شناسایی خشکیدگی درختان جنگل با کمک هوش مصنوعی

به گزارش پایگاه خبری پژوهندگان عصر، محمدحسن ناصری در طرح پسادکتری خود تحت راهنمایی شعبان شتایی جویباری در دانشگاه علوم کشاورزی و منابع طبیعی گرگان، پژوهشی با عنوان «شناسایی و پایش سرخشکیدگی و خشکیدگی درختان جنگلی با استفاده از داده‌های طیفی و الگوریتم‌های نوین هوش مصنوعی» انجام داده است.

ناصری با تأکید بر اهمیت پایش سلامت جنگل‌ها بیان کرد: سرخشکیدگی و خشکیدگی درختان از جمله چالش‌های اساسی بوم‌شناختی و مدیریتی در جنگل‌های ایران محسوب می‌شود. شناسایی به‌موقع این پدیده‌ها می‌تواند به مدیران جنگل کمک کند تا کانون‌های آسیب‌دیده را سریع‌تر شناسایی کرده و اقدامات مدیریتی مناسبی در مناطق بحرانی انجام دهند.

وی ادامه داد: هدف این پژوهش، ارائه روشی نوین برای شناسایی، پایش و بررسی تغییرات مکانی درختان سرخشکیده و خشکیده با استفاده از داده‌های سنجش‌ازدور با قدرت تفکیک مکانی بالا نظیر تصاویر رقومی پهپاد و التراکم و به‌کارگیری الگوریتم‌های پیشرفته هوش مصنوعی بود. منطقه جنگلی النگدره گرگان به‌عنوان محدوده مطالعه انتخاب شد و وضعیت درختان در سال‌های ۱۳۹۳، ۱۳۹۵ و ۱۴۰۴ مورد بررسی قرار گرفت.

این پژوهشگر اظهار کرد: در مرحله نخست، تصاویر مربوط به سال‌های مورد مطالعه پس از انجام اصلاحات هندسی پردازش شدند و مدل‌های رقومی سطح و ارتوفتوموزاییک منطقه تهیه شد. سپس با برداشت و تهیه نقشه‌های دقیق واقعیت زمینی، موقعیت درختان سرخشکیده و خشکیده مشخص شد تا از این اطلاعات برای آموزش و ارزیابی مدل‌های هوش مصنوعی استفاده شود.

وی افزود: برای شناسایی خودکار درختان هدف، چهار مدل هوش مصنوعی شامل YOLO۱۱s-SAM، YOLO۱۱s-seg، DeepLabV۳+ و SegFormer به کار گرفته شدند. عملکرد این مدل‌ها با استفاده از شاخص‌هایی مانند F۱-score، صحت کلی و ضریب کاپا مورد ارزیابی قرار گرفت تا میزان دقت آن‌ها در شناسایی درختان آسیب‌دیده مشخص شود.

ناصری تصریح کرد: نتایج ارزیابی عملکرد اجرایی مدل‌ها نشان داد که مدل SegFormer در سه دوره مورد بررسی عملکرد بهتری داشت. با این حال، در ارزیابی نقطه‌ای، مدل تلفیقی YOLO۱۱s-SAM در هر سه سال بهترین عملکرد را نشان داد. در ارزیابی مبتنی بر پلیگون نیز YOLO۱۱s-SAM در سال‌های ۱۳۹۳ و ۱۳۹۵ و SegFormer در سال ۱۴۰۴ عملکرد برتری داشتند.

وی با اشاره به بخش دیگری از پژوهش گفت: علاوه‌بر شناسایی درختان آسیب‌دیده، الگوی پراکنش مکانی آن‌ها نیز مورد بررسی قرار گرفت. برای این منظور از روش‌هایی مانند الگوریتم نزدیک‌ترین همسایه، شاخص کلارک ـ ایوانز و شاخص موران استفاده شد. نتایج تمامی این تحلیل‌ها نشان داد که درختان سرخشکیده و خشکیده در طول دوره مورد مطالعه، گرایش قابل‌توجهی به خوشه‌ای‌شدن داشته‌اند.

این پژوهشگر ادامه داد: تحلیل نقاط داغ و سرد با استفاده از آماره گتیس نیز افزایش مناطق دارای تجمع درختان آسیب‌دیده را در سطوح اطمینان بالاتر از ۹۵ درصد نشان داد. همچنین گسترش خوشه‌های داغ و سرد در برخی مناطق مشاهده شد که می‌تواند بیانگر تمرکز عوامل تنش‌زا در بخش‌هایی از منطقه جنگلی باشد.

وی اظهار کرد: بررسی همبستگی مکانی با استفاده از همبستگی مارک نیز نشان داد که در سال‌های ۱۳۹۳ و ۱۳۹۵ الگوی همبستگی پایداری وجود داشته است، درحالی‌که در سال ۱۴۰۴ همبستگی‌های مثبت و منفی در برخی نواحی مشاهده شد. این تغییرات می‌تواند نشان‌دهنده تغییر در عوامل مؤثر بر پراکنش درختان آسیب‌دیده در طول زمان باشد.

ناصری افزود: یکی از یافته‌های مهم پژوهش، روند افزایشی تعداد درختان خشکیده در منطقه مورد مطالعه بود. همچنین تعداد درختان سرخشکیده نسبت به سال ۱۳۹۳ حدود سه‌برابر افزایش یافته است. این افزایش، ضرورت پایش مستمر وضعیت سلامت جنگل و شناسایی سریع عوامل ایجادکننده تنش را بیش از گذشته نشان می‌دهد.

وی با اشاره به عوامل احتمالی مؤثر بر این روند گفت: تغییر الگوی پراکنش درختان آسیب‌دیده به سمت تشکیل خوشه‌های قوی و افزایش مناطق داغ می‌تواند با تشدید برخی عوامل تنش‌زا مانند آفات و بیماری‌ها مرتبط باشد. همچنین در برخی مناطق، فعالیت‌های انسانی از جمله گردشگری نیز می‌تواند در ایجاد فشار بر پوشش جنگلی نقش داشته باشد؛ با این حال، تعیین سهم دقیق هر یک از این عوامل به مطالعات تکمیلی نیاز دارد.

این پژوهشگر در پایان خاطرنشان کرد: نتایج این پژوهش نشان داد تلفیق داده‌های سنجش‌ازدور با قدرت تفکیک مکانی بالا و الگوریتم‌های پیشرفته هوش مصنوعی، به‌ویژه مدل‌های یادگیری عمیق، ظرفیت بالایی برای پایش کمی و کیفی سلامت جنگل و شناسایی درختان سرخشکیده و خشکیده دارد. این رویکرد می‌تواند به‌عنوان ابزاری کارآمد برای شناسایی زودهنگام کانون‌های بحران، پایش تغییرات سلامت جنگل و اتخاذ تصمیم‌های مدیریتی هدفمند در راستای حفظ پایداری اکوسیستم‌های جنگلی مورد استفاده قرار گیرد.