شناسایی خشکیدگی درختان جنگلی با هوش مصنوعی
به گزارش نئوپدیا، در یک طرح پسادکتری پژوهشی با عنوان شناسایی و پایش سرخشکیدگی و خشکیدگی درختان جنگلی با بهره گیری از داده های طیفی و الگوریتم های نوین هوش مصنوعی انجام شد.
به گزارش نئوپدیا به نقل از بنیاد ملی علم ایران (INSF)، محمدحسن ناصری در طرح پسادکتری خود با 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 داده های طیفی و الگوریتم های نوین هوش مصنوعی» انجام داده است.
ناصری با اشاره به اهمیت پایش سلامت جنگلها اظهار داشت: سرخشکیدگی و خشکیدگی درختان همچون چالش های مهم بوم شناختی و مدیریتی در جنگلهای ایران است. شناسایی بموقع این پدیده ها می تواند به مدیران جنگل کمک نماید تا کانون های صدمه دیده را سریع تر شناسایی کرده و اقدامات مدیریتی مناسب را در مناطق بحرانی انجام دهند.
وی اضافه کرد: هدف این مطالعه، عرضه روشی نوین برای شناسایی، پایش و بررسی تغییرات مکانی درختان سرخشکیده و خشکیده با استفاده از داده های سنجش ازدور با قدرت تفکیک مکانی بالا نظیر تصاویر رقومی پهپاد و التراکم و به کارگیری الگوریتم های پیشرفته هوش مصنوعی بود. منطقه جنگلی النگدره گرگان به عنوان محدوده مطالعه برگزیده شد و وضعیت درختان در سالهای ۱۳۹۳، ۱۳۹۵ و ۱۴۰۴ مورد بررسی قرار گرفت.
این پژوهشگر اظهار داشت: در مرحله نخست، تصاویر مربوط به سالهای مورد مطالعه بعد از انجام اصلاحات هندسی پردازش شدند و مدلهای رقومی سطح و ارتوفتوموزاییک منطقه تهیه شد. سپس با برداشت و تهیه نقشه های دقیق حقیقت زمینی، موقعیت درختان سرخشکیده و خشکیده مشخص شد تا از این اطلاعات برای آموزش و ارزیابی مدلهای هوش مصنوعی استفاده گردد.
وی اضافه کرد: 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 شاخص هایی مانند F۱-score، صحت کلی و ضریب کاپا مورد ارزیابی قرار گرفت تا میزان دقت آنها در شناسایی درختان صدمه دیده مشخص شود.
ناصری اضافه کرد: نتایج ارزیابی عملکرد اجرایی مدلها نشان داد که مدل SegFormer در سه دوره مورد بازبینی کارکرد بهتری داشت. بااین حال، در ارزیابی نقطه ای، 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 اظهار داشت: علاوه بر شناسایی درختان صدمه دیده، الگوی پراکنش مکانی آنها نیز مورد بررسی قرار گرفت. برای این منظور از روش هایی مانند الگوریتم نزدیک ترین همسایه، شاخص کلارک ـ ایوانز و شاخص موران استفاده شد. نتایج تمامی این تحلیل ها نشان داد که درختان سرخشکیده و خشکیده در طول دوره مورد مطالعه، گرایش قابل توجهی به خوشه ای شدن داشته اند.
این پژوهشگر اضافه کرد: تحلیل نقاط داغ و سرد با استفاده از آماره گتیس نیز افزایش مناطق دارای تجمع درختان صدمه دیده را در سطوح اطمینان بالاتر از ۹۵ درصد نشان داد. همینطور گسترش خوشه های داغ و سرد در بعضی مناطق مشاهده شد که می تواند مبین تمرکز عوامل تنش زا در بخشهایی از منطقه جنگلی باشد.
وی اظهار داشت: بررسی همبستگی مکانی با استفاده از همبستگی مارک نیز نشان داد که در سالهای ۱۳۹۳ و ۱۳۹۵ الگوی همبستگی پایداری وجود داشته است، درحالی که در سال ۱۴۰۴ همبستگی های مثبت و منفی در بعضی نواحی مشاهده شد. این تغییرات می تواند نشان دهنده تغییر در دلایل تأثیرگذار بر پراکنش درختان صدمه دیده در طی زمان باشد.
ناصری اضافه کرد: یکی از یافته های مهم پژوهش، مسیر صعودی تعداد درختان خشکیده در منطقه مورد مطالعه بود. همینطور تعداد درختان سرخشکیده نسبت به سال ۱۳۹۳ حدود سه برابر افزایش پیدا کرد. این افزایش، لزوم پایش مستمر وضعیت سلامت جنگل و شناسایی سریع عوامل ایجادکننده تنش را بیشتر از گذشته نشان داده است.
وی با اشاره به عوامل احتمالی مؤثر بر این روند اظهار داشت: تغییر الگوی پراکنش درختان صدمه دیده بسمت تشکیل خوشه های قوی و افزایش مناطق داغ می تواند با تشدید برخی عوامل تنش زا مانند آفات و بیماریها ارتباط داشته باشد. همینطور در بعضی مناطق، کارهای انسانی همچون گردشگری نیز می تواند در ایجاد فشار بر پوشش جنگلی نقش داشته باشد؛ بااین حال، تعیین سهم دقیق هر یک از این عوامل به مطالعات تکمیلی نیاز دارد.
این پژوهشگر در آخر تصریح کرد: یافته های این مطالعه نشان داد تلفیق داده های سنجش ازدور با قدرت تفکیک مکانی بالا و الگوریتم های پیشرفته هوش مصنوعی، بخصوص مدلهای یادگیری عمیق، ظرفیت بالایی برای پایش کمی و کیفی سلامت جنگل و شناسایی درختان سرخشکیده و خشکیده دارد. این رویکرد می تواند به عنوان ابزاری کارآمد برای شناسایی سریع کانون های بحران، پایش تغییرات سلامت جنگل و اتخاذ تصمیم های مدیریتی هدفمند در جهت حفظ پایداری اکوسیستم های جنگلی مورد استفاده قرار گیرد.
منبع: neopedia.ir
این مطلب نئوپدیا را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب