DOI: https://doi.org/10.1038/s41598-023-50863-1
PMID: https://pubmed.ncbi.nlm.nih.gov/38167902
تاريخ النشر: 2024-01-02
المؤلف: Gouhar Aziz وآخرون
الموضوع الرئيسي: الاستشعار عن بعد وتطبيقات LiDAR
نظرة عامة
تسلط الأبحاث الضوء على مشكلة تغطية الغابات الحرجة في باكستان، والتي تقل عن 6% من إجمالي مساحتها، وهو ما يقل بشكل كبير عن النسبة الموصى بها 20-30%. ترجع هذه النقص إلى حد كبير إلى ممارسات إزالة الغابات غير القانونية وعدم اعتماد تقنيات مراقبة الغابات الحديثة بشكل كافٍ. استخدمت الدراسة طرق الاستشعار عن بعد، وبالتحديد صور الأقمار الصناعية Sentinel-2، لتصنيف الغابات، مستخدمةً كل من الصور ذات الطبقة الواحدة والصور المكدسة الزمنية. حقق تطبيق خوارزمية تصنيف الشبكة العصبية الاصطناعية (ANN) نتائج ملحوظة، بدقة تدريب بلغت 91.37% ومعامل كابا قدره 0.865، بينما حسنت طريقة الطبقة الزمنية هذه المقاييس إلى 98.07% دقة تدريب ومعامل كابا قدره 0.970. كما عززت خوارزمية الغابة العشوائية (RF) الأداء، محققةً دقة تدريب قدرها 99.79% مع معامل كابا قدره 0.996 عند استخدام صور الطبقة الزمنية.
في الختام، توضح الدراسة فعالية تقنيات التعلم الآلي المتقدمة في تقييم تغطية الغابات في منطقة أبوت آباد، كاشفةً أن ANN حددت تغطية الغابات بنسبة 31.07%، بينما سجلت RF 31.17%. تم تخفيف دقة ANN العالية بسبب مشاكل الإفراط في التخصيص، والتي عالجتها خوارزمية RF بشكل فعال. تدعو الأبحاث إلى دمج صور الأقمار الصناعية الطيفية واستكشاف خوارزميات التعلم العميق، مثل الشبكات العصبية التلافيفية (CNN) وشبكات الذاكرة قصيرة وطويلة الأجل (LSTM)، لتعزيز دقة تصنيف تغطية الغابات في الدراسات المستقبلية.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم للنظم البيئية للغابات في الحفاظ على التوازن البيئي، لا سيما في التحكم في التلوث، وتنظيم الفيضانات، ومنع تآكل التربة. على الرغم من توصية منظمة الأغذية والزراعة بتغطية غابات تتراوح بين 20-30%، إلا أن تغطية الغابات في باكستان تبلغ 5.1% فقط، وهو ما يقل بشكل كبير عن المتوسط العالمي البالغ 1 هكتار لكل شخص. يُعزى هذا الانخفاض إلى النمو السكاني السريع، والفقر، ونقص الوعي العام، حيث تعتبر عمليات استخراج الخشب المحلية من المحركات الرئيسية لإزالة الغابات. تظهر بعض المناطق في باكستان، مثل مانسhera وسوات، تنوعًا بيولوجيًا غنيًا، ومع ذلك تظل طرق إدارة الغابات التقليدية غير فعالة ومكلفة، خاصة في التضاريس الصعبة.
تدعو النصوص إلى دمج التقنيات المتقدمة، لا سيما الاستشعار عن بعد، لتعزيز إدارة الغابات والمراقبة. يتم الاستشهاد بعدة دراسات، توضح فعالية تقنيات الاستشعار عن بعد، مثل بيانات لاندسات وخوارزميات التعلم الآلي، في تقييم تغييرات تغطية الغابات، وتقدير الكتلة الحيوية، واكتشاف محركات إزالة الغابات. على سبيل المثال، أظهر استخدام الصور الطيفية والنماذج التصنيفية المتقدمة وعدًا في تحسين الدقة في مراقبة الغابات. تمهد المقدمة الطريق لاستكشاف شامل للمنهجيات والنتائج في الأقسام اللاحقة، مما يبرز الحاجة إلى أساليب مبتكرة لمعالجة التحديات الملحة لإزالة الغابات وتدهور البيئة.
