نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار پژوهش، بخش تحقیقات جنگل‌ها و مراتع، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان آذربایجان شرقی، سازمان تحقیقات، آموزش و ترویج کشاورزی، تبریز، ایران.

2 مربی پژوهش، مؤسسۀ تحقیقات جنگل‌ها و مراتع کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران،‌ ایران.

3 استادیار پژوهش، بخش تحقیقات آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان آذربایجان شرقی، سازمان تحقیقات، آموزش و ترویج کشاورزی، تبریز، ایران

4 مربی پژوهش، بخش تحقیقات جنگل‌ها و مراتع، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان آذربایجان شرقی، سازمان تحقیقات، آموزش و ترویج کشاورزی، تبریز، ایران

چکیده

امروزه در کشورهای در حال توسعه، منابع طبیعی به خصوص جنگل ­ها به منظور اهداف اقتصادی با شدت زیادی در حال بهره‌برداری هستند که این امر موجب تأثیر بر تنوع زیستی، خصوصیات خاک، کمیت و کیفیت آب و اقلیم جهانی می‌شود. بنابراین لزوم توجه بیشتر به حفظ و احیاء جنگل‌ها بیش از پیش احساس می‌شود. امروزه تکنولوژی استفاده از اطلاعات مکانی حاصل از سنجش از دور و تصاویر ماهواره‌ای، اطلاعات جامع و هدفمندی را برای مطالعات محیط زیستی فراهم کرده است. در این پژوهش نیز با استفاده از تصاویر ماهواره سنتینل2 که دارای قدرت تفکیک مکانی، طیفی و زمانی مطلوب می‌باشند، به بررسی و تعیین سطح، پراکنش و انبوهی جنگل‌های منطقه ارسباران و سایر کاربری ها پرداخته شد. جنگل‌های ارسباران در ارتفاعات قره‌داغ در شمال استان آذربایجان شرقی قرار گرفته است ومساحت منطقه مورد مطالعه 551211 هکتار می‌باشد. طبقه‌بندی منطقه به کاربری‌ جنگل(انبوه، نیمه انبوه، تنک و خیلی تنک)، مرتع، کشاورزی، مسکونی و بایر، باغ و آب با استفاده از الگوریتم‌های مختلف انجام شد که نتایج نشان داد روش طبقه‌بندی نظارت‌شده حدکثر احتمال، بهترین روش برای طبقه‌بندی جنگل‌های ارسباران است. بر اساس نتایج به‌دست آمده مساحت جنگل‌های با تراکم بیشتر از 5 درصد،131019 هکتار محاسبه است که 39 درصد آن مربوط به جنگل انبوه، 36 درصد نیمه انبوه، 17 درصد تنک و 8 درصد خیلی تنک می‌باشد. در منطقه مورد مطالعه بیشترین سطح کاربری‌ به‌ترتیب مربوط به مرتع، جنگل، کشاورزی، مسکونی و بایر، باغ و آب محاسبه شده است. با ارزیابی و تعیین صحت نقشه نهایی، ضریب کاپا  0.88 و صحت کلی 89.8% به‌دست آمد که این نتایج نشان داد روش طبقه‌بندی نظارت‌شده پیکسل پایه، روشی قابل قبول بوده و نقشه به‌دست آمده قابل اطمینان و کاربردی می‌باشد. نتایج حاصل از این تحقیق می‌تواند در تهیه برنامه‌های کوتاه‌مدت، میان‌مدت و بلندمدت مدیریت پایدار جنگل‌های کشور استفاده شود که منجر به شناسایی اراضی تخریب‌‎شده و جلوگیری از تعرض به اراضی منابع ملی جنگلی خواهد شد و همچنین به عنوان ابزاری مناسب برای برنامه‌ریزی و تصمیم‌گیری برای آینده جنگل‌ها به‌کار رود.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Mapping forest distribution and density as well as other land uses in Arasbaran area using Sentinel2 data

نویسندگان [English]

  • Raheleh Ostadhashemi 1
  • Khosrow Mirakhorlou 2
  • Jamshid Yarahmadi 3
  • Mohamad Reza Najibzadeh 4

1 Assistant professor, Forests and Rangelands Research Department, East Azerbaijan Agriculture and Natural Resources Research and Education Center, AREEO, Tabriz, Iran.

