1. معرفی
جنگل زدایی به معنای کاهش طولانی مدت درختان به دلیل فعالیت های طبیعی یا انسانی است [ 1 ]. در سرتاسر جهان در نتیجه فرآیندهای پیچیده اجتماعی-اقتصادی از جمله رشد جمعیت و سکونت، گسترش کشاورزی و استخراج چوب در کشورهای در حال توسعه رخ میدهد [ 2 ، 3 ]. عوامل اقتصادی، سیاسی، فناوری و فرهنگی نیز وقوع جنگل زدایی را تشدید می کند [ 1 ]. بسیاری از مشکلات شدید ناشی از جنگل زدایی است، از جمله از دست دادن تنوع زیستی، فرسایش خاک، تغییرات چرخه آب و اثرات بالقوه جهانی [ 4 ]. به دلیل جنگلزدایی، زمین با سرعت زیادی در حال تغییر است و منجر به از بین رفتن گیاهان و جانوران میشود که عملکرد اکوسیستم را مختل میکند.5 ]. یکی از پیامدهای معمول فرسایش خاک این است که درختان می توانند از طریق از دست دادن لنگر با خاک شسته شوند [ 6 ، 7 ]. رانش زمین همچنین می تواند توسط فرسایش خاک ایجاد شود. علاوه بر این، درختان آب بیشتری را از طریق ریشه خود جذب می کنند و در مواقع سیل از روان شدن رسوبات جلوگیری می کنند. پوشش گیاهی نقش مهمی در تنظیم چرخه هیدرولوژیکی ایفا می کند و به کنترل محتوای سطح آب در جو کمک می کند. با پوشش جنگلی کمتر، آب کمتری به خاک باز می گردد و نواحی داخلی می توانند مستعد خشکسالی باشند [ 8 ، 9 ]. هنگامی که جنگل های استوایی نابود می شوند، مقدار زیادی دی اکسید کربن ذخیره شده توسط پوشش گیاهی به جو آزاد می شود که گرمایش جهانی را تسریع می کند.10 ، 11 ]. پس از سوزاندن سوختهای فسیلی، جنگلزدایی دومین منبع بزرگ
انتشار کربن است [ 12 ]، که امروزه آن را به یکی از نگرانیهای جهانی تبدیل میکند. نظارت بر تغییر جنگل از طریق سنجش از دور میتواند یک روش مؤثر و عملی برای آشکار کردن نرخ جنگلزدایی، همبستگی بین مزاحمتهای انسانی و پاکسازی جنگل، و اثربخشی تنظیم مقررات برای اداره جنگل باشد [13 ] . علاوه بر این، تغییرات سریع جهانی، درک پویایی اکوسیستم زمانی [ 14 ] را ترغیب می کند، که – با استفاده از تکنیک های سنجش از راه دور – به کنترل و جلوگیری از زوال بیشتر پاکسازی جنگل کمک می کند [ 15 ، 16 ].
بیشتر بخشها در آمازون برزیل تا اوایل دهه 1970 دست نخورده باقی ماندند [ 17 ]. نرخ جنگل زدایی از سال 1991 شروع به نشان دادن روند صعودی کرد و سطح بالای جنگل زدایی سالانه در سال 2004 (27772 کیلومتر مربع ) توسط موسسه ملی تحقیقات فضایی برزیل (INPE) از طریق بررسی از سال 2000 تا 2015 ثبت شد. مزاحمت های انسانی شتاب گرفته است. فرآیند جنگل زدایی، از جمله اشغال زمین، دامداری، گسترش کشاورزی، تکه تکه شدن و غیره [ 18 ، 19 ]. براون و همکاران [ 20] یک تحلیل فضایی انجام داد و ثابت کرد که تصرف زمین در یک شهرداری تأثیر مستقیمی بر جنگل زدایی در مناطق مجاور دارد. علاوه بر این، دامداری و گسترش کشاورزی نیز محرک های مهمی برای جنگل زدایی هستند [ 21 ]. در تحقیق انجام شده توسط آلدریچ و همکاران. [ 22 ]، آنها نقش فرآیندهای اجتماعی مشاجرهآمیز و درگیریهای زمینی را در ایالت پارا بررسی کردند و در نتیجه یک مدل آماری در مقیاس منطقهای برای توصیف تغییر زمین مورد مناقشه ایجاد کردند. مولر و همکاران [ 23 ] و کابرال و همکاران. [ 24] نتیجه گرفت که بیشتر تلفات در جنگل های استوایی مداوم و در امتداد بزرگراه در آمازون برزیل بوده است. نتایج آنها نشان داد که برخی از مناطق حفاظت شده واقع در ایالت های ماتو گروسو و پارا در مقایسه با سایر مناطق، از تکه تکه شدن قابل توجهی متحمل شده اند.
تلاشهای قابلتوجهی برای تخمین و نظارت بر تغییرات جنگلهای بارانی آمازون انجام شده است، برای مثال، برنامه نظارت ماهوارهای دولت برزیل PRODES (برنامه محاسبه جنگلزدایی در آمازون) [25] و بسیاری از REDD+ منفرد (کاهش انتشارات ناشی از جنگلزدایی و تخریب جنگلها ) فرآیندهای از طریق برنامه سازمان ملل در کاهش انتشارات ناشی از جنگل زدایی و تخریب جنگل [ 26 ]. هنگامی که با پایش سری زمانی و نقشه برداری از مناطق جنگل زدایی سروکار داریم، برنامه های رصد زمین معمولاً به عنوان منابع اصلی داده استفاده می شوند [ 14 ]. روش های مختلفی بر اساس سنجش از دور برای نظارت بر پویایی جنگل در آمازون برزیل اجرا شده است. در مطالعه پانتا و همکاران. [ 27]، یک ایزو-خوشهبندی اولیه بدون نظارت محصولات Landsat برای شناسایی خوشههای فضایی، به دنبال بررسیهای میدانی برای تولید مجموعههای آموزش کاربری/پوشش برای طبقهبندیهای حداکثر احتمال متوالی، در حالی که برای طبقهبندی واقعی تاج پوشش جنگل، شبکههای عصبی مصنوعی انجام شد. استفاده شده. شیمابوکورو و همکاران [ 28 ] جنگل زدایی در ایالت ماتو گروسو، برزیل را با استفاده از تصاویر Landsat و RapidEye از طریق تجزیه و تحلیل اختلاط طیفی خطی (LSMA) ترسیم کرد، که در آن فرض می شود که هر مقدار پیکسل ترکیبی خطی از بازتاب است. یک مطالعه مشابه با استفاده از LSMA [ 28] همچنین بر اهمیت پیش پردازش داده ها و کیفیت ورودی، در حالی که از روش طبقه بندی درخت تصمیم مبتنی بر دانش استفاده می کند، تأکید کرد. روش های اعمال شده زمان بر، محاسباتی فشرده و همیشه برای مناطق بزرگ مناسب نبودند. کارایی روش های ذکر شده در بالا برای پیش پردازش، طبقه بندی و تجزیه و تحلیل مجموعه داده های عظیم مشکلاتی را در زمانی که هدف نقشه برداری یک منطقه بزرگ از طریق مشاهدات ماهواره ای چند ساله باشد، ایجاد می کند. سه چالش باید برای تولید نقشه های پوشش زمین چند زمانی در نظر گرفته شود [ 29]. با توجه به شرایط آب و هوایی متفاوت، اولین مورد به دست آوردن تصاویر مفید با حداقل پوشش ابری است. مورد دوم ایجاد بستر مناسب برای پردازش سریعتر تصویر است. سومین مورد، برآوردن سطح مشخصی از دقت برای طبقه بندی تصویر است. به دلیل محدودیت در ذخیره سازی داده ها و سرعت محاسبات، برای ابزارهای معمولی سخت است که تمام الزامات را برآورده کنند. علاوه بر این، دسترسی به محصولات ماهواره ای مناسب برای تجزیه و تحلیل سری های زمانی می تواند یک مسئله مهم باشد.
