سنجش از دور

Google Earth Engine برای پایش ۱۰ ساله جنگل‌های ارسباران

۱۳ دقیقه مطالعه تیر ۱۴۰۳ تیم فنی آرتا سنجش نگار

مقدمه: ارسباران، ذخیره‌گاه زیست‌کره یونسکو

جنگل‌های ارسباران در شمال شرق استان آذربایجان شرقی، یکی از ارزشمندترین اکوسیستم‌های جنگلی فلات ایران به شمار می‌روند. این جنگل‌ها در سال ۱۳۵۵ به عنوان ذخیره‌گاه زیست‌کره توسط یونسکو به رسمیت شناخته شدند و حدود ۷۲۰۰۰ هکتار وسعت دارند. گونه‌های گیاهی نادری چون بلوط ارسباران، بادام کوهی، پلت و زیتون وحشی در این منطقه زندگی می‌کنند و زیستگاه اصلی برخی گونه‌های پرندگان و پستانداران در معرض تهدید هستند.

علی‌رغم این اهمیت بالا، پایش سیستماتیک و کمّی تغییرات پوشش جنگلی ارسباران در بلندمدت نیازمند ابزارهای قدرتمند سنجش از دور بود. Google Earth Engine با توانایی پردازش ابری مجموعه‌های داده ماهواره‌ای در مقیاس بزرگ، گزینه ایده‌آلی برای تحلیل سری زمانی ۱۰ ساله (۲۰۱۵ تا ۲۰۲۴) با تصاویر Landsat 8 بود. هدف پروژه، کمّی‌سازی روند تغییرات پوشش جنگلی و شناسایی نقاط زمانی بحرانی با احتمال آتش‌سوزی، خشکسالی یا تخریب انسانی بود.

تنظیم محیط GEE و تعریف منطقه مطالعاتی

اولین گام در Google Earth Engine تعریف منطقه مطالعاتی (ROI) با استفاده از یک لایه برداری آپلودشده به اکانت GEE بود. مرز دقیق ذخیره‌گاه زیست‌کره ارسباران از سازمان جنگل‌ها و مراتع کشور دریافت و به فرمت GeoJSON تبدیل و به عنوان Asset در GEE بارگذاری شد. مجموعه تصاویر Landsat 8 Collection 2 Level 2 انتخاب شد زیرا تصحیح اتمسفری Surface Reflectance از پیش روی آن اعمال شده و داده‌های دما و کیفیت پیکسل نیز همراه آن موجود است.

برای فیلتر ابر، آستانه ۱۰٪ پوشش ابری استفاده شد تا تصاویر کافی در هر فصل وجود داشته باشد. در برخی سال‌های پرابر مانند ۲۰۱۷ و ۲۰۱۹، تعداد تصاویر با کیفیت مناسب در فصل تابستان کاهش یافت و این عدم قطعیت در تفسیر نتایج لحاظ شد.

کد پردازش: مجموعه NDVI سالانه

کد جاوا‌اسکریپت زیر هسته اصلی پردازش را نشان می‌دهد. برای هر سال بین ۲۰۱۵ تا ۲۰۲۴، یک تصویر NDVI مرکب (Median Composite) محاسبه می‌شود. استفاده از میانه به جای میانگین مقاومت بهتری در برابر تصاویر با نویز ابری باقی‌مانده فراهم می‌کند:

// Define study area and time range
var arasbaran = ee.FeatureCollection('users/asnegar/arasbaran_boundary');
var roi = arasbaran.geometry();

// Load Landsat 8 collection 2015-2024
var collection = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2')
  .filterBounds(roi)
  .filterDate('2015-01-01', '2024-12-31')
  .filter(ee.Filter.lt('CLOUD_COVER', 10))
  .map(function(img) {
    var ndvi = img.normalizedDifference(['SR_B5','SR_B4']).rename('NDVI');
    return img.addBands(ndvi).copyProperties(img, ['system:time_start']);
  });

// Annual NDVI composites
var years = ee.List.sequence(2015, 2024);
var annual = ee.ImageCollection.fromImages(years.map(function(y) {
  return collection.filter(ee.Filter.calendarRange(y, y, 'year'))
    .select('NDVI').median()
    .set('year', y);
}));

در این کد، باند SR_B5 مادون‌قرمز نزدیک (NIR) و SR_B4 قرمز مرئی هستند. مقدار NDVI بین ۱- و ۱+ است و معمولاً برای پوشش گیاهی متراکم بالای ۰.۵ و برای زمین‌های بدون پوشش نزدیک به صفر یا منفی است. آستانه ۰.۴ برای تعریف پیکسل‌های جنگلی بر اساس اعتبارسنجی میدانی انتخاب شد.

تحلیل سری زمانی با آزمون Mann-Kendall

برای تحلیل روند کلی، آزمون ناپارامتری Mann-Kendall در سطح پیکسل اعمال شد. این آزمون مناسب داده‌های سری زمانی محیطی است زیرا پیش‌فرض توزیع نرمال ندارد و در برابر مقادیر پرت مقاوم است. نتایج به صورت یک نقشه رستری نمایش داده شد که در آن رنگ قرمز نشانه روند کاهشی معنادار آماری (p < 0.05) و رنگ سبز نشانه روند افزایشی بود.

