://doi.org/10.1016/j.jag.2025.104783 | ||
|
آمار تعداد مشاهده مقاله: 65 |
||