آتش‌سوزی‌های جنگلی، یک فاجعه طبیعی قابل توجه، می‌توانند باعث ایجاد تغییراتی در ترکیبات و منجر به عدم تعادل اکولوژیکی، همراه با اصلاحات اساسی در اکوسیستم یک منطقه شوند. شناسایی و پایش تغییرات پوشش زمین برای مدیریت یک اکوسیستم متعادل و مطالعات اقتصادی در سطوح مختلف ضروری است . ^۱٫ شناسایی تغییرات پوشش جنگلی برای پایش مداوم محیط زیست و بررسی کامل مسائل اکولوژیکی فوری، از جمله تخریب منابع طبیعی، از بین رفتن تنوع زیستی و از بین رفتن پوشش جنگلی، ^۲٫ برای تحقیقات زیست‌محیطی و همچنین پایش و مدیریت جنگل، درک چگونگی تأثیر آتش‌سوزی بر جنگل‌ها و شناسایی الگوهای زمانی و مکانی در بازیابی جنگل‌ها پس از آتش‌سوزی ضروری است. ^{۳ ، ۴ ، ۵ ، ۶} .

رویکردهای سنتی از جمله بررسی‌های زمینی پرهزینه و نیازمند زمان زیادی هستند. این امر را می‌توان به عوامل مختلفی نسبت داد که درک تغییرات ایجاد شده در پوشش گیاهی را عملاً غیرممکن می‌کند. برای غلبه بر این مشکل با استفاده از سنجش از دور، می‌توان تغییرات را در مناطق وسیع به صورت اقتصادی و مؤثر رصد کرد ^.۷ تشخیص تغییرات می‌تواند داده‌های حیاتی برای مقابله با بلایا، ایجاد سیاست، پوشش کافی زمین و مدیریت جنگل فراهم کند ^.۸ فصل‌های بی‌سابقه آتش‌سوزی در سراسر جهان، نیاز به درک چگونگی واکنش پوشش گیاهی به الگوهای آتش‌سوزی در حال تغییر را ایجاد می‌کند. شاخص‌های پوشش گیاهی برای ارزیابی و تجزیه و تحلیل رشد مجدد پوشش گیاهی در یک منطقه پس از هر فاجعه بزرگ استفاده می‌شوند و این تکنیکی است که به طور منظم توسط محققان برای این منظور استفاده می‌شود. داده‌های جمع‌آوری‌شده در سه دوره مختلف پس از آتش‌سوزی، تمایز بین پوشش گیاهی در یک جنگل کنترل و یک منطقه در حال احیا را نشان داد ^.۹ به دلیل تغییرات در کاربری زمین و آب و هوا، آتش‌سوزی‌های جنگلی مکررتر و شدیدتر شده‌اند. بسیاری از آنها تمایل به طولانی‌تر شدن دارند که باعث آسیب زیادی به پوشش گیاهی می‌شود و در نتیجه نیاز به تعیین کمیت بازیابی پوشش گیاهی در مناطق آسیب‌دیده از آتش‌سوزی وجود دارد تا بتوان اقدامات مناسبی را برای سرعت بخشیدن به این فرآیند انجام داد. ارزیابی بازیابی پوشش گیاهی به دلیل مدت زمان طولانی مورد نیاز برای ثبت ویژگی‌های منحصر به فرد یک اکوسیستم، چالش‌هایی را به همراه دارد. داده‌های سنجش از دور مبتنی بر سری زمانی، امکان ارزیابی‌های قبل، حین و بعد از آتش‌سوزی را فراهم کرده و دقت را افزایش می‌دهد.