الطرق
في هذه الدراسة، تم اختيار منطقة أبوت آباد كمنطقة تجريبية لاكتشاف تغطية الغابات، والتي تتميز بتنوع جغرافيها ومناظرها الطبيعية الغنية بالغابات. تضمنت المنهجية عدة مراحل، بدءًا من الفحوصات الميدانية لتصنيف تغطية الأرض إلى أربع فئات: الحقول، الغابات، المناطق الحضرية، والشجيرات. تم تعزيز دقة البيانات من خلال الحصول على ملف شكل من معهد الغابات الباكستاني واستخدام تطبيق “GeoSurvey” الذي طوره المركز الوطني للبيانات الضخمة والحوسبة السحابية. تم تحديد ما مجموعه 900 مضلع لفئات الحقول والمناطق الحضرية، و901 مضلع لفئة الغابات بدقة، بينما تم الحصول على بيانات الشجيرات من نظام تخطيط ومراقبة الغابات.
بعد ذلك، تم الحصول على صور الأقمار الصناعية Sentinel-2، بما في ذلك الصور الفردية والصور المتسلسلة زمنياً من أواخر عام 2021. تم إجراء معالجة مسبقة لهذه الصور باستخدام SNAP Desktop، والتي تضمنت إعادة أخذ العينات، وتكديس الطبقات، وإنشاء قناع لاستخراج البيانات ذات الصلة للمنطقة المعنية. استخدمت الدراسة الشبكات العصبية الاصطناعية (ANNs) وخوارزميات الغابة العشوائية (RF) للتحليل. تم استخدام ANNs لمرونتها مع أنواع بيانات الاستشعار عن بعد المختلفة، بينما تم اختيار RF لكفاءتها الحاسوبية وانخفاض حساسيتها للإفراط في التخصيص مقارنةً بأساليب التجميع الأخرى. يتم تلخيص المنهجية العامة بصريًا في الأشكال المرفقة، مما يوضح النهج الشامل لاكتشاف تغطية الغابات في المنطقة.
النتائج
في هذه الدراسة، تم إجراء تصنيف تغطية الغابات باستخدام خوارزميات التعلم الآلي والتعلم العميق، وبالتحديد خوارزميات تصنيف الشبكة العصبية والغابة العشوائية، المطبقة على صور Sentinel-2 لمنطقة أبوت آباد. أظهرت التجارب أن زيادة عدد تكرارات التدريب حسنت بشكل كبير دقة التصنيف. على سبيل المثال، مع 200 تكرار، حققت الشبكة العصبية دقة تدريب إجمالية بلغت 91.37% ودقة تحقق بلغت 93.77%، مع معاملات كابا قدرها 0.865 و0.902، على التوالي. من الجدير بالذكر أن استخدام صورة الطبقة الزمنية المكدسة عزز الأداء بشكل أكبر، مما أسفر عن دقة تدريب قدرها 98.07% ودقة اختبار قدرها 97.75% عند 200 تكرار.
كما أظهرت خوارزمية الغابة العشوائية نتائج واعدة، خاصة مع عمق أقصى قدره 20، مما أسفر عن دقة تدريب إجمالية بلغت 99.12% ودقة اختبار بلغت 92.90%، مع معاملات كابا قدرها 0.986 و0.882، على التوالي. عند تطبيقها على صورة الطبقة الزمنية المكدسة، حققت الغابة العشوائية دقة تدريب استثنائية بلغت 99.79% ودقة اختبار بلغت 96.98% عند نفس العمق الأقصى. كشفت التحليلات أن تغطية الغابات في منطقة أبوت آباد تبلغ حوالي 31.07% وفقًا لنتائج الشبكة العصبية و31.17% وفقًا لنتائج الغابة العشوائية، مما يشير إلى توافق قوي بين المنهجين.
