Ecology of Iranian Forests

fa مدل‌سازی ذخیره کربن روی‌زمینی درختان شهری با استفاده از داده‌های Sentinel-2 و الگوریتم‌های یادگیری ماشین Modeling Above-Ground Carbon Storage of Urban Trees Using Sentinel-2 Imagery and Machine Learning Algorithms اکولوژی جنگل اکولوژی جنگل پژوهشي Research <div style="text-align: justify;">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.  </div> <div style="text-align: justify;">Background: The increasing concentration of greenhouse gases, especially carbon dioxide (CO₂), is the main driver of global warming and climate change. Urban forests, as part of green infrastructure, play a vital role in absorbing and sequestering this carbon. However, accurate estimation of above-ground carbon storage in urban trees through traditional field methods is costly, time-consuming, and limited in scale. In contrast, the integration of remote sensing data and machine learning models provides a novel, rapid, and cost-effective approach for large-scale monitoring. The main objective of this research was to estimate the above-ground carbon storage of trees in Sari city using vegetation indices extracted from Sentinel-2 satellite images and to compare the performance of four machine learning algorithms: Random Forest (RF), Support Vector Machine (SVM), k-Nearest Neighbors (kNN), and Generalized Linear Model (GLM). Methods: This study was conducted within the three urban districts of Sari city (with a total approximate area of 2970 hectares). Using selective sampling, 150 sample plots (50 plots in each district) were collected (In boulevards with the transect method and in squares with the circular sample plot method.). In each plot, the Diameter at Breast Height (DBH) and height of all trees were measured, and their locations were recorded with GPS. Stem biomass was calculated using an allometric equation based on DBH, height, form factor (0.5), and wood density, and carbon storage was estimated by multiplying it by a factor of 0.47. A set of cloud-free Sentinel-2 satellite images (2021-2022 timeframe) was used to extract a wide range of vegetation indices, including common indices (e.g., NDVI, EVI), red-edge band-based indices (e.g., S2REP, REIP, NDRE), and spectral transformations (e.g., TCB, TCW) on the Google Earth Engine platform. After screening variables based on multicollinearity (removing variables with Pearson correlation >0.8), the data were prepared for modeling. The performance of RF, SVM, kNN, and GLM models was evaluated using 10-fold cross-validation, and their accuracy was assessed with the coefficient of determination (R²), Root Mean Square Error (RMSE), and Mean Absolute Error (MAE) metrics. The relative importance of variables was also calculated for each model. All analyses were performed in the R software environment. Results: The mean above-ground carbon storage in district one of Sari city was significantly higher than in the other two districts. The Random Forest (RF) model performed remarkably better than other models, showing the highest accuracy and lowest error. The observed vs. predicted values plot for RF showed a close fit to the 1:1 line, and its residuals were symmetrically scattered around zero, indicating no systematic bias. Although the SVM model showed acceptable accuracy in some iterations, it was unstable and exhibited high dispersion in error metrics. The kNN and GLM models performed weaker and showed a strong tendency to underestimate higher carbon storage values. The examination of variable importance in all models indicated the key role of red-edge band-based indices. The S2REP index had the highest relative importance in predicting carbon storage across all four models. Subsequently, the REIP, NDRE, and EVI indices ranked next in importance. Conclusion: This research demonstrated that integrating advanced spectral indices from Sentinel-2 (especially red-edge indices) with the Random Forest machine learning algorithm provides an accurate, stable, and efficient method for estimating and spatially monitoring above-ground carbon storage of trees in the complex and heterogeneous urban environment of Sari. The superiority of RF stems from its ability to model complex nonlinear relationships, handle outliers, and deliver generalizable results. The pivotal role of the S2REP index emphasizes the importance of spectral information related to chlorophyll content and advanced physiological structure of trees (captured by red-edge bands) compared to conventional greenness indices for carbon storage estimation. It is suggested that urban managers and planners use this framework as an operational tool for periodic monitoring of carbon sequestration potential in green spaces, identifying strengths and weaknesses, prioritizing the protection of mature trees (such as old plane trees), and evaluating the effectiveness of green space development projects towards carbon reduction. For future studies, integrating multi-source data (such as airborne LiDAR for vertical canopy structure, Sentinel-1 radar data, and micro-scale environmental variables), developing ensemble models, and adapting the model for different tree species are recommended to increase the accuracy and reliability of estimates at the metropolitan level.</div> ترسیب کربن, مدل‌های یادگیری ماشین, جنگل شهری, ماهواره Sentinel-2 Carbon Sequestration, Machine Learning Models, Urban Forest, Sentinel-2 Satellite 0 0 http://ifej.sanru.ac.ir/browse.php?a_code=A-10-818-2&slc_lang=fa&sid=1 Elham Fazeli الهام فاضلی fazelielham66@yahoo.com 100319475328460010705 100319475328460010705 Yes Asghar Fallah اصغر فلاح Fallaha2007@yahoo.com 100319475328460010706 100319475328460010706 No Morteza Shabani مرتضی شعبانی shabani@sanru.ac.ir 100319475328460010707 100319475328460010707 No Mahya Tafazoli محیا تفضلی mahya_tafazoli@yahoo.com 100319475328460010708 100319475328460010708 No