روش‌های دقیق و مؤثر برای جمع‌آوری داده‌های کمی تغییرات جنگل از عکس‌های سنجش از دور، که در یک مطالعه مبتنی بر پایش توسعه یافته و آزمایش شده‌اند، برای پایش مداوم پاکسازی جنگل در MBR ^۱۰ ضروری هستند . این تجزیه و تحلیل تشخیص تغییر، روشی ارزشمند برای توصیف تغییرات مشاهده شده در هر دسته از کاربری زمین است. داده‌های ماهواره‌ای با وضوح بالا، طبقه‌بندی کاربری زمین را به درستی بهبود می‌بخشند. از تکنیک شاخص پوشش گیاهی اختلاف نرمال شده برای استخراج ویژگی با طیف وسیعی از مقادیر آستانه استفاده شده است. رویکرد NDVI نتایج مؤثرتری را برای پوشش گیاهی با انواع مختلف و پوشش گیاهی پراکنده از یک تصویر سنجش از دور چند طیفی ارائه می‌دهد. داده‌های ماهواره‌ای اثربخشی بی‌نظیری در ردیابی و اندازه‌گیری تغییرات گسترده در چشم‌انداز در طول زمان ارائه می‌دهند. با این حال، باید از سازگاری رادیومتری در تصاویر چند زمانه اطمینان حاصل شود تا تغییرات در زمین به وضوح تشخیص داده شود ^{. ۱۲٫ برای} تشخیص تغییرات، نیاز به ادغام تکنیک‌های یادگیری عمیق و تکنیک‌های تجزیه و تحلیل تصویر مبتنی بر شیء وجود دارد که این فرآیند را بسیار کارآمدتر و دقیق‌تر می‌کند . ^۱۳ . رویکردهای مختلفی برای تشخیص ناحیه تغییر یافته استفاده شده‌اند که شامل تشخیص مبتنی بر وصله ^۱۴ ، رویکردهای مبتنی بر پیکسل به شیء ^۱۵ و داده‌های سری زمانی لندست ^۱۶ می‌شود . دقت تکنیک‌های مختلف تشخیص مبتنی بر شیء به کیفیت قطعه‌بندی تصویر بستگی دارد و بسیاری از رویکردها با خطاهای قطعه‌بندی ناقص دست و پنجه نرم می‌کنند ^۱۷. این می‌تواند به دلیل ماهیت پراکنده ویژگی‌های موجود در تصاویر باشد.

افزایش درک ما از چگونگی تأثیر عدم تعادل اکوسیستم و تغییرات در ترتیب آتش‌سوزی‌ها به دلیل آب و هوا بر سرعت توسعه و سازگاری پس از آتش‌سوزی، برای بهبود پیش‌بینی‌های واکنش‌های جامعه به آتش‌سوزی در زمینه تغییرات آب و هوایی بسیار مهم است . ^۱۸٫ هنگامی که پوشش گیاهی فتوسنتزی توسط آتش از بین می‌رود، بازتاب در محدوده مرئی تا نزدیک به مادون قرمز به شدت کاهش می‌یابد. در همین حال، افزایش خاکستر، بازتاب را در محدوده مادون قرمز کوتاه و متوسط ​​افزایش می‌دهد. ^{۱۹ ، ۲۰٫} به دلیل توانایی آنها در جذب تقریب‌های باقیمانده، آنها می‌توانند نمایش استانداردی از پوشش گیاهی یا چیزی نزدیک به آن ارائه دهند که نظارت را تا حد قابل توجهی بهبود می‌بخشد. ^{۲۱ ، ۲۲ ، ۲۳٫} شاخص‌های پوشش گیاهی بسیار مفید هستند و زمانی که منطقه برای نظارت وسیع باشد، سازگار هستند . ^{۲۴ ، ۲۵٫ از آنجایی که داده‌های ماهواره‌ای روزانه در دسترس قرار گرفته‌اند، ردیابی کارآمد رشد مجدد پوشش گیاهی با استفاده از شاخص پوشش گیاهی نرمال شده (NDVI) ۲۶} به صورت جزئی‌تر امکان‌پذیر می‌شود . مطالعات نشان می‌دهد که به دلیل آتش‌سوزی‌های مکرر در یک منطقه، گونه دیگری جایگزین گونه گیاهی می‌شود و این فرآیند به دلیل ماهیت هر دو گونه می‌تواند در طبیعت بسیار طولانی باشد . ^۲۷. این موضوع باید هنگام ارزیابی احتمال رشد مجدد پوشش گیاهی در نظر گرفته شود، که می‌تواند به عواملی مانند pH خاک، محتوای نیتروژن و غیره نسبت داده شود. با توجه به از رده خارج شدن ماهواره‌های MODIS، VIIRS روشی عالی برای تخمین شاخص‌های طیفی بر روی لندست بود . ^۲۸. در حالی که مطالعات قبلی معمولاً از NBR به همراه NDVI برای استخراج مناطق بازسازی گیاهان استفاده کرده‌اند، این رویکردها در معرض اثرات جوی و روشنایی خاک هستند . ^۲۹