در کار ارائه شده Random Forest (RF) – یک الگوریتم پیشرفته یادگیری ماشین – بر روی Google Earth Engine (GEE)، یک سرویس محاسبات ابری، برای ارزیابی نزدیک به 20 سال تکامل جنگل، از طریق تصاویر چند طیفی فضایی پیادهسازی شد. . Random Forest قبلاً کاربرد خود را به عنوان یک تکنیک طبقه بندی قابل اعتماد و دقیق ثابت کرده بود [ 30 ، 31 ، 32 ، 33 ]، در حالی که GEE در سال های اخیر به عنوان یک پلت فرم ارزشمند که در آن محققان از حوزه های مختلف می توانند مدل های خود را به کار گیرند [ 34 ، 35 ، 36] ظاهر شده است.]. علاوه بر این، GEE به کاتالوگ دادهها با محصولات مختلف جهانی و همچنین به آخرین مشاهدات ماهوارهای از ناسا Landsat و ماموریتهای Sentinels آژانس فضایی اروپا (ESA) دسترسی میدهد. به جز توزیعهای تقریباً همزمان دادهها، کاربران میتوانند به تصاویر در یک چارچوب زمانی گسترده دسترسی داشته باشند که به آنها امکان میدهد مناسبترین موارد را برای تحلیلهای زمانی انتخاب کنند. به عنوان یک نتیجه از اجرای الگوریتم جنگل تصادفی و GEE، این سه چالش، که قبلاً در ادبیات ذکر شده بود، با موفقیت غلبه کرده اند-GEE با فهرست داده های گسترده و قدرت محاسباتی خود، زمان تعیین داده های مناسب و واقعی را کاهش می دهد. زمان پردازش، در حالی که Random Forest طبقه بندی تصویر با کیفیت بالا و قابل اعتماد را تضمین می کند.
به عنوان مطالعه موردی، منطقه ای در آمازون برزیل، در ایالت پارا، انتخاب شد و پویایی جنگل از سال 2000 تا 2019 در مراحل پنج ساله ارزیابی شد. با کمک پردازش ابری، به راحتی میتوان مناسبترین محصولات ماهوارهای بدون ابر را تعیین کرد و طبقهبندی پوشش زمین مورد نیاز را پیادهسازی کرد که امکان کمی کردن فرآیندهای زیان و سود را فراهم کرد. حتی اگر اعتبار مدل داخلی انجام شد، خروجی های طبقه بندی به دست آمده با استفاده از تصاویر ماهواره ای با وضوح بالا از طریق یک نرم افزار منبع باز نقشه برداری -Collect Earth تایید شد. علاوه بر تحلیلهای زمانی، یک شبیهسازی جنگلزدایی در آینده بر اساس روندهای گذشته از طریق ابزار ارزیابی تغییر کاربری اراضی (MOLUSCE) انجام شد.
بقیه مقاله به شرح زیر سازماندهی شده است: در بخش 2 ، مواد و روش مورد استفاده برای تولید نقشه های پوشش زمین ارائه شده است. سپس نتایج، از جمله ارزیابیهای دقت، نقشههای پوشش زمین و شبیهسازی جنگلزدایی در آینده در بخش 3 نمایش داده میشود . پس از آن، تمام نتایج تجربی با ارجاع به تحقیقات قبلی و مقررات مربوطه در بخش 4 مورد بحث قرار خواهد گرفت . در پایان، چارچوب، نتایج و نکات برجسته مطالعه در بخش 5 ارائه شده است .
2. مواد و روشها
2.1. منطقه مطالعه
آمازون برزیل یکی از مناطقی است که بیشترین آسیب را از فعالیت های جنگل زدایی در جهان دارد. به این ترتیب، منطقه مورد علاقه (AOI) در ایالت پارا جنوبی، برزیل تعریف شد. به طور خاص، منطقه ای انتخاب شد که بین Araweté Igarapé Ipixuna و قلمرو بومی Kayapó قرار دارد ( شکل 1 را ببینید )، که مساحت 48838 کیلومتر مربع را پوشش می دهد . تصمیم نهایی برای انجام تحقیق در این منطقه توسط تنوع مشهود جنگل بارانی که در ادبیات دانشگاهی برجسته شده است حمایت شد [ 37 , 38]. منطقه نزدیک به São Félix do Xingu، شهر اصلی AOI، به عنوان یک نقطه داغ جنگل زدایی به نظر می رسد زیرا از گسترش مراتع، دامداری، جاده سازی، اشغال زمین و توسعه کشاورزی رنج برده است [39 ، 40 ، 41 ] . بر اساس داده های جمع آوری شده توسط INPE [ 42 ]، در سال های اخیر، بالاترین سطح جنگل زدایی انباشته در ایالت پارا (152475 کیلومتر مربع ) ، ماتو گروسو (146،159 کیلومتر مربع )، رودونیا (61،677 کیلومتر مربع ) و آمازوناس (26،972 کیلومتر مربع) رخ داده است. کیلومتر 2). در میان این مناطق، به دلیل جنگل زدایی و گسترش، به نظر می رسد ایالت پارا برای اهداف تحقیقاتی ما مناسب ترین است. بنابراین، تغییر جنگل در AOI برای دوره 2000-2019 مدلسازی شد و تکامل احتمالی جنگل برای سالهای پس از آن شبیهسازی شد.