2 Instructor, Research Institute of Forests and Rangelands, Agricultural Research Education and Extension Organization (AREEO), Tehran, Iran.

3 3- Assistant professor ,Watershed Management Research Department, East Azerbaijan Agriculture and Natural Resources Research and Education Center, AREEO, Tabriz, Iran

4 4- Instructor, Forests and Rangelands Research Department, East Azerbaijan Agriculture and Natural Resources Research and Education Center, AREEO, Tabriz, Iran

چکیده [English]

Extended Abstract
Introduction
Nowadays, natural resources are exploited for the purpose of economical development in developing countries. Expansion of agricultural lands, supply of charcoal and fuel wood and wood production play an important role in forest degradation which affects biodiversity, soil conservation, the quantity and quality of water and the global climate conducted to the importance of forest conservation and reforestation. Therefore quantitative assessment of forests is required for conservation programs and forest monitoring is defined as a tool for sustainable forest management.Today, remote sensing techniques and satellite images can widely provide functional information in environmental studies. In this work, sentinel-2 satellite images with high spatial, temporal and spectral resolution were applied to determine the area, distribution and density of the Arasbaran forestsas well as other land use classes in the area.
Materials and Methods
Arasbaran area is located in Qaradagh mountainous region inthe north of East Azerbaijan province between 38°25′ 59 " N- 39°20′ 7.7 " N latitude and 46°09′ 18 " E- 47°16′ 5.3 " E longitude which covers an area of 551211 hectares and the deciduous forests of this area are known as the 11th Biosphere Reserved in Iran. The altitude varies from ca. 256 m tomore than 2000 m. the importance of the area is in having a rich flora (about 1334plant species) and unique vegetation among the vegetation of the country.
For the first time, the Sentinel-2 images with a combination of high spatial and temporal resolution were used to classify the land use of the area.The best band combination was found for bands 2, 3, 6, 12 and NDVI index. Land use classification included dense, semi -dense, sparse and very sparse forests as well as rangeland, agriculture, residential area-bare soil, garden and water was implemented using 9 different algorithms in a pilot area to find the best algorithm. 280 training sample points were collected from all different land use classes in the area.Consequently, supervised classification technique and Maximum Likelihood algorithm with the Kappa coefficient of 0.886 and anoverall accuracy of 89.6% was identified as the best classification method for the Arasbaran area.Accuracy assessment of the final map was done using ground control points and Google earth images with a total accuracy of 95%.Finally creating an error matrix with 880 ground reference test pixels revealed the accuracy indices.
Results
The final land use map of the Arasbaran area based onthe Supervisedclassification technique and Maximum Likelihood algorithm was created.Based on the results, the accuracy assessment of the final map showed that the Kappa coefficient and the overall accuracy of the classified map were 0.88 and 89.8% respectively.The forest distribution and canopy cover density map were extracted from the land use area map. The total area of forests with a canopy cover of more than 5%, obtained 131019 ha consisting of 39% dense forest, 36% semi -dense forest, 17% sparse forest and 8% very sparse forest. In addition, the largest type of land use accounted for rangeland with 270000, forest with 131019, agriculture with 101974, residential area-bare soil with 30028, garden with 15434 and water with 2756 hectares respectively. Based on the error matrix table and correct classified points as well as total ground control points, the highest user’s and producer’s accuracy belonged to the densed forest class as well as the lowest user’s accuracy and lowest producer’s accuracy belonged to garden and agriculture classes respectively.
Conclusion
The results conducted supervised pixel-based image classification based on the Maximum Likelihood algorithms an acceptable method. It can be because of well -distributed training sample points, the high spatial resolution of sentinel-2 images or Environmental heterogeneity of the area. According to the results, dense forests declined(from 56910 to 50628 ha)however semi -dense and sparse forests have increased (from 35280 to 47930 ha)with respect tothe last forest survey project in the Arasbaran area in 2003.In addition, the results revealed an overlap between agriculture and garden as well as rangeland and residential area-bare soil classes because of multi culture of crops and fruit trees together as well as dried or low vegetation cover of rangelands in the area. These results can provide useful information for decision- making and sustainable forest management for reducing forest degradation and it seems to be an important next step to manage these forests based on conservation policies.

کلیدواژه‌ها [English]

  • Arasbaran forest
  • supervised classification
  • Sentinel2 satellite image
  • Land use
  • Forest density
1- اسکندری، س. (1398). مقایسه الگوریتم‌های مختلف تهیه نقشه پوشش زمین در رویشگاه‌های حساس زاگرس با استفاده از تصویر ماهواره‌ای سنتینل-2 (مطالعه موردی: بخشی از استان ایلام).سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 10(1)، 87-72.
2- بیرنگ، ن.، جوانشیر، ع. و مجتهدی، ی.(1373). گزارش طرح فلور آذربایجان. دانشگاه تبریز، 300 ص.
3- پیشنماز احمدی، م.، محمدزاده، ک. و حجازی، ا. (1396). ارزیابی الگوی تغییرات پوشش جنگلی با استفاده از تکنیک‌های فازی شیء‌گرا( مطالعه موردی: شهرستان کلیبر). جغرافیا و پایداری محیط، 25، 111-95.
4- تقوی مقدم، ا.، بهرامی، ش.، و اکبری، ا.(1395). مقایسه دو روش حداکثر احتمال و شبکه عصبی مصنوعی در ارزیابی تغییرات سطح جنگل‌های حراء با استفاده از تصاویر ماهواره‌ای لندست در منطقه حفاظت‌شده گاندو استان سیستان بلوچستان. پژوهش های علوم و فناوری چوب و جنگل، 23(1)،48-23.
5- جهانبخشی، ف.، واختصاصی، م. (1397). ارزیابی عملکرد سه روش طبقه‌بندی تصویر (جنگل تصادفی، ماشین بردار پشتیبان و حداکثر احتمال) در تهیه نقشه کاربری اراضی. علوم آب و خاک، 22(4)، 247-235.
6- زبیری، م.(1386). زیست‌سنجی(بیو متری) جنگل.انتشارات و چاپ دانشگاه تهران، 411 ص.
7- طاهری آبکنار،ک. (1389).  جنگل‌شناسی جنگل‌های خارج از شمال. نشر حق‌شناس،152ص.
8- طرح صیانت از جنگل‌های ارسباران شمالی. (1382). اداره کل منابع طبیعی آذربایجان شرقی.
9- محبی، ع. (1401). چهارچوب مدیریت مشارکتی برای حفاظت فیزیکی از مراتع. طبیعت ایران، 7 (1)، 32-25.
10- مرادی، ش.،  رمضانی، ا.، علیجانپور، 1.، و بانجشفیعی، ع. (1395). بررسی کمّی و کیفی و پهنه‌بندی ارتفاعی تود‌ه‌ای جنگلی منطقه حفاظت شده ارسباران. فصلنامه تحقیقات جنگل و صنوبر ایران، 24(3)،540-529.
11- نصیری، و.، درویش صفت، ع.، شیروانی، ا.، و عواطفی همت، م. (1398). آشکارسازی و مدل‌سازی تغییرات گستره جنگل‌های ارسباران با استفاده از مدل‌های رگرسیون لجستیک- زنجیره مارکوف و مدل ژئومد. فصلنامه فضای جغرافیایی، 19(65)، 189-171.
12- یاراحمدی، ج.، رستمی‌زاد، ق.، و ساعی، ح. (1398). آشکارسازی تغییرات پوشش جنگلی به روش شیء‌گرا با استفاده از تصاویر ماهواره‌ای در حوضه آبخیز ایلگنه‌ چای جنگل‌های ارسباران. مجله ترویجی حفاظت و بهره‌برداری جنگل‌های هیرکانی، 1(2)، 70-59.
13- Amini Parsa, V., Yavari, A.,& Nejadi, A.(2016). Spatio-temporal analysis of land use/land cover pattern changesin Arasbaran Biosphere Reserve: Iran.Model. Earth Syst. Environ, 2(178), 1-13.
14- Castro Gómez, M. G. (2017). Joint use of Sentinel-1 and Sentinel-2 for land cover classification: A machine learning approach. MSc degree. Faculty of Geo-information Science and Earth Observation.Lund University.
15- FAO, (2015). “How are the World’s Forests Changing? Global Forest Resources Assessment”. Vol. 114. www.fao.org.
16- FAO, (2020). Global forest resources assessment. Report, IRAN.
17- Ho´sciło, A., &Lewandowska, A. (2019). Mapping Forest Type and Tree Species on a Regional Scale Using Multi-Temporal Sentinel-2 Data. Remote Sens, 11(929).
18- Kadıoğulları, A.İ. (2013). Assessing implications of land use and land cover changes in forest ecosystems of NE Turkey.Environ Monit Assess, 185, 2095 – 2106.
19- Li, F., &Wang, R. (2003). Evaluation, Planning and Prediction of Ecosystem Services of Urban Green Space: A Case Study of Yangzhou City. Acta. Ecol. Sin, 23, 1929–1936.
20- Miller, R.W. (1997). Urban Forestry: Planning and Managing Urban Green Spaces, (2nd ed). Prentice Hall: Upper Saddle River, NJ, USA.
21- Mirakhorlou, Kh.,& Akhavan, R. (2017). Forest density and orchard classification in Hyrcanian forests of Iran using Landsat 8 data. Journal of Forest Science, 63(8), 355–362.
22- Miranda, E., Mutiara, A.B.,&Wibowo, W.C. (2018). Classification of land cover from Sentinel-2 imagery usingsupervised classification technique (preliminary study). In Proceedings of the 2018 International Conferenceon Information Management and Technology (ICIMTech), Jakarta, Indonesia, 3–5 September, 69–74.
23- Naik, P., Dalponte, M,.&Bruzzone, L. (2021). Prediction of Forest Aboveground Biomass using Multitemporal Multispectral Remote Sensing Data. Remote Sens, 13(1282).
24- Ottosen, T.B., Petch, G., Hanson, M., &Skjøth, C.A. (2020).Tree cover mapping based on Sentinel-2 images demonstrate high thematic accuracy in Europe.Int J Appl Earth Obs Geoinformation, 84(101947), 1-12.
25- Phiri, D., Simwanda, M.,Salekin, S.,Nyirenda, V.R., Murayama, Y., &Ranagalage, M. (2020). Sentinel-2 Data for Land Cover/Use Mapping:A Review.Remote Sens, 12(2291), 1-35.
26- Puletti, N., Chianucci, F., &Castaldi, C.(2018). Use of Sentinel-2 for forest classification in Mediterranean environments. AnnAls of silvicultur Al reseArch, 42(1), 32-38.
27- Rasuly,  A.,  Naghdifar,  R.,  &Rasoli, M. (2010).  Detecting  of  Arasbaranforest  changesapplying  image  processing  procedures  and  GIS  techniques.  Procedia  of  EnvironmentalSciences, 2, 454-464.
28- Rujoiu-Mare, M. R., Olariu, B., Mihai, B. A., Nistor, C., &Săvulescu, I.(2017). Land cover classification in RomanianCarpathians and Subcarpathians using multi-date Sentinel-2 remote sensing imagery.Eur. J. Remote Sens, 50, 496–508.
29- Stoffels, J., Hill, J., Sachtleber, T., Mader, S., Buddenbaum, H., Stern, O., Langshausen, J., Dietz, J., &Ontrup, G.(2015). Satellite-Based Derivation of High-Resolution ForestInformation Layers for OperationalForest Management.Forests, 6, 1982-2013.
30- Szostak, M., Wężyk, P., Hawryło, P., &Puchała, M. (2016). Monitoring the secondary forest succession and land cover/use changes of the błędów desert (Poland) using geospatial analyses.Quaestiones Geographicae, 35(3),5-13.