شاخص‌های طیفی، از جمله NDVI، EVI و تمایز در شاخص‌های مختلف در طول سال‌های قبل و بعد از آتش‌سوزی، قابل محاسبه و تجزیه و تحلیل هستند . ^۳۰٫ NDVI در ردیابی تغییرات پوشش گیاهی مؤثرتر بوده است . ^۳۱٫ برای تجزیه و تحلیل بازیابی پوشش گیاهی پس از آتش‌سوزی، استفاده از داده‌های ماهواره‌ای چند طول موجی رویکردی است که از پارامترهای مختلف سنجش از دور، از جمله شاخص‌های پوشش گیاهی مرئی-مادون قرمز ^۳۲ ، استفاده می‌کند . اعتبار شاخص پوشش گیاهی برای پایش مؤثر پوشش گیاهی را می‌توان بیشتر به استفاده از آن برای پایش خشکسالی نسبت داد . ^۳۳٫ با توجه به کاربردهای مختلف استفاده از NDVI مشتق شده از محصولات مبتنی بر MODIS و VIIRS، می‌توانیم ببینیم که داده‌های NDVI MODIS و VIIRS برای کاربردهایی با عدم قطعیت از ۰٫۰۲ تا ۰٫۰۵، بسته به مقیاس تجمع مکانی، که معمولاً با عدم قطعیت مجموعه داده‌های فردی سازگار است، قابل تعویض هستند و داده‌های ارائه شده توسط محصولات مبتنی بر VIIRS، به ویژه داده‌های NDVI را برای انجام پایش به اندازه کافی خوب می‌کنند . ^۳۴ . اگرچه شاخص‌های پوشش گیاهی می‌توانند بینشی در مورد بازیابی پوشش گیاهی در یک منطقه ارائه دهند، اما ترکیب این روش با یک رویکرد یادگیری بدون نظارت قبلاً زیاد مورد بررسی قرار نگرفته است و می‌تواند اطلاعات دقیق‌تری در مورد آن منطقه ارائه دهد. STAnet یک مدل محاسباتی است که برای تشخیص توجه فضایی شنیداری از سیگنال‌های EEG با ادغام داده‌های مکانی و زمانی طراحی شده است. این مدل به صورت پویا از طریق مکانیسم توجه مکانی و زمانی به کانال‌های EEG وزن اختصاص می‌دهد و بر الگوهای زمانی در سیگنال‌های EEG تمرکز می‌کند. STAnet که بر روی مجموعه داده‌های ASAD آزمایش شده است، در شرایط مختلف، حتی با یک پنجره تصمیم‌گیری ۱ ثانیه‌ای در مقایسه با نیاز معمول ۱۰ ثانیه‌ای، به طور قابل توجهی از سایر مدل‌ها بهتر عمل می‌کند. این مدل عملکرد رقابتی خود را با چگالی‌های مختلف سیگنال EEG، از ۶۴ تا ۱۶ کانال، حفظ می‌کند. این مطالعه امکان رمزگشایی آنلاین کارآمد سیگنال‌های EEG با چگالی کم را نشان می‌دهد که نویدبخش کاربردهای عملی در رابط‌های انسان و کامپیوتر و کمک به افراد کم‌شنوا است. توسعه STAnet نشان دهنده پیشرفت قابل توجهی در جهت اجرای ASAD در سناریوهای دنیای واقعی است و پیامدهایی برای علوم اعصاب، تعامل انسان و کامپیوتر و فناوری کمکی دارد . ^۳۵ پس از به دست آوردن ویژگی‌های سطح بالا از طریق SFA و مکانیسم Bi-Attention، مدل تحلیل ویژگی آهسته برای جداسازی پیکسل‌های تغییر یافته از پیکسل‌های بدون تغییر اعمال می‌شود. ویژگی‌هایی که به آرامی تغییر می‌کنند، پیکسل‌های بدون تغییر را نشان می‌دهند که نشان‌دهنده ساختارها یا الگوهای اساسی هستند که در طول زمان ثابت می‌مانند. در نهایت، از یک روش آستانه برای تولید نقشه تغییر استفاده می‌شود که مناطق تغییر قابل توجه را در تصاویر سنجش از دور ^۳۶ مشخص می‌کند و اطلاعات مفیدی را ارائه می‌دهد که منجر به توسعه رویکرد ما شد.