2.2. داده های مورد استفاده
برای انجام چنین تجزیه و تحلیل چند زمانی گسترده، مقدار زیادی از داده های مکانی و زمانی مورد نیاز بود. برای نقشهبرداری تغییرات پوشش زمین، دادههای ماهوارهای چندطیفی بسیار ارزشمند هستند، به ویژه زمانی که با تفکیکپذیریهای مکانی و زمانی متوسط به بالا همراه شوند. یکی دیگر از جنبه های مهم این است که ماموریت های رصد زمین نسبتاً جدید مجموعه داده های باز و رایگان را ارائه می دهند، مانند Landsat ناسا و Sentinel های ESA. به طور طبیعی، محصولات حاصل از آن مأموریت ها ابتدا برای در دسترس بودن و مناسب بودن برای کار فعلی مورد بهره برداری قرار گرفتند. با توجه به بازه زمانی از پیش تعریف شده برای نظارت بر تغییر پوشش جنگلی، داده های Sentinel-2 (عملیاتی از 06/2015) فقط برای آخرین دوره تحلیل شده (2019) قابل استفاده است. لندست ماموریت های گذشته بیشتری دارد که در نهایت توانستند مجموعه داده های مناسبی را ارائه دهند ( جدول 1 را ببینید). لندست 5، 7 و 8 دارای چرخه 16 روزه در استوا و Sentinel-2 A/B دارای زمان بازبینی 5 روزه در استوا هستند. دادههای چند طیفی جمعآوریشده از Landsat و Sentinel برای اعمال الگوریتم طبقهبندی پوشش زمین و برای تعیین تغییر جنگل استفاده شد. در حالی که
Landsat و Sentinel وضوح فضایی کافی را برای مشکلات طبقه بندی ارائه می دهند، وضوح بالاتری برای
اعتبارسنجی نتایج مورد نیاز بود. برای این منظور، از دادههای پانکروماتیک با وضوح بالا ماهواره منابع زمینی چین– برزیل (CBERS) برای سالهای 2010، 2015 و 2019 استفاده شد، در حالی که برای بقیه موارد امکان دستیابی به تصاویر با وضوح بالا و رایگان وجود نداشت. با پوشش ابر کم
2.3. روش طبقه بندی
در این مطالعه، طبقهبندی نظارت شده با استفاده از جنگل تصادفی [ 43 ] برای طبقهبندی پوشش اراضی باینری (جنگلی و غیرجنگلی) استفاده شده است. این روش به طور گسترده در ادبیات دانشگاهی مورد بحث قرار گرفته است و به عنوان یک روش مناسب برای کاربرد به عنوان استراتژی طبقه بندی پوشش زمین با استفاده از داده های ماهواره ای با وضوح متوسط و بالا ثابت شده است [32 ، 44 ، 45 ] . رویکرد نظارت شده برای برچسب گذاری پیکسل، کاربر را ملزم می کند که داده های آموزشی نماینده را برای هر یک از تعداد از پیش تعریف شده کلاس ها انتخاب کند [ 46 ]. دادههای آموزشی باید نماینده و همگن برای کلاسهایی باشد که باید مدلسازی شوند [ 47] زیرا کیفیت خروجی مستقیماً به کیفیت نمونه های آموزشی بستگی دارد. جنگل تصادفی توسط بسیاری از درختان تصمیم به طور سیستماتیک به عنوان یک مجموعه [ 48 ] ساخته شده است. هر درخت تصمیم با نمونه برداری از یک بردار تصادفی به طور مستقل از یک مجموعه آموزشی تولید می شود، سپس یک رای طبقه بندی محاسبه می شود، و در نهایت، محبوب ترین کلاس، در میان درختان، به یک مدل طبقه بندی تبدیل می شود [43 ] . بریمن [ 43] نشان میدهد که الگوریتم جنگل تصادفی در مقایسه با سایر طبقهبندیکنندههای نظارتشده چندین مزیت دارد: سطح دقت Random Forest بالا است و میتوان آن را با آنچه با Adaboost به دست آمد مقایسه کرد، و گاهی اوقات حتی بهتر است. همچنین سریعتر از کیسه کردن و تقویت است. از نظر نقاط پرت و نویز نسبتاً قدرتمند است و می تواند خطای ذاتی و اهمیت متغیر را تخمین بزند.
کل فرآیند طبقه بندی جنگل تصادفی به طور کامل در GEE مستقر شد – از ایجاد داده های آموزشی، طبقه بندی تصویر و ارزیابی عملکرد مدل. تعریف داده های آموزشی از طریق تفسیر بصری تصاویر ماهواره ای انجام شد که در آن نمونه گیری طبقه ای اجرا شد. تعریف هر دو طبقه پوشش زمین ساده بود زیرا این دو طبقه به راحتی قابل تشخیص هستند. در موارد معدودی که ممکن است برای کلاس واقعی شک و شبهه ایجاد شود، از شاخص تفاوت نرمال شده گیاهی برای حمایت از تصمیم نهایی استفاده شد، یا به سادگی منطقه فعلی حذف شد و نماینده بهتر دیگری انتخاب شد. مجموعه های آموزشی به طور تصادفی به دو بخش تقسیم شدند – یکی برای آموزش مدل (80٪) و دیگری برای ارزیابی عملکرد (20٪).بخش 2.5 ).
2.4. بستر پردازش
GEE به عنوان یک پلت فرم پردازش ابری مورد استفاده قرار گرفت. این پلت فرم تعداد زیادی از مجموعه
داده های ماهواره ای و قابلیت های محاسباتی در مقیاس سیاره ای را ترکیب می کند، علاوه بر این، به صورت رایگان (پس از ثبت نام) برای دانشمندان و کاربران غیرانتفاعی قابل دسترسی است. کاربران می توانند تجزیه و تحلیل جغرافیایی را اجرا کنند و تصاویر ماهواره ای یا سایر داده های مکانی را از پایگاه داده روی ابر پردازش کنند [ 29 ]. ویرایشگر کد موتور GEE بر اساس رابط برنامه نویسی برنامه کاربردی جاوا اسکریپت (API) است که می تواند برای نوشتن و اجرای اسکریپت ها برای تجزیه و تحلیل پیچیده مکانی استفاده شود [ 49 ]. GEE پایگاه داده بزرگی از داده های مکانی به دست آمده از موسسات و ماهواره های متعدد دارد که برای همه کاربران در دسترس است [ 50]]، بنابراین، نیازی به دانلود داده های عظیمی که وقت گیر و ذخیره سازی است وجود ندارد. چنین پلت فرمی استفاده از منابع محاسباتی رومیزی را برای بهره برداری و تجزیه و تحلیل مجموعه داده های چند زمانی که مناطق وسیعی را پوشش می دهند غیر عملی می کند [ 51]]. در عوض، کاربران میتوانند به دادههای عمومی دسترسی داشته باشند و مدل پردازشی خود را در فضای ابری مستقر کنند، که این تحلیلها را بسیار راحتتر میکند. با این وجود، GEE هنگام برخورد با مسائلی مانند پوشش ابری، داشتن محدوده زمانی دقیق و سایر مسائلی که میتواند در هنگام انتخاب تصاویر و پردازش آنها رخ دهد، انعطافپذیری بالایی ارائه میدهد. GEE به عنوان یک پلت فرم مبتنی بر ابر برای تجزیه و تحلیلهای جغرافیایی در مقیاس سیارهای با قابلیتهای محاسباتی عظیم، میتواند ابزار ارزشمندی برای تجزیه و تحلیل انواع مسائل اجتماعی با تأثیر بالا مانند نظارت بر تغییرات جنگل، خشکسالی، بلایای هیدروژئولوژیکی، مدیریت آب، پایش آب و هوا و تعیین اقدامات مربوط به حفاظت از محیط زیست [ 52 ].