نتایج تحلیل روند pixel-wise نشان داد که ۴۲٪ از سطح جنگل روند کاهشی معنادار آماری در NDVI داشتند. این مناطق عمدتاً در شیب‌های جنوبی و غربی جنگل قرار داشتند که بیشترین دسترسی دامداران به آن‌ها وجود دارد. بخش‌هایی از منطقه هسته ذخیره‌گاه که دسترسی به آن‌ها محدود است، روند پایدارتری نشان دادند.

آمار پوشش جنگلی ۱۰ ساله

سال	مساحت با NDVI > 0.4 (هکتار)	درصد از کل منطقه	تغییر نسبت به ۲۰۱۵
۲۰۱۵	۴۸۶۴۰	۶۷.۵٪	—
۲۰۱۶	۴۷۹۲۰	۶۶.۵٪	۱.۵٪-
۲۰۱۷	۴۵۸۱۰	۶۳.۶٪	۵.۸٪-
۲۰۱۸	۴۶۳۵۰	۶۴.۳٪	۴.۷٪-
۲۰۱۹	۴۵۱۲۰	۶۲.۶٪	۷.۲٪-
۲۰۲۰	۴۶۸۴۰	۶۵.۰٪	۳.۷٪-
۲۰۲۱	۴۴۹۷۰	۶۲.۴٪	۷.۵٪-
۲۰۲۲	۴۴۱۸۰	۶۱.۳٪	۹.۱٪-
۲۰۲۳	۴۳۵۶۰	۶۰.۵٪	۱۰.۴٪-
۲۰۲۴	۴۴۵۹۰	۶۱.۹٪	۸.۳٪-

تشخیص نقاط بحرانی با الگوریتم BFAST

الگوریتم BFAST (Breaks For Additive Season and Trend) یکی از ابزارهای قدرتمند برای شناسایی نقاط گسست در سری‌های زمانی داده‌های ماهواره‌ای است. این الگوریتم به طور هم‌زمان روند کلی، مؤلفه فصلی و نقاط گسست را در سری زمانی مدل می‌کند. در این پروژه، BFAST از طریق کتابخانه bfast در R با داده‌های NDVI ماهانه اجرا شد.

نقاط گسست شناسایی‌شده در دو دوره مشخص تمرکز داشتند: تابستان ۲۰۱۷ (همزمان با خشکسالی شدید منطقه‌ای و گزارش آتش‌سوزی‌های کوچک) و بهار ۲۰۲۱ (همزمان با یخ‌بندان دیررس که آسیب قابل توجهی به جوانه‌های بلوط وارد کرد). این نقاط گسست با داده‌های هواشناسی و گزارش‌های منابع طبیعی استان تأیید شدند، که اعتبارسنجی خوبی برای روش BFAST بود.

محدودیت مهم: کاهش NDVI لزوماً به معنای از بین رفتن دائمی پوشش جنگلی نیست. خشکسالی موقت می‌تواند NDVI را کاهش دهد اما جنگل در سال‌های بعد بازیابی کند. تفکیک این دو پدیده نیازمند تحلیل دقیق‌تر و داده‌های تکمیلی دارد.

نتایج و توصیه‌های حفاظتی

نتایج کلی پروژه نشان داد که سطح پوشش جنگلی ارسباران در دوره ۱۰ ساله ۲۰۱۵ تا ۲۰۲۴ در مجموع ۸.۳٪ کاهش یافته است؛ معادل حدود ۴۰۵۰ هکتار. این کاهش به صورت یکنواخت توزیع نشده بود: ۶۵٪ از پیکسل‌های با کاهش معنادار در حریم بیرونی ذخیره‌گاه و مناطق مجاور روستاها قرار داشتند که نشان‌دهنده فشار انسانی (چرای دام، بهره‌برداری غیرمجاز از چوب) به عنوان عامل اصلی است.

توصیه‌های حفاظتی بر اساس این نتایج شامل موارد زیر بود: اول، توسعه سیستم هشدار زودهنگام مبتنی بر پایش ماهانه NDVI با GEE که در صورت کاهش بیش از ۱۵٪ در یک پیکسل نسبت به میانگین تاریخی، هشدار خودکار برای اداره منابع طبیعی ارسال کند. دوم، اولویت‌بندی برنامه حصارکشی برای ۱۵ پارچه جنگلی شناسایی‌شده با بالاترین فشار چرا. سوم، تنظیم برنامه دوره‌ای پایش زمینی با تمرکز روی نقاط گسست شناسایی‌شده توسط BFAST.

نکات کلیدی

Google Earth Engine امکان تحلیل سری زمانی دهه‌ای تصاویر ماهواره‌ای را بدون نیاز به دانلود داده و زیرساخت محلی فراهم می‌کند.
Median Composite سالانه روش مناسبی برای تولید تصویر نماینده هر سال است زیرا نسبت به نویز ابری مقاوم‌تر از Mean Composite است.
الگوریتم BFAST برای شناسایی نقاط گسست در سری زمانی NDVI بسیار مؤثر است، اما باید با داده‌های زمینی اعتبارسنجی شود.
کاهش NDVI لزوماً به معنای تخریب دائمی نیست؛ تفکیک اثرات خشکسالی موقت از تخریب ساختاری نیازمند تحلیل چند ساله است.
توزیع مکانی تغییرات (نه فقط مقدار کل) اطلاعات ارزشمندی برای شناسایی عوامل تهدید و اولویت‌بندی اقدامات حفاظتی فراهم می‌کند.