به طور خلاصه، می‌توانیم به این درک برسیم که Sparse Autoencoder در استخراج ویژگی‌ها عملکرد بهتری نسبت به Autoencoder ساده دارد، که می‌تواند فرآیند تشخیص تغییرات را در صورت استفاده از آن همراه با Deep Embedded Clustering که معمولاً برای اهداف قطعه‌بندی استفاده می‌شود، به دلیل عملکرد بهتر الگوریتم و پیاده‌سازی نسبتاً ساده آن، به طور قابل توجهی بهبود بخشد. انجام استنتاج پوشش گیاهی از طریق استفاده از شیب سن بر اساس تحلیل روند EVI به همراه یادگیری گروهی می‌تواند برای شناسایی دقیق احتمال رشد مجدد پوشش گیاهی مورد استفاده قرار گیرد. شبکه‌های عصبی مصنوعی (GAN) انواع مختلفی دارند که به وظیفه‌ای که تمایل به انجام آن دارند بستگی دارند و با الهام از این موضوع، ما یک شبکه تخاصمی بدون نظارت مبتنی بر یادگیری عمیق را پیشنهاد می‌کنیم. AdaptiGAN که بر روی کامپوزیت‌های EVIIRS NDVI که پس از چندین مرحله پیش‌پردازش به دست آمده‌اند، آموزش دیده است، می‌تواند توصیف کارآمدتر و دقیق‌تری از سطح بازیابی پوشش گیاهی در مناطق آسیب‌دیده از آتش‌سوزی ارائه دهد.

داده‌ها و پیش‌پردازش

برای انجام تجزیه و تحلیل تشخیص تغییرات پوشش گیاهی پس از آتش‌سوزی، مجموعه‌ای از تصاویر ماهواره‌ای قبل و بعد از آتش‌سوزی ساخته شد. این مجموعه داده‌ها شامل ۳۶۰۰ تصویر شاخص پوشش گیاهی نرمال شده (NDVI) قبل و بعد از آتش‌سوزی از مجموعه طیف‌سنج تصویربرداری با وضوح متوسط ​​EROS (eMODIS) است که از وب‌سایت سازمان زمین‌شناسی ایالات متحده (USGS) ( https://earthexplorer.usgs.gov/ ) برای مناطقی که تحت تأثیر آتش‌سوزی قرار گرفته‌اند، به دست آمده است و معیارهای جستجو برای این کار بر اساس دوره‌های تصاویر قبل و بعد از آتش‌سوزی بود. اصلاحات مناسب برای اطمینان از ثبات و دقت انجام شد. نرم‌افزار QGIS شاخص NDVI را محاسبه می‌کند و منطقه را بر اساس مقدار شاخص هر پیکسل از تصویر چند طیفی به چندین کلاس پوشش گیاهی تقسیم می‌کند.