المناقشة
في هذا القسم، يناقش المؤلفون تنفيذ وأداء الشبكات العصبية الاصطناعية (ANN) وخوارزميات الغابة العشوائية لتصنيف تغطية الغابات في منطقة أبوت آباد، باكستان. يبرزون أن ANNs تتكون من ثلاث طبقات أساسية: طبقة الإدخال، الطبقة المخفية، وطبقة الإخراج، حيث تخضع الشبكة للتدريب لضبط الأوزان والانحيازات من أجل تصنيف دقيق. يتم التأكيد على الشبكة العصبية ذات الاتجاه الأمامي (FFNN) لتدفق المعلومات أحادي الاتجاه وطبيعتها غير الدائرية، مما يساعد في التعلم من بيانات الإدخال. يقدم المؤلفون معادلات تصف تعديلات الوزن والمعالجة داخل الطبقات المخفية، مما يبرز أهمية هذه الحسابات في تحسين دقة الإخراج.
كما يتم تفصيل خوارزمية الغابة العشوائية، موضحين استخدامها لعدة أشجار قرار وتقنيات تجميع Bootstrap لتعزيز أداء التصنيف. يذكر المؤلفون نتائج مثيرة للإعجاب، حيث حققت ANN دقة إجمالية بلغت 97.75% ومعامل كابا قدره 0.965، بينما حققت خوارزمية الغابة العشوائية دقة إجمالية بلغت 96.98% ومعامل كابا قدره 0.954. تتجاوز هذه النتائج تلك التي تم الحصول عليها في الدراسات السابقة، مما يوضح فعالية نهجهم، خاصة مع الصور الفضائية الغنية. يقترح المؤلفون أن العمل المستقبلي يمكن أن يستفيد من دمج الصور الطيفية واستكشاف تقنيات التعلم العميق المتقدمة، مثل الشبكات العصبية التلافيفية (CNN) وشبكات الذاكرة قصيرة وطويلة الأجل (LSTM)، لتحسين دقة التصنيف بشكل أكبر.
DOI: https://doi.org/10.1038/s41598-023-50863-1
PMID: https://pubmed.ncbi.nlm.nih.gov/38167902
Publication Date: 2024-01-02
Author(s): Gouhar Aziz et al.
Primary Topic: Remote Sensing and LiDAR Applications
Overview
The research highlights Pakistan’s critical forest coverage issue, which stands at less than 6% of its total area, significantly below the recommended 20-30%. This deficiency is largely due to illegal deforestation practices and inadequate adoption of modern forest monitoring techniques. The study utilized remote sensing methods, specifically Sentinel-2 satellite imagery, for forest classification, employing both single-layer and temporal layer stacked images. The application of an Artificial Neural Network (ANN) supervised classification algorithm achieved remarkable results, with a training accuracy of 91.37% and a kappa coefficient of 0.865, while the temporal layer approach improved these metrics to 98.07% training accuracy and a kappa coefficient of 0.970. The Random Forest (RF) algorithm further enhanced performance, achieving a training accuracy of 99.79% with a kappa coefficient of 0.996 when using temporal layer images.
In conclusion, the study demonstrates the effectiveness of advanced machine learning techniques in assessing forest cover in District Abbottabad, revealing that ANN identified 31.07% forest coverage, while RF recorded 31.17%. The ANN’s high accuracy was tempered by overfitting issues, which the RF algorithm addressed effectively. The research advocates for the integration of hyperspectral satellite imagery and the exploration of deep learning algorithms, such as Convolutional Neural Networks (CNN) and Long Short-Term Memory networks (LSTM), to further enhance forest cover classification accuracy in future studies.
Introduction
The introduction highlights the critical role of forest ecosystems in maintaining environmental balance, particularly in pollution control, flood regulation, and soil erosion prevention. Despite the Food and Agricultural Organization’s recommendation for a forest cover of 20-30%, Pakistan’s forest cover stands at a mere 5.1%, significantly below the global average of 1 hectare per person. This decline is attributed to rapid population growth, poverty, and a lack of public awareness, with local wood extraction being a primary driver of deforestation. Certain regions in Pakistan, such as Mansehra and Swat, exhibit rich biodiversity, yet traditional forest management methods remain inefficient and costly, particularly in challenging terrains.
The text advocates for the integration of advanced technologies, particularly Remote Sensing, to enhance forest management and monitoring. Various studies are cited, demonstrating the effectiveness of remote sensing techniques, such as Landsat data and machine learning algorithms, in assessing forest cover changes, estimating biomass, and detecting deforestation drivers. For instance, the use of hyperspectral images and advanced classification models has shown promise in improving accuracy in forest monitoring. The introduction sets the stage for a comprehensive exploration of methodologies and findings in subsequent sections, emphasizing the need for innovative approaches to address the pressing challenges of deforestation and environmental degradation.
Methods
In this study, the Abbottabad region was selected as a pilot area for forest cover detection, characterized by its diverse geography and rich forested landscapes. The methodology involved several stages, beginning with on-site inspections to categorize land cover into four classes: Fields, Forest, Urban area, and Shrubs. Data accuracy was enhanced by acquiring a shapefile from the Pakistan Forest Institute and utilizing the “GeoSurvey App” developed by the National Center of Big Data and Cloud Computing. A total of 900 polygons for Fields and Urban classes, and 901 polygons for the Forest class were meticulously outlined, while Shrubs data was sourced from the Forestry Planning and Monitoring System.
Subsequently, Sentinel-2 satellite images were obtained, including both single and temporally sequenced images from late 2021. The preprocessing of these images was conducted using SNAP Desktop, involving resampling, layer stacking, and the creation of a mask to extract relevant data for the region of interest. The study employed Artificial Neural Networks (ANNs) and Random Forest (RF) algorithms for analysis. ANNs were utilized for their adaptability to various remote sensing data types, while RF was chosen for its computational efficiency and reduced sensitivity to overfitting compared to other ensemble methods. The overall methodology is visually summarized in accompanying figures, illustrating the comprehensive approach to forest cover detection in the region.
Results
In this study, forest cover classification was conducted using machine learning and deep learning algorithms, specifically the Neural Network and Random Forest Classification algorithms, applied to Sentinel-2 imagery of the Abbottabad region. The experiments demonstrated that increasing the number of training iterations significantly improved classification accuracy. For instance, with 200 iterations, the Neural Network achieved an overall training accuracy of 91.37% and a validation accuracy of 93.77%, with Kappa Coefficients of 0.865 and 0.902, respectively. Notably, the use of a Temporal layer stack image further enhanced performance, yielding a training accuracy of 98.07% and a testing accuracy of 97.75% at 200 iterations.
The Random Forest algorithm also showed promising results, particularly with a maximum depth of 20, which resulted in an overall training accuracy of 99.12% and a testing accuracy of 92.90%, with Kappa Coefficients of 0.986 and 0.882, respectively. When applied to the Temporal layer stacked image, the Random Forest achieved an exceptional training accuracy of 99.79% and a testing accuracy of 96.98% at the same maximum depth. The analysis revealed that the forest cover in the Abbottabad region is approximately 31.07% as per the Neural Network results and 31.17% according to the Random Forest results, indicating a robust agreement between the two methodologies.
Discussion
In this section, the authors discuss the implementation and performance of Artificial Neural Networks (ANN) and Random Forest algorithms for forest cover classification in District Abbottabad, Pakistan. They highlight that ANNs consist of three essential layers: the Input Layer, Hidden Layer, and Output Layer, where the network undergoes training to adjust weights and biases for accurate classification. The Feed-Forward Neural Network (FFNN) is emphasized for its unidirectional information flow and non-cyclic nature, which aids in learning from input data. The authors present equations that describe the weight adjustments and processing within the hidden layers, underscoring the significance of these computations in refining output accuracy.
The Random Forest algorithm is also detailed, showcasing its use of multiple decision trees and Bootstrap Aggregation techniques to enhance classification performance. The authors report impressive results, with the ANN achieving an Overall Accuracy of 97.75% and a Kappa Coefficient of 0.965, while the Random Forest algorithm yielded an Overall Accuracy of 96.98% and a Kappa Coefficient of 0.954. These results surpass those of previous studies, demonstrating the effectiveness of their approach, particularly with enriched satellite imagery. The authors suggest that future work could benefit from integrating hyperspectral imagery and exploring advanced deep learning techniques, such as Convolutional Neural Networks (CNN) and Long Short-Term Memory networks (LSTM), to further improve classification accuracy.