بهار و تابستان
برگشت به فهرست مقالات |
برگشت به فهرست نسخه ها
چکیده: (158 مشاهده)
مقدمه و هدف: افزایش غلظت گازهای گلخانهای بهویژه دیاکسیدکربن (CO₂)، عامل اصلی گرمایش جهانی و تغییرات اقلیمی است. جنگلهای شهری بهعنوان بخشی از زیرساخت سبز، نقشی حیاتی در جذب و ترسیب این کربن ایفا میکنند. با این حال، برآورد دقیق ذخیره کربن رویزمینی درختان شهری با روشهای سنتی میدانی، پرهزینه، زمانبر و محدود در مقیاس است. در مقابل، تلفیق دادههای سنجش از دور و مدلهای یادگیری ماشین، رویکردی نوین، سریع و مقرونبهصرفه برای پایش در مقیاس وسیع فراهم میآورد. هدف اصلی این پژوهش، برآورد ذخیره کربن رویزمینی درختان شهر ساری با استفاده از شاخصهای پوشش گیاهی استخراجشده از تصاویر ماهواره Sentinel-2 و مقایسه عملکرد چهار الگوریتم یادگیری ماشین شامل جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM)، k نزدیکترین همسایه (kNN) و مدل خطی تعمیمیافته (GLM) بود.
مواد و روشها: این مطالعه در محدوده سه منطقه شهری ساری (با مجموع مساحت تقریبی ۲۹۷۰ هکتار) انجام شد. با نمونهبرداری انتخابی، ۱۵۰ قطعه نمونه (۵۰ قطعه در هر منطقه) برداشت گردید (در بلوارها با روش خطی و در میادین با روش قطعات نمونه دایرهای). در هر قطعه، قطر برابر سینه (DBH) و ارتفاع تمامی درختان اندازهگیری و موقعیتها با GPS ثبت شد. زیتوده تنه با استفاده از رابطه آلومتریک مبتنی بر DBH، ارتفاع، ضریب شکل (5/0) و چگالی چوب محاسبه و ذخیره کربن با ضرب آن در ضریب 47/0 برآورد شد. از مجموعه تصاویر بدون ابر ماهواره Sentinel-2 (بازه 2022-۲۰۲۱) برای استخراج طیف وسیعی از شاخصهای پوشش گیاهی شامل شاخصهای مرسوم (مانند NDVI، EVI)، شاخصهای مبتنی بر باند Red-Edge (مانند S2REP، REIP، NDRE) و تبدیلات طیفی (مانند TCB، TCW) در پلتفرم Google Earth Engine استفاده گردید. پس از غربالگری متغیرها (حذف متغیرهای با همبستگی پیرسون بالاتر از 8/0)، فرآیند مدلسازی انجام شدند. عملکرد مدلهای RF، SVM، kNN و GLM با استفاده از اعتبارسنجی متقاطع ۱۰-تایی ارزیابی و دقت آنها با معیارهای ضریب تبیین (R²)، جذر میانگین مربعات خطا (RMSE) و میانگین خطای مطلق (MAE) سنجیده شد. اهمیت نسبی متغیرها نیز در هر مدل محاسبه گردید. کلیه تحلیلها در محیط نرمافزار R انجام شد.
یافتهها: میانگین ذخیره کربن رویزمینی در منطقه یک شهر ساری بهطور معنیداری بیشتر از دو منطقه دیگر بود. مدل RF بهطور چشمگیری از سایر مدلها بهتر عمل کرد و بالاترین دقت و کمترین خطا را نشان داد. نمودار مقادیر مشاهدهشده در مقابل پیشبینیشده برای RF تطابق نزدیکی با خط ۱:۱ داشت و باقیماندههای آن بهطور متقارن حول صفر پراکنده بودند که نشاندهنده عدم سوگیری سیستماتیک بود. مدل SVM با وجود داشتن دقت قابلقبول در برخی تکرارها، ناپایدار بود و پراکندگی زیادی در معیارهای خطا نشان داد. مدلهای kNN و GLM عملکرد ضعیفتری داشتند و تمایل شدیدی به کمبرآوردی مقادیر بالای ذخیره کربن از خود نشان دادند. بررسی اهمیت متغیرها در تمامی مدلها حاکی از نقش کلیدی شاخصهای مبتنی بر باند رداِج بود. شاخص S2REP در تمام چهار مدل بالاترین اهمیت نسبی را در پیشبینی ذخیره کربن داشت. پس از آن، شاخصهای REIP، NDRE و EVI در رتبههای بعدی قرار گرفتند.
نتیجهگیری: این پژوهش نشان داد که تلفیق شاخصهای طیفی پیشرفته Sentinel-2 (بهویژه شاخصهای مبتنی بر Red-Edge) با الگوریتم یادگیری ماشین جنگل تصادفی، روشی دقیق و کارآمد برای برآورد و پایش مکانی ذخیره کربن رویزمینی درختان در محیط پیچیده و ناهمگن شهری ساری است. برتری RF ناشی از توانایی آن در مدلسازی روابط غیرخطی پیچیده، مدیریت دادههای پرت و ارائه نتایج با قابلیت تعمیمپذیری بالا است. نقش محوری شاخص S2REP، بر اهمیت اطلاعات طیفی مرتبط با محتوای کلروفیل و ساختار فیزیولوژیک پیشرفته درختان نسبت به شاخصهای سبزینگی مرسوم در برآورد ذخیره کربن تاکید دارد. به مدیران و برنامهریزان شهری پیشنهاد میشود از این چارچوب بهعنوان ابزاری عملیاتی برای پایش دورهای پتانسیل ترسیب کربن فضای سبز، شناسایی نقاط قوت و ضعف، اولویتدهی به حفاظت از درختان بالغ (مانند چنارهای کهنسال) و ارزیابی اثربخشی پروژههای توسعه فضای سبز در راستای کاهش کربن استفاده کنند. برای مطالعات آینده، ادغام دادههای چندمنبعی (مانند LiDAR هوابرد برای استخراج ساختار عمودی تاج، دادههای راداری Sentinel-1 و متغیرهای محیطی ریزمقیاس)، توسعه مدلهای اجماعی و تطبیق مدل برای گونههای درختی مختلف پیشنهاد میگردد تا دقت و قابلیت اطمینان برآوردها در سطح کلانشهرها افزایش یابد.