2.5. اعتبار سنجی
برای اعتبار سنجی نقشههای طبقهبندی بهدستآمده، یک تفسیر عکس از تصاویر ماهوارهای پانکروماتیک با وضوح بالا (HiRes) با استفاده از نرمافزار منبع باز Collect Earth انجام شد. Collect Earth ابزاری است که امکان جمع آوری داده ها را از طریق Google Earth، Bing Maps و GEE فراهم می کند. کاربران می توانند تصاویر ماهواره ای با وضوح بالا را بر روی پلت فرم برای اهداف مختلفی از جمله اعتبار سنجی نقشه های موجود، تعیین کمیت جنگل زدایی، نظارت بر تغییرات شهری و زمین و غیره تجزیه و تحلیل کنند. [ 53 ، 54 ]]. در طول مرحله اعتبارسنجی، نقشههای پوشش زمین طبقهبندی شده در برابر تصاویر مرجع با وضوح بالا تأیید میشوند تا سطح دقت نقشههای بهدستآمده را بهدست آورند. مجموعه ای برابر از نقاط برای هر دو کلاس (جنگل و غیرجنگل) به عنوان نمونه اعتبار سنجی ایجاد شد. این امر با اعتبارسنجی متقابل هر نقطه از نمونه ها با مرجع HiRes دنبال شد. یک نمونه را می توان به عنوان زیرمجموعه ای از منطقه در نظر گرفت، به دنبال روشی برای انتخاب مکان های آن، که به عنوان طرح نمونه نیز شناخته می شود [ 55 ، 56 ]. یک سطح دقت مورد نیاز و معیارهای طراحی اولویت باید برای هر طرح نمونه در نظر گرفته شود [ 57 ]. Stehman [ 58] مزایا و معایب اساسی روش های نمونه گیری اولیه را خلاصه کرد. طراحی نمونهبرداری تصادفی پوشش زمین طبقهای دارای مزایایی در هنگام در نظر گرفتن تولید نمونههای احتمالی، سطح عملی، تخمین دقیق دقت کلاس خاص، توانایی برآورد خطاهای استاندارد و انعطافپذیری در تغییر اندازه نمونه است. در مطالعه حاضر، از نمونهگیری تصادفی طبقهای کاربردی استفاده شد، زیرا میتواند با تعیین حجم نمونه، تخمین دقیقی را برای هر قشر تضمین کند [ 59 ]. در کار فعلی، رویکردی به دنبال یکی از [ 55 ] اتخاذ شد که در آن نمونههای تصادفی ساده از پیکسلها در داخل هر لایه جمعآوری شدند.
حجم نمونه مورد نیاز با توجه به فرمول معرفی شده توسط Stadelman [ 60 ] برآورد شد:
که در آن n اندازه نمونه است، p دقت مورد نیاز است، q=1-پ، E به معنای خطای مجاز است که نشان دهنده محدوده خطایی است که می توانیم با یک استراتژی نمونه گیری در مرحله اعتبار سنجی انجام دهیم و Z از توزیع نرمال استاندارد مشتق شده است. در نهایت 1067 امتیاز (534 برای جنگل کلاس، 533 برای غیرجنگل کلاس) با قابلیت های پیمایشی Collect Earth اعتبارسنجی شد. توزیع نمونه اعتبارسنجی برای کلاس غیر جنگلی در سال 2019 به عنوان مثال در شکل 2 آورده شده است .
2.6. شبیه سازی تکامل جنگل
پس از به دست آوردن تغییرات جنگل در گذشته و حال برای AOI، وضعیت آینده پوشش زمین بر اساس نقشههای مشتق شده قبلی مورد تجزیه و تحلیل قرار گرفت. برای این منظور از یک افزونه رایگان و متن باز برای QGIS به نام Modules for Land Use Change Evaluation (MOLUSCE) استفاده شد. این طراحی شده است تا مدلهای قبلاً اثبات شده را ترکیب کند و برای تحلیل و مدلسازی استفاده بالقوه زمین و انتقال جنگل [ 61]]. گردش کار داخلی به سادگی از میان شش ماژول عبور می کند – ورودی ها، ارزیابی همبستگی، تغییرات ناحیه، مدل سازی پتانسیل انتقال (TPM)، شبیه سازی اتوماتای سلولی (CAS)، و اعتبار سنجی. پس از تعریف دو نقشه پوشش زمین از AOI برای دو دوره مختلف، همبستگی بین متغیرها استخراج شد و به دنبال آن محاسبه احتمالات انتقال و نقشه تغییر پوشش زمین انجام شد. ماژول TPM بر اساس احتمالات و شبکه عصبی مصنوعی (ANN) برای محاسبه نقشه های انتقال پتانسیل. در مرحله بعد از شبیه سازی اتوماتای سلولی بر اساس مونت کارلو برای تولید نقشه های پوشش زمین شبیه سازی شده استفاده شد. رویکرد اتوماتای سلولی ابتدا فضا را به شبکه ای دو بعدی از سلول ها تقسیم می کند.62 ]. پس از n تکرار، توزیع جنگل برای سال هدف به دست می آید. این افزونه دارای یک عملکرد پیاده سازی شده برای اعتبارسنجی و مقایسه نتیجه شبیه سازی با یک نقشه مرجع است. پس از به دست آوردن تغییرات جنگل های گذشته و حال برای AOI، تصمیم بر آن شد که وضعیت آینده پوشش زمین بر اساس نقشه های استخراج شده قبلی مورد تجزیه و تحلیل قرار گیرد. برای این منظور از یک افزونه رایگان و متن باز برای QGIS به نام Modules for Land Use Change Evaluation (MOLUSCE) استفاده شد. این طراحی شده است تا مدلهای قبلاً اثبات شده را ترکیب کند و برای تحلیل و مدلسازی استفاده بالقوه زمین و انتقال جنگل [ 61]]. گردش کار داخلی از شش ماژول عبور می کند – ورودی ها، ارزیابی همبستگی، تغییرات ناحیه، مدل سازی پتانسیل انتقال (TPM)، شبیه سازی اتوماتای سلولی (CAS)، و اعتبار سنجی. پس از تعریف دو نقشه پوشش زمین از AOI برای دو دوره مختلف، همبستگی بین متغیرها استخراج شد و به دنبال آن محاسبه احتمالات انتقال و نقشه تغییر پوشش زمین انجام شد. ماژول TPM بر اساس احتمالات و شبکه عصبی مصنوعی (ANN) برای محاسبه نقشه های انتقال پتانسیل. در مرحله بعد از شبیه سازی اتوماتای سلولی بر اساس مونت کارلو برای تولید نقشه های پوشش زمین شبیه سازی شده استفاده شد. رویکرد اتوماتای سلولی ابتدا فضا را به شبکه ای دو بعدی از سلول ها تقسیم می کند.62 ]. پس از n تکرار، توزیع جنگل برای سال هدف به دست می آید. این افزونه دارای یک عملکرد پیاده سازی شده برای اعتبارسنجی و مقایسه نتیجه شبیه سازی با یک نقشه مرجع است. جزئیات بیشتر در مورد پردازش درونی MOLUSCE را می توان در [ 61 ] و راهنمای توسعه دهندگان [ 63 ] یافت.
در حالی که هدف نهایی شبیه سازی به دست آوردن تکامل جنگل در آینده بر اساس نقشه های طبقه بندی به دست آمده برای دوره 2010-2019 بود، آزمایشی برای دوره 2006-2010 انجام شد زیرا می توانست با طبقه بندی پوشش زمین در سال 2015 تأیید شود. چند تکرار برای کالیبراسیون و اعتبارسنجی مناسب بودن الگوریتم برای کار فعلی انجام شد. به این ترتیب، مناسبترین متغیرهای مکانی برای پیشبینی پوشش زمین از سال 2019 تا 2028 بر اساس نقشههای پوشش زمین برای سالهای 2010 و 2019 اجرا شد. برای شبیهسازی نهایی، از متغیرهای فضایی برای مناطق شهری، شبکه راه و تلفات جنگل قبلی استفاده شد. از دوره 2006-2010. در حالی که متغیرهای نهایی مشابه آزمایشها بودند، محاسبه احتمالهای انتقال و آموزشهای ANN برای هر تکرار انجام شد. ضرر 2006-2010 از تفاوت بین دو نقشه طبقه بندی به دست آمد. شبکه جاده از OpenStreetMap [64 ]. در حالی که مناطق شهری از MapBiomas [ 65 ، 66 ] دانلود شدند. در نظر گرفته شد که جنگلزدایی احتمالی در آینده در اطراف مناطقی که قبلاً تحت تأثیر قرار گرفتهاند، نزدیک به مناطق شهری و نزدیک به شبکه جادهای که دسترسی به جنگل را میدهد، رخ خواهد داد.
لازم به ذکر است که با توجه به تفکیک مکانی متفاوت برای هر دو دوره مشاهده، 2010-30 m/pix و برای سال 2019-10 m/pix، دومی برای مطابقت با مجموعه داده سال 2010 با استفاده از روش نمونهگیری مجدد اکثریت نمونهبرداری شد.
2.7. جریان کار
این فرآیند با دسترسی به داده های ماهواره ای و فیلتر کردن تصاویر با توجه به مناسب بودن آنها آغاز شد. دو فیلتر اعمال شد: یک فیلتر ابری که مشاهدات را با کمترین پوشش ابری رها می کند و فیلتر زمانی مشاهدات برای یک بازه زمانی از پیش تعیین شده، از 1 می تا 31 آگوست برای تمام سال های در نظر گرفته شده. این چارچوب زمانی به این دلیل انتخاب شد که با فصل خشک جنگل آمازون همزمان است و احتمال بیشتری برای تعریف موزاییکهای بدون ابر فراهم میکند. برای هر سال، نمونههای آموزشی برای دو کلاس پوشش زمین، جنگلی و غیرجنگلی، و به دنبال آن طبقهبندی نظارت شده با استفاده از جنگل تصادفی ایجاد شد. برای اعتبار سنجی نقشه های طبقه بندی شده برای سال های 2010، 2015 و 2019، یک تفسیر عکس با ارجاع به تصاویر پانکروماتیک با وضوح بالا (HiRes) بهدستآمده از مأموریتهای CBERS انجام شد. پس از تایید اعتبار، نقشه های تغییر جنگل برای هر دو دوره محاسبه شد. در نهایت، تکامل بالقوه جنگل برای نه سال آینده (تا سال 2028) با استفاده از MOLUSCE شبیهسازی شد. گردش کار کلی در نمایش داده می شودشکل 3 .
3. نتایج
3.1. طبقه بندی و اعتبارسنجی
3.1.1. نتایج طبقه بندی
طبقهبندی پوشش زمین بر اساس الگوریتم یادگیری ماشین و دادههای سری زمانی ماهوارهای، بهطور متوالی برای سالهای 2000، 2006، 2010، 2015 و 2019 اعمال شد. نتایج بهدستآمده برای پایش الگوهای جنگلزدایی که در بازه زمانی تعریفشده رخ داده است، مورد تجزیه و تحلیل قرار گرفت. در شکل 4 نقشه های پوشش زمین حاصل ارائه شده است. از یک تفسیر بصری اولیه، با مقایسه نقشه های شکل 4 a,b، یک تغییر عظیم جنگل بین سال های 2000 و 2005 قابل تشخیص است. از فاصله 5 ساله بعدی ( شکل 4ج) خاطرنشان می شود که جنگل به طور مداوم کاهش می یابد، اما با نرخ کمتری نسبت به دوره قبل. تغییر جنگل پس از سال 2010 با مقایسه بصری ساده قابل توجه نیست، بنابراین نقشههای مربوط به واریانس در کلاسهای پوشش زمین برای هر پنج سال محاسبه شد.
3.1.2. نتایج اعتبار سنجی
حتی اگر جنگل تصادفی یک الگوریتم طبقه بندی بسیار دقیق و با خطای تخمین کم در نظر گرفته شود، نقشه های خروجی باید اعتبار سنجی می شدند. همانطور که قبلا ذکر شد، روش اعتبار سنجی با استفاده از تفسیر تصویری HiRes CBERS از طریق نرم افزار Collect Earth انجام شد. با توجه به کاهش دسترسی به دادههای رایگان HiRes، اعتبارسنجی فقط برای نقشههای طبقهبندیشده برای سالهای 2010، 2015 و 2019 انجام شد. دقت کلی و کاپا کوهن به عنوان معیارهای اعتبارسنجی پیادهسازی شدند، که در آن ماتریسهای سردرگمی مرتبط در جدول 2 گزارش شدهاند. . از جدول 2می توان مشاهده کرد که دقت کلی برای آن سه سال در محدوده 0.95-0.97 است. ضرایب کاپا کوهن 0.91-0.94 است. هم دقت و هم کاپا به سطح بالایی رسیدند، به این معنی که طبقه بندی ها دقیق و قابل اعتماد هستند.
علاوه بر کاپا کوهن، دقت و یادآوری محاسبه شد که در هنگام برخورد با مشکلات طبقهبندی باینری نامتعادل، پیادهسازی و قابلیت اطمینان بهتری دارند [ 67 ، 68 ] اولی نشاندهنده درصد جنگلهای پیشبینیشده است که به درستی طبقهبندی شده است. در حالی که دومی، درصد جنگل واقعی به درستی طبقه بندی شده است. معیار واقعی برای کیفیت طبقهبندی با استفاده از مساحت زیر منحنی منحنی فراخوان دقیق (AUCPRC) محاسبه میشود، که در آن یک طبقهبندی کننده کامل به عنوان AUCPRC = 1 در نظر گرفته میشود. همانطور که در جدول 2 میتوان اشاره کرد، هر سه مورد طبقه بندی ها AUCPRC > 0.95 را به دست می دهند که می تواند به عنوان یک طبقه بندی بیش از رضایت بخش در نظر گرفته شود.