داده‌های سنجش از دور سالانه از سال ۲۰۰۰ تا ۲۰۲۲ برای ارزیابی رشد مجدد پوشش گیاهی جمع‌آوری می‌شوند. برای این منظور از مجموعه داده‌های شاخص‌های گیاهی ترکیبی ۱۶ روزه MODIS با وضوح ۲۵۰ متر بر پیکسل از مجموعه داده‌های پایگاه داده جهانی مناطق حفاظت‌شده (WDPA) استفاده می‌شود. از داده‌های ترکیبی به‌دست‌آمده، یک مجموعه داده مبتنی بر تصویر ساخته شد. علاوه بر این، پیش‌بینی اینکه آیا رشد مجدد پوشش گیاهی در یک منطقه امکان‌پذیر است یا خیر، شامل جمع‌آوری داده‌های خاک از پایگاه داده شبکه خاک است. این داده‌ها شامل ستون‌هایی از جمله مختصات مکانی، pH خاک، محتوای نیتروژن، محتوای کربن آلی، چگالی ظاهری و گروه‌های خاک است. سپس همه این ویژگی‌ها به هم متصل شده و به عنوان یک مجموعه داده واحد نمایش داده می‌شوند. SoilGrids یک سیستم جامع برای نقشه‌برداری خودکار از ویژگی‌های خاک در سطح جهان است که از الگوریتم‌های یادگیری ماشین و یک پایگاه داده گسترده از پروفیل‌های خاک و داده‌های متغیر کمکی استفاده می‌کند. این سیستم نقشه‌های ویژگی‌های خاک و کلاس خاک قابل به‌روزرسانی با وضوح ۱ کیلومتر و ۲۵۰ متر را در دو وضوح مکانی ارائه می‌دهد. این نقشه‌ها شامل پیش‌بینی ویژگی‌های مختلف سایت، مانند عمق سنگ بستر، خواص فیزیکی و شیمیایی خاک مانند چگالی ظاهری، رس، سیلت، درصد شن و موارد دیگر، در اعماق تا ۲ متر است. علاوه بر این، SoilGrids طبقه‌بندی‌های خاک، از جمله محتمل‌ترین کلاس و احتمالات پیش‌بینی شده برای هر واحد خاک WRB و زیررده طبقه‌بندی خاک را ارائه می‌دهد. در حالی که دقت نقشه‌برداری برای خواص مختلف از ۳۰ تا ۷۰ درصد متغیر است، SoilGrids تخمینی عینی از عدم قطعیت نقشه‌برداری ارائه می‌دهد. این به کاربران اجازه می‌دهد تا تأثیر عدم قطعیت پیش‌بینی را بر آزمایش سناریو یا مدل ارزیابی کنند. SoilGrids که در ابتدا با استفاده از پایگاه‌های داده پروفیل خاک ملی و منطقه‌ای توسعه یافته بود، از سازمان‌ها یا افراد برای بهبود پیش‌بینی‌های محلی با ارائه داده‌های اضافی پروفیل خاک، کمک می‌گیرد. SoilGrids منبعی ارزشمند برای محققان، سیاست‌گذاران و متخصصان درگیر در مطالعات و کاربردهای مرتبط با خاک در سراسر جهان است.

مجموعه داده‌های ساخته شده برای بازیابی پوشش گیاهی از وب‌سایت USGS که در بالا ذکر شد، دانلود شد. این مجموعه شامل ۱۶۰۰ تصویر پس از آتش‌سوزی از سه منطقه مرکزی بود که برای مطالعه ما مناسب‌تر بودند، یعنی: جنگل‌های بارانی آمازون برزیل با مختصات مکانی ۳.۴۶۵۳ درجه جنوبی، ۶۲.۲۱۵۹ درجه غربی، منطقه کنیسنا آفریقای جنوبی با مختصات مکانی ۳۴.۰۳۵۱ درجه جنوبی، ۲۳.۰۴۶۵ درجه شرقی و آلاسکا با مختصات مکانی ۶۳.۵۸۸۸ درجه شمالی، ۱۵۴.۴۹۳۱ درجه غربی. جدول ۱ مجموعه داده‌های مورد استفاده برای پردازش روش ما را نشان می‌دهد. ساخت مجموعه داده‌ها شامل دانلود داده‌های رادیومتر تصویربرداری مادون قرمز مرئی EROS (eVIIRS) ماهواره Suomi NPP و سپس بارگذاری آنها در نرم‌افزار QGIS و به دنبال آن ایجاد یک لایه خروجی است که شامل مقادیر NDVI به دست آمده با استفاده از ماشین حساب رستری موجود در نرم‌افزار است. سپس این لایه برای آموزش و ارزیابی مدل به فرمت .jpeg صادر می‌شود. این مرحله پیش‌پردازش برای تمام داده‌های جمع‌آوری‌شده انجام می‌شود و فایل .jpeg به‌دست‌آمده به مجموعه داده‌ها اضافه می‌شود. شکل  ۱ موقعیت منطقه مورد مطالعه ما را در یک نقشه تجسم‌شده نشان می‌دهد.