مواد و روشها: این مطالعه در محدوده سه منطقه شهری ساری (با مجموع مساحت تقریبی ۲۹۷۰ هکتار) انجام شد. با نمونهبرداری انتخابی، ۱۵۰ قطعه نمونه (۵۰ قطعه در هر منطقه) برداشت گردید (در بلوارها با روش خطی و در میادین با روش قطعات نمونه دایرهای). در هر قطعه، قطر برابر سینه (DBH) و ارتفاع تمامی درختان اندازهگیری و موقعیتها با GPS ثبت شد. زیتوده تنه با استفاده از رابطه آلومتریک مبتنی بر DBH، ارتفاع، ضریب شکل (5/0) و چگالی چوب محاسبه و ذخیره کربن با ضرب آن در ضریب 47/0 برآورد شد. از مجموعه تصاویر بدون ابر ماهواره Sentinel-2 (بازه 2022-۲۰۲۱) برای استخراج طیف وسیعی از شاخصهای پوشش گیاهی شامل شاخصهای مرسوم (مانند NDVI، EVI)، شاخصهای مبتنی بر باند Red-Edge (مانند S2REP، REIP، NDRE) و تبدیلات طیفی (مانند TCB، TCW) در پلتفرم Google Earth Engine استفاده گردید. پس از غربالگری متغیرها (حذف متغیرهای با همبستگی پیرسون بالاتر از 8/0)، فرآیند مدلسازی انجام شدند. عملکرد مدلهای RF، SVM، kNN و GLM با استفاده از اعتبارسنجی متقاطع ۱۰-تایی ارزیابی و دقت آنها با معیارهای ضریب تبیین (R²)، جذر میانگین مربعات خطا (RMSE) و میانگین خطای مطلق (MAE) سنجیده شد. اهمیت نسبی متغیرها نیز در هر مدل محاسبه گردید. کلیه تحلیلها در محیط نرمافزار R انجام شد.
یافتهها: میانگین ذخیره کربن رویزمینی در منطقه یک شهر ساری بهطور معنیداری بیشتر از دو منطقه دیگر بود. مدل RF بهطور چشمگیری از سایر مدلها بهتر عمل کرد و بالاترین دقت و کمترین خطا را نشان داد. نمودار مقادیر مشاهدهشده در مقابل پیشبینیشده برای RF تطابق نزدیکی با خط ۱:۱ داشت و باقیماندههای آن بهطور متقارن حول صفر پراکنده بودند که نشاندهنده عدم سوگیری سیستماتیک بود. مدل SVM با وجود داشتن دقت قابلقبول در برخی تکرارها، ناپایدار بود و پراکندگی زیادی در معیارهای خطا نشان داد. مدلهای kNN و GLM عملکرد ضعیفتری داشتند و تمایل شدیدی به کمبرآوردی مقادیر بالای ذخیره کربن از خود نشان دادند. بررسی اهمیت متغیرها در تمامی مدلها حاکی از نقش کلیدی شاخصهای مبتنی بر باند رداِج بود. شاخص S2REP در تمام چهار مدل بالاترین اهمیت نسبی را در پیشبینی ذخیره کربن داشت. پس از آن، شاخصهای REIP، NDRE و EVI در رتبههای بعدی قرار گرفتند.
نتیجهگیری: این پژوهش نشان داد که تلفیق شاخصهای طیفی پیشرفته Sentinel-2 (بهویژه شاخصهای مبتنی بر Red-Edge) با الگوریتم یادگیری ماشین جنگل تصادفی، روشی دقیق و کارآمد برای برآورد و پایش مکانی ذخیره کربن رویزمینی درختان در محیط پیچیده و ناهمگن شهری ساری است. برتری RF ناشی از توانایی آن در مدلسازی روابط غیرخطی پیچیده، مدیریت دادههای پرت و ارائه نتایج با قابلیت تعمیمپذیری بالا است. نقش محوری شاخص S2REP، بر اهمیت اطلاعات طیفی مرتبط با محتوای کلروفیل و ساختار فیزیولوژیک پیشرفته درختان نسبت به شاخصهای سبزینگی مرسوم در برآورد ذخیره کربن تاکید دارد. به مدیران و برنامهریزان شهری پیشنهاد میشود از این چارچوب بهعنوان ابزاری عملیاتی برای پایش دورهای پتانسیل ترسیب کربن فضای سبز، شناسایی نقاط قوت و ضعف، اولویتدهی به حفاظت از درختان بالغ (مانند چنارهای کهنسال) و ارزیابی اثربخشی پروژههای توسعه فضای سبز در راستای کاهش کربن استفاده کنند. برای مطالعات آینده، ادغام دادههای چندمنبعی (مانند LiDAR هوابرد برای استخراج ساختار عمودی تاج، دادههای راداری Sentinel-1 و متغیرهای محیطی ریزمقیاس)، توسعه مدلهای اجماعی و تطبیق مدل برای گونههای درختی مختلف پیشنهاد میگردد تا دقت و قابلیت اطمینان برآوردها در سطح کلانشهرها افزایش یابد.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