به دلیل فقدان تصاویر با وضوح بالا مرجع مناسب برای سالهای 2000 و 2006، اعتبارسنجی برای آنها انجام نشد، به جز برآوردهای برازش مدل در طول فرآیند طبقهبندی، که هنوز سطح بالایی از دقت را برآورد میکرد. با این حال، از ارزیابیهای دقت انجام شده برای سالهای 2010، 2015 و 2019، میتوان نتیجه گرفت که دقت فرآیند طبقهبندی که از طریق GEE انجام شده است، میتواند نتایج بیش از رضایتبخشی به همراه داشته باشد.
3.1.3. تغییر جنگل
تغییر جنگل به عنوان تفاوت بین هر دو بازه زمانی محاسبه شد و هر یک در شکل 5 نشان داده شده است . مناطقی که با رنگ مشکی مشخص شده اند نشان دهنده از دست دادن جنگل و مناطق سفید – سود جنگل هستند. توالی این چهار نقشه تکامل ثابت مناطق جنگلی را نشان می دهد و برآورد مناطق آسیب دیده را می توان در جدول 3 یافت . مقیاس تلفات جنگل در داخل AOI را می توان با بازرسی بصری ساده در شکل 5 a,d مشاهده کرد. در دوره 2000 تا 2005، نرخ بالایی از دست دادن جنگل (5081.90 کیلومتر مربع ) اندازهگیری میشود که میتواند تقریباً 10٪ از کل AOI برآورد شود. در طول پنج سال بعد، از زمانی که تلفات جنگل به 1942.71 کیلومتر مربع تخمین زده شد، نرخ جنگل زدایی کاهش یافت .یا 3.93 درصد از AOI. کاهش حتی بیشتر در طول دوره سوم مشاهده شد، جایی که 1779.41 کیلومتر مربع از مناطق جنگلی پاکسازی شد. با این حال، از سال 2015 تا 2019، نرخ جنگل زدایی دوباره شروع به افزایش کرد، جایی که مساحت 2569.81 کیلومتر مربع از بین رفتن جنگل مشاهده شد.
از سوی دیگر، جنگل ها به تدریج در حال بهبود بودند. همانطور که در جدول 3 گزارش شده است، افزایش جنگل در دوره 2000-2006 570.28 کیلومتر مربع برآورد شد . روند احیای جنگل از سال 2000 تا 2006 به وضوح قابل مشاهده نبود، اما پس از سال 2006 آشکارتر شد. افزایش جنگل در سالهای 2006-2010 حدود 1615.15 کیلومتر مربع بود که تقریباً سه برابر بیشتر از سالهای 2000-2006 بود و به دنبال آن افزایش 1779.41 کیلومتر مربعی پوشش جنگلی طی پنج سال بعد (تا سال 2015) مشاهده شد. روند احیای جنگل در چهار سال گذشته با شدت کمتری بوده است. با این وجود، منطقه ای به مساحت 1115.86 کیلومتر مربع به عنوان جنگل جدید طبقه بندی شد.
یک روند کلی را می توان از نتایج ذکر شده در بالا ذکر کرد: زمانی که تلفات جنگل به حداکثر خود رسید، سود جنگل به حداقل سطح کاهش یافت و بالعکس. شکل 6 و شکل 7 نقشهبرداری فضایی و زمانی تجمعی مدلسازی از دست دادن جنگل و سود جنگل را از سال 2000 تا 2019 نشان میدهد. تلفات تجمعی جنگل تا سال 2019 به عنوان 11,373.83 کیلومتر مربع برآورد شده است در حالی که افزایش تجمعی جنگل در همان دوره 74 کیلومتر26 و 46 کیلومتر است . . مطابق نقشه شکل 6، منطقه ای که بیش از همه تحت تأثیر جنگل زدایی قرار گرفته است منطقه ای است که در امتداد الگوی شهرنشینی منطقه سائو فلیکس دو زینگو قرار دارد. با این حال، الگوی جنگل زدایی در امتداد رودخانه Iriri واقع در گوشه جنوب شرقی AOI کاهش یافت. از جدول 3 ، مشهود است که از سال 2006 تا 2010 تلفات جنگل به طور چشمگیری به میزان 61.77 درصد کاهش یافته است. از سال 2015 می توان مشاهده کرد که نرخ جنگل زدایی 44.42 درصد افزایش یافته است، اما در سطح نسبتاً پایینی باقی مانده است. با این حال، از روند تغییرات مکانی – زمانی افزایش جنگل نشان داده شده در شکل 7لازم به ذکر است که بیشترین مناطق بازیابی شده در مناطقی مشابه مناطقی بوده که دچار از دست رفتن جنگل شده اند. شاید این پدیده می تواند به لطف مقررات منتشر شده توسط دولت برزیل برای جلوگیری از قطع غیرقانونی جنگل ها باشد.
3.2. نتایج شبیه سازی
همانطور که قبلا ذکر شد، چند تکرار برای اعتبار سنجی قابلیت اطمینان و قابلیت استفاده از الگوریتم انجام شد. به عنوان یک آزمایش، یک شبیهسازی پوشش جنگل بر اساس روند بین سالهای 2006 و 2010 به دست آمد. دقت مدلهای آزمایشی به عنوان درصد صحت در محدوده 90.09-92.55 و کاپا کوهن در محدوده 0.65-0.72 برآورد شد. . معیارهای اعتبارسنجی تنها معیارهایی نبودند که باید برآورده می شدند. توزیع فضایی مناطق جنگل زدایی شبیه سازی شده نیز مورد بررسی قرار گرفت. نقشههایی که عمدتاً شامل خوشههای دورافتاده بودند، کنار گذاشته شدند، زیرا انتظار میرفت که گسترش نقاط داغ از قبل موجود باشد. با توجه به دوره شبیه سازی، نتایج به دست آمده باید خروجی روندی برای سال 2014 باشد که می تواند با مقادیر واقعی از سال 2015 مقایسه شود.2 که روند زیان واقعی بین سالهای 2010 و 2015 (1779.41 کیلومتر مربع ) را دنبال میکند ، با توجه به اینکه بین نتیجه واقعی و شبیهسازی شده یک سال تفاوت وجود دارد (2014). نتیجه شبیه سازی رضایت بخش در نظر گرفته شده و در شکل 8 نشان داده شده است . با این حال، باید توجه داشت که این راستیآزمایی محدودیتهایی دارد زیرا هنوز دادههای با وضوح بالا مناسب برای انجام اعتبارسنجی برای دوره فعلی وجود نداشت.
