آشکارسازی مناطق سوخته ناشی از آتش‌سوزی پوشش گیاهی استان گلستان با تلفیق تصاویر Sentinel-2 ، محصول MODIS و الگوریتم‌های یادگیری ماشین | ||
| نشریه محیط زیست طبیعی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از 27 شهریور 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jne.2026.417872.2927 | ||
| نویسندگان | ||
| صیاد اصغری سراسکانرود* 1؛ فاطمه صمدی شلوه علیا2؛ سینا خونخام2؛ بتول زینالی2 | ||
| 1استاد ، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران. | ||
| 2گروه جغرافیای طبیعی، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران | ||
| چکیده | ||
| آتش سوزی پوشش گیاهی یکی از مخاطرات مهم اکولوژیکی است که اثرات قابل توجهی بر ساختار و عملکرد اکوسیستم ها دارد. در این پژوهش آشکارسازی مناطق سوخته ناشی از آتش سوزی استان گلستان با استفاده از تلفیق داده های چند سنجنده و الگوریتم ای یادگیری در بستر Google Earth Engine انجام شد. داده‌های مورد استفاده شامل تصاویر Sentinel-2، محصول MODIS (MCD64A1) و مجموعه‌ای از شاخص‌های طیفی و تفاضلی NDVI، NBR، GNDVI، dNDVI، dNBR، dGNDVI، MIRBI، BAI و RBR در سه بازه زمانی قبل، حین و بعد از آتش‌سوزی بود. در مرحله طبقه‌بندی با دو الگوریتم RF و GTB به‌کار گرفته شدند و عملکرد آن‌ها با استفاده از ماتریس خطا، دقت کلی و ضریب کاپا ارزیابی شد. نتایج نشان داد هر دو مدل با صحت کلی 9960/0 و کاپا 9921/0 عملکرد بسیار بالایی در آشکارسازی مناطق سوخته دارند. تحلیل شاخص‌ها بیانگر کاهش شدید پوشش گیاهی پس از آتش‌سوزی بود و dNBR به‌عنوان حساس‌ترین شاخص در تفکیک شدت سوختگی شناخته شد. همچنین Random Forest خروجی پایدارتر و Gradient Boosting حساسیت بیشتری نسبت به تغییرات مرزی نشان داد. به‌طور کلی نتایج این پژوهش نشان می‌دهد که ترکیب Sentinel-2 و MODIS همراه با شاخص‌های طیفی والگوریتم های یادگیری ماشین رویکردی دقیق و قابل‌اعتماد برای آشکارسازی سریع مناطق سوخته و پایش خسارات ناشی از آتش‌سوزی فراهم می‌کند. | ||
| کلیدواژه‌ها | ||
| آتش‌سوزی پوشش گیاهی؛ آشکارسازی مناطق سوخته؛ سنتینل-2؛ مودیس؛ گوگل ارث انجین | ||
|
آمار تعداد مشاهده مقاله: 120 |
||