مدل سازی ذخیره کربن روی زمینی درختان شهری با استفاده از داده های Sentinel-۲ و الگوریتم های یادگیری ماشین

چکیده مبسوط مقدمه و هدف: افزایش غلظت گازهای گلخانه ای به ویژه دی اکسیدکربن (CO₂)، عامل اصلی گرمایش جهانی و تغییرات اقلیمی است. جنگل های شهری به عنوان بخشی از زیرساخت سبز، نقشی حیاتی در جذب و ترسیب این کربن ایفا می کنند. با این ‎حال، برآورد دقیق ذخیره کربن روی زمینی درختان شهری با روش های سنتی میدانی، پرهزینه، زمان بر و محدود در مقیاس است. در مقابل، تلفیق داده های سنجش از دور و مدل های یادگیری ماشین، رویکردی نوین، سریع و مقرون به صرفه را برای پایش در مقیاس وسیع فراهم می آورد. هدف اصلی این پژوهش، برآورد ذخیره کربن روی زمینی درختان شهر ساری با استفاده از شاخص های پوشش ‎گیاهی استخراج شده از تصاویر ماهواره Sentinel-۲ و مقایسه عملکرد چهار الگوریتم یادگیری ماشین شامل جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM)، k نزدیک ترین همسایه (KNN) و مدل خطی تعمیم یافته (GLM) بود. مواد و روش ها: این مطالعه در محدوده سه منطقه شهری ساری (با مجموع مساحت تقریبی ۲۹۷۰ هکتار) انجام شد. با نمونه برداری انتخابی، ۱۵۰ قطعه نمونه (۵۰ قطعه در هر منطقه) برداشت گردید (در بلوارها با روش خطی و در میادین با روش قطعات نمونه دایره ای). در هر قطعه، قطر برابر سینه (DBH) و ارتفاع تمامی درختان اندازه گیری و موقعیت ها با GPS ثبت شدند. زی توده تنه با استفاده از رابطه آلومتریک مبتنی ‎بر DBH، ارتفاع، ضریب شکل (۰/۵) و چگالی چوب محاسبه و ذخیره کربن با ضرب آن در ضریب ۰/۴۷ برآورد شد. از مجموعه تصاویر بدون ابر ماهواره Sentinel-۲ (بازه ۲۰۲۲-۲۰۲۱) برای استخراج طیف وسیعی از شاخص های پوشش‎ گیاهی شامل شاخص های مرسوم (مانند NDVI، EVI)، شاخص های مبتنی ‎بر باند Red-Edge (مانند S۲REP، REIP، NDRE) و تبدیلات طیفی (مانند TCB، TCW) در پلت فرم Google Earth Engine استفاده گردید. پس از غربال‎ گری متغیرها (حذف متغیرهای با همبستگی پیرسون بالاتر از ۰/۸)، فرآیند مدل سازی انجام شد. عملکرد مدل های RF، SVM، KNN و GLM با استفاده از اعتبارسنجی متقاطع ۱۰-تایی ارزیابی و دقت آن ها با معیارهای ضریب تبیین (R²)، جذر میانگین مربعات خطا (RMSE) و میانگین خطای مطلق (MAE) سنجیده شد. اهمیت نسبی متغیرها نیز در هر مدل محاسبه گردید. کلیه تحلیل ها در محیط نرم افزار R انجام شد. یافته ها: میانگین ذخیره کربن روی زمینی در منطقه یک شهر ساری به طور معنی‎ داری بیشتر از دو منطقه دیگر بود. مدل RF به طور چشم‎گیری از سایر مدل ها بهتر عمل کرد و بالاترین دقت و کمترین خطا را نشان داد. نمودار مقادیر مشاهده شده در مقابل پیش بینی شده برای RF تطابق نزدیکی با خط ۱:۱ داشت و باقی مانده های آن به طور متقارن حول صفر پراکنده بودند که نشان دهنده عدم سوگیری سیستماتیک بود. مدل SVM با وجود داشتن دقت قابل قبول در برخی تکرارها، ناپایدار بود و پراکندگی زیادی در معیارهای خطا نشان داد. مدل های KNN و GLM عملکرد ضعیف تری داشتند و تمایل شدیدی به کم برآوردی مقادیر بالای ذخیره کربن از خود نشان دادند. بررسی اهمیت متغیرها در تمامی مدل ها حاکی از نقش کلیدی شاخص های مبتنی ‎بر باند رد اج بود. شاخص S۲REP در تمام چهار مدل بالاترین اهمیت نسبی را در پیش بینی ذخیره کربن داشت. پس از آن، شاخص های REIP، NDRE و EVI در رتبه های بعدی قرار گرفتند. نتیجه گیری: این پژوهش نشان می­دهد که تلفیق شاخص های طیفی پیشرفته Sentinel-۲ (به ویژه شاخص های مبتنی ‎بر Red-Edge) با الگوریتم یادگیری ماشین جنگل تصادفی، روشی دقیق و کارآمد برای برآورد و پایش مکانی ذخیره کربن روی زمینی درختان در محیط پیچیده و ناهمگن شهری ساری است. برتری RF ناشی از توانایی آن در مدل سازی روابط غیرخطی پیچیده، مدیریت داده های پرت و ارائه نتایج با قابلیت تعمیم پذیری بالا است. نقش محوری شاخص S۲REP، بر اهمیت اطلاعات طیفی مرتبط با محتوای کلروفیل و ساختار فیزیولوژیک پیشرفته درختان نسبت به شاخص های سبزینگی مرسوم در برآورد ذخیره کربن تاکید دارد. به مدیران و برنامه ریزان شهری پیشنهاد می شود که از این چارچوب به عنوان ابزاری عملیاتی برای پایش دوره ای پتانسیل ترسیب کربن فضای سبز، شناسایی نقاط قوت و ضعف، اولویت دهی به حفاظت از درختان بالغ (مانند چنارهای کهن‎سال) و ارزیابی اثربخشی پروژه های توسعه فضای سبز در راستای کاهش کربن استفاده کنند. برای مطالعات آینده، ادغام داده های چند منبعی (مانند LiDAR هوابرد برای استخراج ساختار عمودی تاج، داده های راداری Sentinel-۱ و متغیرهای محیطی ریزمقیاس)، توسعه مدل های اجماعی و تطبیق مدل برای گونه های درختی مختلف پیشنهاد می گردد تا دقت و قابلیت اطمینان برآوردها در سطح کلان شهرها افزایش یابد.

کلیدواژه ها:

Carbon Sequestration ، Machine Learning Models ، Urban Forest ، Sentinel-۲ Satellite ، ترسیب کربن ، جنگل شهری ، ماهواره Sentinel-۲ ، مدل‎ های یادگیری ماشین