پایش سلامت جنگل‌های گرگان با هوش مصنوعی و تصاویر پهپادی
پژوهشگر دانشگاه علوم کشاورزی و منابع طبیعی گرگان در یک طرح پسادکتری، روشی برای شناسایی و پایش درختان سرخشکیده و خشکیده با استفاده از تصاویر پهپادی و الگوریتم‌های هوش مصنوعی ارائه کرده است؛ روشی که می‌تواند به شناسایی زودهنگام کانون‌های آسیب‌دیده جنگل کمک کند.
به نقل از بنیاد ملی علم ایران، محمدحسن ناصری در طرح پسادکتری خود با راهنمایی شعبان شتایی جویباری، پژوهشی با عنوان «شناسایی و پایش سرخشکیدگی و خشکیدگی درختان جنگلی با استفاده از داده‌های طیفی و الگوریتم‌های نوین هوش مصنوعی» انجام داده است.
بررسی وضعیت درختان جنگل النگدره
ناصری با اشاره به اهمیت پایش سلامت جنگل‌ها گفت سرخشکیدگی و خشکیدگی درختان از چالش‌های مهم بوم‌شناختی و مدیریتی در جنگل‌های ایران است و شناسایی به‌موقع آنها می‌تواند به مدیران جنگل در شناسایی سریع‌تر مناطق آسیب‌دیده و انجام اقدامات مدیریتی کمک کند.
در این پژوهش، جنگل النگدره گرگان به‌عنوان محدوده مطالعه انتخاب شد و وضعیت درختان در سال‌های ۱۳۹۳، ۱۳۹۵ و ۱۴۰۴ مورد بررسی قرار گرفت.
هدف پژوهش، شناسایی و پایش تغییرات مکانی درختان سرخشکیده و خشکیده با استفاده از داده‌های سنجش‌ازدور با قدرت تفکیک مکانی بالا، از جمله تصاویر رقومی پهپاد، و الگوریتم‌های پیشرفته هوش مصنوعی بود.
استفاده از چهار مدل هوش مصنوعی
در مرحله نخست، تصاویر مربوط به سال‌های مورد مطالعه پس از اصلاحات هندسی پردازش و مدل‌های رقومی سطح و ارتوفتوموزاییک منطقه تهیه شدند. سپس با برداشت داده‌های دقیق میدانی، موقعیت درختان سرخشکیده و خشکیده مشخص شد تا از این اطلاعات برای آموزش و ارزیابی مدل‌های هوش مصنوعی استفاده شود.
برای شناسایی خودکار درختان آسیب‌دیده، چهار مدل YOLO۱۱s-SAM، YOLO۱۱s-seg، DeepLabV۳+ و SegFormer به کار گرفته شدند. عملکرد این مدل‌ها نیز با شاخص‌هایی مانند F۱-score، صحت کلی و ضریب کاپا ارزیابی شد.
بر اساس نتایج این پژوهش، SegFormer در ارزیابی عملکرد اجرایی طی سه دوره مورد بررسی عملکرد بهتری داشت. بااین‌حال، 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.
افزایش درختان خشکیده و شکل‌گیری کانون‌های آسیب
یکی دیگر از بخش‌های پژوهش به بررسی الگوی پراکنش مکانی درختان آسیب‌دیده اختصاص داشت. برای این منظور از روش‌هایی مانند الگوریتم نزدیک‌ترین همسایه، شاخص کلارک ـ ایوانز و شاخص موران استفاده شد.
نتایج این تحلیل‌ها نشان داد درختان سرخشکیده و خشکیده در طول دوره مورد مطالعه، گرایش قابل‌توجهی به خوشه‌ای‌شدن داشته‌اند.
همچنین تحلیل نقاط داغ و سرد با استفاده از آماره گتیس، افزایش مناطق دارای تجمع درختان آسیب‌دیده را در سطوح اطمینان بالاتر از ۹۵ درصد نشان داد. به گفته این پژوهشگر، گسترش خوشه‌های داغ و سرد در برخی مناطق می‌تواند بیانگر تمرکز عوامل تنش‌زا در بخش‌هایی از جنگل باشد.
بررسی همبستگی مکانی نیز نشان داد در سال‌های ۱۳۹۳ و ۱۳۹۵ الگوی همبستگی پایداری وجود داشته، درحالی‌که در سال ۱۴۰۴ در برخی مناطق همبستگی‌های مثبت و منفی مشاهده شده است. این تغییرات می‌تواند نشان‌دهنده تغییر عوامل مؤثر بر پراکنش درختان آسیب‌دیده در طول زمان باشد.
افزایش سه‌برابری درختان سرخشکیده
یکی از یافته‌های مهم پژوهش، روند افزایشی تعداد درختان خشکیده در محدوده مورد مطالعه بود. همچنین تعداد درختان سرخشکیده نسبت به سال ۱۳۹۳ حدود سه‌برابر افزایش یافت.
ناصری این روند را نشانه‌ای از ضرورت پایش مستمر سلامت جنگل و شناسایی سریع عوامل ایجادکننده تنش دانست.
به گفته او، 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. فعالیت‌های انسانی، از جمله گردشگری، نیز ممکن است در برخی مناطق بر پوشش جنگلی فشار وارد کند؛ بااین‌حال، تعیین سهم دقیق هر یک از این عوامل به مطالعات تکمیلی نیاز دارد.
هوش مصنوعی؛ ابزاری برای پایش سلامت جنگل
ناصری در پایان گفت نتایج پژوهش نشان داده است که 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 دارد.
به گفته او، این رویکرد می‌تواند برای شناسایی زودهنگام کانون‌های بحران، پایش تغییرات سلامت جنگل و اتخاذ تصمیم‌های مدیریتی هدفمند در راستای حفظ پایداری اکوسیستم‌های جنگلی مورد استفاده قرار گیرد.