شبیهسازی نهایی بر اساس روند بهدستآمده از نقشههای طبقهبندی سالهای 2010 و 2019 انجام شد. تکامل جنگل شبیهسازی شده با نقشه در شکل 9 نشان داده شده است و تلفات جنگل محاسبهشده بین آن و نقشه پوشش زمین از سال 2019 برابر با 5056.13 کیلومتر مربع است . بر اساس این نتیجه، میزان جنگل زدایی نسبت به تلفات جنگلی 07/3057 کیلومتر مربع افزایش یافته است .در ده سال گذشته این همچنین با روند افزایشی نرخ جنگل زدایی، که در دوره 2015-2019 تخمین زده می شود، همزمان است. از تفسیر بصری، الگوی جنگل زدایی شبیه سازی شده برای سال های 2019-2028 به طور تصادفی توزیع نشده است. مناطق جنگلزدایی پیشبینیشده عمدتاً در اطراف مناطق جنگلزدایی موجود در بخشهای جنوب شرقی AOI، متمرکز در اطراف مناطق شهری موجود و شبکه جادهها قرار داشتند. گرایش جنگل زدایی آینده در سال های 2019-2028 از روند مشاهده شده در سال های 2000-2019 در امتداد گسترش منطقه سائو فلیکس دو زینگو پیروی می کند. این منطقه یکی از نقاط داغ جنگل زدایی است زیرا هدفی برای احتکار زمین، گسترش گاوداری و جاده سازی است [ 39] .]. شبیهسازی انجام شده با MOLUSCE برای سالهای 2019-2028 را میتوان از هر دو جنبه کمی و مکانی که در بالا ذکر شد معتبر و قابل اعتماد در نظر گرفت. با این حال، آن را تنها بر اساس روند تاریخی است، به تصویر می کشد یک سناریو ممکن است تنها در صورتی که تغییر نخواهد کرد. برخی از دخالتهای احتمالی آینده در روند مشاهدهشده در نظر گرفته نشد، مانند محدودیتهای احتمالی اعمالشده توسط دولت محلی یا برعکس، اثرات آتشسوزی جنگلها با بزرگی متفاوت. شبیهسازیهای دقیقتر که عوامل خارجی را بهعنوان مقررات یا خطرات در نظر میگیرند، یا فواصل زمانی کوتاهتری را در نظر میگیرند، مستحق توجه و تحلیل بیشتری هستند، اما این فراتر از هدف این مقاله است.
4. بحث
به عنوان یک ابزار نسبتا جدید، کارایی و دقت پلت فرم GEE در هنگام پردازش تصاویر ماهواره ای چند زمانی در مقیاس بزرگ ثابت شد. علاوه بر این، دسترسی همزمان به مجموعه دادههای سنجش از دور از ماموریتهای مختلف ماهوارهای و اجرای روان الگوریتمهای پیچیده بر روی ابر، پلتفرم را بسیار راحت میکند، بهویژه در حوزه نظارت بر پوشش زمین [69 ، 70 ] .
در این کار، پویایی جنگل زدایی برای منطقه ای در ایالت پارا در آمازون برزیل ترسیم شد. با استفاده از الگوریتم یادگیری ماشینی Random Forest، مجموعه دادههای ماهوارهای چند زمانی از مأموریتهای Landsat و Sentinel به دو کلاس پوشش زمین طبقهبندی شدند. تغییر در پوشش جنگل به عنوان تفاوت بین دو بازه زمانی به دست آمد. نقشههای پوشش زمین حاصل برای سالهای 2010، 2015 و 2019، بهصورت دستی با کمک تصاویر پانکروماتیک با وضوح بالا (ماموریتهای CBERS) از طریق پلتفرم Collect Earth تأیید شدند. معیارهای اعتبارسنجی نتایج بیش از رضایتبخش را به تصویر میکشند.
تمایل به تغییر جنگل شناسایی شده از نتایج ما ( شکل 10 ) با گزارش INPE برای برزیل [ 42 ]، برای همان دوره مطالعه (2000 تا 2019) همزمان است. روند نزولی منطقه جنگل زدایی که در شکل 11 نشان داده شده است، این نتیجه را تایید می کند که جنگل های این منطقه بیشترین خسارت را در آغاز قرن بیست و یکم تجربه کردند و حدود هشت سال تا سال 2008 ادامه داشت. علاوه بر این، هانسن و همکاران. [ 71] همچنین از دست دادن سالانه جنگل از سال 2000 تا 2012 را نتیجه گرفت که روندهای مشابه نتایج تجربی ما را نشان داد. تلفات سالانه جنگل در سال 2004 به اوج خود رسید و از آن زمان به بعد شروع به کاهش کرد، در حالی که افزایش سالانه تلفات جنگل در تمام مدت روند نزولی را نشان داده است. روندهای همگن جنگل زدایی توسط سوزا و همکاران ارائه شد. [ 72 ]، که تلاش کرد جنگلزدایی در آمازون برزیل را برای سالهای 2000-2010 کمیت کند. در مطالعه آنها، نرخ بالای جنگل زدایی از سال 2001 تا 2005 به دست آمد و به دنبال آن کاهش قابل توجهی از سال 2006 تا 2010، درست مانند نتایج ما، به دست آمد.
در مورد دلایل نرخ بالای جنگل زدایی قبل از سال 2004 که در نتایج ما نشان داده شده است، Fearnside [ 73 ] به این نتیجه رسید که 80٪ از مناطق جنگل زدایی شده زیر مرتع گاو یا جنگل های ثانویه رها شده یا به عنوان مرتع تخریب شده اند. علاوه بر این، در شرق و جنوب پارا، چندین شرکت بزرگ دامپروری در امتداد بزرگراه بلم-برازیلیا و جاده های شعبه آن تأسیس شده است [ 74 ]. سیاستهای توسعه منطقهای که توسط دولت برزیل در مراحل اولیه منتشر شد، رشد نرخ جنگلزدایی و گسترش مرزها را تحت فشار قرار داد [ 75 ]. مطالعه خاص تری توسط مرتنز و همکاران انجام شد. [ 39] برای São Félix do Xingu در جنوب پارا. آنها به این نتیجه رسیده اند که احتکار زمین، اعتبارات و سیاست های مالی برای دام و محصولات زراعی، راه سازی و سرمایه گذاری در انرژی الکتریکی از عوامل اصلی نابودی جنگل ها در این منطقه است. توضیحی برای سود جنگل در نتایج می تواند ناشی از مقررات اخیر اعمال شده برای تعدیل جنگل زدایی و بازیابی جنگل از جنگل زدایی قانونی آمازون در برزیل باشد. به عنوان مثال، قانون مدیریت جنگل های عمومی منتشر شده در سال 2006 [ 76 ]، برنامه حقوقی Terra که در سال 2009 [ 77 ] تأسیس شد، و چندین پروژه REDD+ منفرد مانند پروژه Juma در آمازوناس و پروژه Surui در Acre [ 78 ، 79]]. این مقررات تا حدی بر نرخ جنگل زدایی تأثیر می گذارد. Assunção و همکاران [ 80 ] بیان کرد که دولت برزیل پس از اینکه نرخ جنگل زدایی در جنگل های آمازون بین سال های 2003 تا 2004 به اوج خود رسید، سیاست مؤثری اتخاذ کرد. در سال 2004، دولت فدرال برزیل برنامه اقدام برای پیشگیری و کنترل جنگل زدایی قانونی آمازون (PPCDAm) را آغاز کرد. این یک تلاش دولتی بود که به طور قابل توجهی به کاهش نرخ جنگل زدایی کمک کرد. کاهش 59٪ در طول دوره 2005-2007 به دست آمده است. فعالیت های متعددی اجرا شد: افزایش تعداد و پوشش مناطق حفاظت شده، افزایش نظارت بر محیط زیست، ایجاد اجبار بیشتر زیست محیطی و غیره [ 81] .]. به منظور ترویج نتایج کاهش مستمر و مداوم جنگل زدایی، PPCDAm برای دوره های 2012-2015 و 2016-2020 تمدید شده است تا آن را به روز نگه دارد. علاوه بر این، دولت برزیل تلاشهای دیگری برای تنظیم جنگلزدایی غیرقانونی در جنگلهای آمازون انجام داده است، مانند چارچوبهایی برای مدیریت جنگلهای عمومی از سال 2006 [ 82 ]. این اقدامات انجام شده توسط دولت برزیل، طراحی سیاست های عمومی را برای حفظ نرخ جنگل زدایی از طریق اقداماتی مانند نظارت، کنترل و بازرسی ترویج کرد [ 83] .]. با این وجود، پس از اینکه نرخ جنگل زدایی به مدت شش سال از سال 2009 تا 2014 در سطح پایین باقی ماند، دوباره به تدریج شروع به افزایش کرد. بخشی از دلیل این روند صعودی به دلیل شکست در کنترل جنگل زدایی و این واقعیت بود که سهامدارانی مانند کشتکاران سویا، دامداران و تاجران چوب راه هایی برای اجتناب از توافقات و قوانین پیدا کردند [84 ] .
