موسسه انتشارات دانشگاه تهران تحقیقات آب و خاک ایران 2008-479X 56 8 2025 10 23 Modeling vegetation changes in Zagros forests based on machine learning algorithms and satellite images مدل‌سازی تغییرات پوشش جنگل‌های استان خوزستان مبتنی بر الگوریتم یادگیری ماشین و تصاویر ماهواره‌ای 2057 2077 104770 10.22059/ijswr.2025.394576.669934 FA امین ذرتی پور گروه مهندسی طبیعت، دانشکده کشاورزی،‌دانشگاه علوم کشاورزی و منابع طبیعی خوزستان قاسم شهپری فر گروه زمین شناسی ، دانشگاه اصفهان 0009-0002-1995-1343 اشکان یوسفی گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان Journal Article 2025 05 03 This research investigated and modeled changes in vegetation cover in southwestern Iranian forests using Landsat 8 satellite images and six machine learning algorithms including random forest(RF), Boosted Regression Tree (BRT), support vector machine(SVM), generalized additive model(GAM), Classification and Regression Tree (CART) and generalized linear model(GLM). First, satellite images were processed to determine deforestation areas over a decade from 2013 to 2023, and changes in Normalized Difference Vegetation Index in forest of the study area were calculated. Then, the parameters affecting forest cover changes were examined, and validation and verification of machine learning models were performed using efficiency indices. The results showed that in this study area, several factors affected forest cover and in some areas led to a 20% decrease in Normalized Difference Vegetation Index. The results also indicate that the random forest model has greater accuracy and precision than the other five models. The area under the curve (AUC) of these models is 0.986, 0.0.92, 0.865, 0.761, 0.743 and 0.682 respectively. On the other hand, the impact of different factors on forest cover reduction in different models is not the same; in general, the importance of the parameters of distance from the river, precipitation, evaporation, distance from villages, distance from the dam lake, erosion, distance from the road, slope direction, topographic wetness index, fire and slope are 0.176, 0.170, 0.170, 0.169, 0.167, 0.165, 0.165, 0.163, 0.162, 0.161 and 0.160 respectively.      در سال‌های اخیر پوشش جنگلی، تحت تأثیر عوامل متعددی همچون تغییرات اقلیم و فعالیت‌های انسانی در معرض خطر قرار گرفته است، با توجه به اهمیت بالای این منابع عظیم، این پژوهش به بررسی و مدل‌سازی تغییرات پوشش گیاهی جنگل‌های استان خوزستان با استفاده از شش الگوریتم یادگیری ماشین شامل جنگل‌تصادفی، رگرسیون تقویت شده درختی، بردار پشتیبان، مدل‌جمعی تعمیم یافته، درخت طبقه بندی و رگرسیون و مدل‌خطی تعمیم یافته می پردازد. به‌طوری‌که به منظور تعیین و تشخیص مناطق جنگل‌زدایی شده در استان، تصاویر ماهواره‌ای لندست 8 ، طی دوره زمانی ده ساله (از سال 2013 تا 2023)، مورد پردازش قرار گرفتند و تغییرات شاخص پوشش گیاهی در مناطق جنگلی در محدوده کل استان خوزستان، به مساحت 64057 کیلومتر مربع، محاسبه گردید. پارامترهای متعددی بر تغییرات پوشش جنگلی موثر هستند که از آن میان، عواملی همچون فاصله از روستا، فاصله از رودخانه، فاصله از دریاچه سد، فاصله از جاده، فرسایش خاک، بارش، تبخیر، آتش‌سوزی، شاخص رطوبت توپوگرافی، درصد شیب و جهت شیب مورد بررسی قرار گرفتند. درنهایت اعتبارسنجی و صحت‌سنجی کلیه الگوریتم‌های یادگیری ماشین با استفاده از شاخص-های راندمان انجام گرفت.  مساحت زیر نمودار (AUC) این مدل‌ها که بیانگر میزان دقت هر یک از مدل‌ها می‌باشد،  به ترتیب 986/0، 920/0،  865/0، 761/0، 743/0و 682/0 براورد شد. نتایج نشان دادند، مدل‌جنگل‌تصادفی دارای صحت و دقت بیشتری نسبت به پنج مدل‌دیگر است. همچنین، تأثیر عوامل مختلف بر کاهش پوشش جنگلی در مدل‌های مختلف یکسان نیست؛ به طور کلی اهمیت پارامترهای فاصله از رودخانه، بارش، تبخیر، فاصله از روستاها، فاصله از دریاچه سد، فرسایش، فاصله از جاده، جهت شیب، شاخص رطوبت توپوگرافی، آتش‌سوزی و شیب به ترتیب برابر با 176/0، 170/0، 170/0، 169/0، 167/0، 165/0، 165/0، 163/0، 162/0، 161/0 و 160/0 می‌باشند. نتایج این پژوهش به طور کلی دقت بالای الگوریتم‌های یادگیری ماشین را در بررسی مسئله جنگل‌زدایی در استان خوزستان به خوبی نشان می‌دهند. مدل‌های مورد استفاده بین 2 تا 8 درصد از مساحت کل استان را در معرض خطر زیاد جنگل‌زدایی نشان می‌دهند. به عبارت دیگر، به طور میانگین یک سوم جنگل‌های استان در معرض خطر بالای جنگل‌زدایی قرار دارند. https://ijswr.ut.ac.ir/article_104770_a6effc9e27a9661a3eadf85c03cdb330.pdf