بر اساس نتایج طبقهبندی بهدستآمده و روندهای دینامیکی جنگلهای سری زمانی محاسبهشده، پیشبینی تغییر پوشش زمین انجامشده با MOLUSCE از دو جنبه قابل اعتماد بود. اولاً، از تجزیه و تحلیل کمی: مدل آزمایشی که تا سال 2014 شبیهسازیهایی را بر اساس دوره 2006-2010 تولید کرد، از دست دادن جنگل را به همراه داشت که از حاشیههای روند نشاندادهشده در طبقهبندی نظارت شده برای دوره 2010-2015 پیروی میکند. جنبه دوم این است که به جای توزیع تصادفی در AOI، جنگل زدایی شبیه سازی شده از الگوهای 2010-2019 پیروی کرد، به ویژه به دلیل گسترش شهری در اطراف منطقه سائو فلیکس دو زینگو. علاوه بر این، در شبیهسازی، پوشش جنگلی حاشیهای عمدتاً دست نخورده باقی ماند. تلفات تخمینی جنگل نشان دهنده افزایش مداوم نرخ جنگل زدایی است. که به دو دلیل نگران کننده است. در مرحله اول، روند شبیه سازی شده از پویایی جنگل زدایی پیروی می کند که پس از سال 2013 دوباره آغاز شده است.شکل 11 ) و ثانیاً مقررات و ابزارهای جدیدی برای پیروی از آنها مورد نیاز است.
GEE به عنوان یک ابزار محاسباتی ارزشمند با فهرست داده های عالی ثابت شده است. استفاده از آن فقط به نظارت بر پوشش زمین و همچنین به ایالت پارا محدود نمی شود، بلکه می تواند برای مشکلات با اندازه های مختلف استفاده شود. چه این پیادهسازی برای کل جنگل آمازون باشد یا حتی برای کل قاره، مهمترین محدودیتها را میتوان در دسترس بودن داده و مهارتهای برنامهنویسی تعریف کرد.
چنین مشکلی در دسترس بودن داده ها در طول کار فعلی ظاهر شد – مجموعه داده های رایگان با وضوح بالا تاریخی کمیاب بودند و به همین دلیل مرحله زمانی پنج ساله اولیه باید برای برخی موارد تنظیم می شد. یکی دیگر از پیشرفتها استفاده از تصاویر با وضوح بالاتر برای طبقهبندیها بود، زیرا وضوح پایینتر میتواند تلفات / سود جنگل را بیش از حد برآورد کند. این را می توان با استفاده از Sentinel-2 به جای Landsat به دست آورد. با این حال، محدودیتهایی وجود داشت: Sentinel-2 یک مأموریت نسبتاً جدید است و نمیتواند کل دوره مورد علاقه را پوشش دهد. ثانیاً، هیچ جایگزین رایگانی برای لندست وجود نداشت که چنین زمان بازبینی را فراهم کند.
گامهای زمانی کوتاهتر (یک یا دو سال، حتی بر اساس چند ماه) میتواند پویایی جنگل را با جزئیات بیشتری به تصویر بکشد. چنین مرحله زمانی کوتاه، برای طبقه بندی سری های زمانی یا پیش بینی سناریو، برای سیاست های حفاظت از جنگل که بر نتایج کوتاه مدت متکی هستند، سود بیشتری خواهد داشت. از سوی دیگر، ممکن است مقرراتی که اجرای آنها دشوار و کند هستند، از بازه زمانی طولانیتر مورد توجه قرار گیرند. با این حال، تمرکز کار فعلی برجسته کردن ابزارهای آزاد و باز بود که امکان انجام تحلیلهای سری زمانی دقیق و شبیهسازی سناریوهای توسعه آینده را از طریق پلت فرم محاسباتی Google Earth Engine، مجموعه دادههای Landsat و Sentinel و نرمافزار فراهم میکرد. بسته هایی مانند MOLUSCE و Collect Earth.
5. نتیجه گیری ها
تجزیه و تحلیل پوشش زمین سری زمانی برای ترسیم پویایی جنگل زدایی در آمازون برزیل برای دوره 2000-2019 ارائه شد. یک طبقهبندی یادگیری ماشینی از تصاویر ماهوارهای چندطیفی در سرویس رایانش ابری اجرا شد. نقشههای طبقهبندی خروجی از طریق تفسیر نوری تصاویر با وضوح بالا تأیید شد، تغییر در روند از دست دادن / افزایش جنگل به دقت محاسبه شد و با نتایج بهدستآمده از مطالعات مشابه مقایسه شد. علاوه بر این، مدلی برای شبیهسازی پویاییهای آینده پوشش زمین کاملاً بر اساس روندهای تاریخی مشتقشده قبلی، پیادهسازی شد. پویایی جنگل با گزارش های قبلی INPE و سایر مطالعات مطابقت دارد.
نتایج تجربی نشان می دهد که با رویکرد پیاده سازی شده می توان دقت طبقه بندی بالایی را به دست آورد. علاوه بر این، راهحلهای پردازش ابری مانند GEE میتوانند در به دست آوردن تصاویر ماهوارهای بدون ابر و بهبود زمان پردازش مدلهای مستقر شده کمک زیادی کنند. جفت کردن تجزیه و تحلیل سریع سری زمانی با شبیه سازی تغییرات جنگل در آینده می تواند برای تصمیم گیرندگان در طراحی و اجرای اقدامات تنظیمی مناسب برای حفاظت از جنگل ها مفید باشد.
بدون دیدگاه