آتش‌سوزی‌های جنگلی خسارات زیادی به محیط زیست و اقتصاد وارد می‌کنند، به ویژه پوشش گیاهی تحت تأثیر افزایش ناگهانی دما قرار می‌گیرد که می‌تواند درختان، درختچه‌ها و گیاهان علفی را از بین ببرد. تغییر در ترکیب پوشش گیاهی امکان‌پذیر است زیرا گونه‌های سازگار با آتش تمایل دارند بر گونه‌های دیگری که تحمل کمتری در برابر آتش دارند، غالب شوند. همچنین علامت سوال بزرگی در مورد احتمال رشد مجدد پوشش گیاهی در مناطقی که به ویژه تحت تأثیر آتش‌سوزی‌های گسترده قرار گرفته‌اند، وجود دارد و تجزیه و تحلیل الگوهای بازیابی پس از آتش‌سوزی برای درک اثرات آتش‌سوزی و اینکه چه اقداماتی می‌توان برای بهبود بازیابی انجام داد، در صورت کاهش بازیابی، بسیار مهم است. بنابراین، برای این منظور، ما یک چارچوب یکپارچه شامل تشخیص تغییرات پوشش گیاهی با استفاده از رمزگذارهای خودکار پراکنده و یک مدل خوشه‌بندی عمیق جاسازی شده (DEC) پیشنهاد کردیم که از یک نقشه تغییر که تفاوت بین تصاویر قبل و بعد از آتش‌سوزی را نشان می‌دهد، استفاده می‌کند و سپس آن را با تصویر قبل از آتش‌سوزی ادغام می‌کند تا تغییرات ناشی از آتش‌سوزی را نشان دهد. ارزیابی رشد مجدد پوشش گیاهی شامل استفاده از شاخص پوشش گیاهی بهبود یافته (EVI) برای نمایش سری زمانی پوشش گیاهی در طول سال‌ها از طریق کسر قهوه‌ای شدن و سبز شدن است. علاوه بر این، امکان رشد مجدد برای یک منطقه با استفاده از داده‌های خاک پیش‌بینی می‌شود که به عنوان ورودی به یک مدل مبتنی بر یادگیری جمعی داده می‌شود. در نهایت، نقشه‌برداری بازیابی پوشش گیاهی با استفاده از AdaptiGAN انجام می‌شود. این مدل یادگیری عمیق بدون نظارت، یک تصویر eVIIRS NDVI از پیش پردازش شده را به عنوان ورودی دریافت می‌کند و سپس نقشه بازیابی مربوطه را برای آن تصویر ارائه می‌دهد.

نوآوری این مقاله در چارچوب جامعی برای ارزیابی اثرات پوشش گیاهی پس از آتش‌سوزی نهفته است. این چارچوب شامل سه ماژول مهم است: تشخیص تغییرات پوشش گیاهی با استفاده از Sparse Autoencoders به ​​همراه DEC، که جایگزین کارآمدی برای روش‌های از پیش موجود ارائه می‌دهد، و پس از آن ارزیابی رشد مجدد پوشش گیاهی با استفاده از یادگیری جمعی و شیب سن و در نهایت نقشه‌برداری بازیابی پوشش گیاهی با استفاده از یک معماری جدید به نام AdaptiGAN که مبتنی بر یک الگوریتم یادگیری عمیق با مکانیسم‌های خود-توجهی و تکنیک‌های نرمال‌سازی است که به توانایی آن در تولید نقشه‌های بازیابی دقیق می‌افزاید. نمودار معماری رویکرد پیشنهادی را می‌توان در شکل  ۲ مشاهده کرد .

تشخیص تغییر با استفاده از خوشه‌بندی عمیق جاسازی‌شده (DEC)

ارزیابی جامع روندهای بلندمدت تغییرات پوشش گیاهی در مقیاس میدانی برای مدیریت منابع و ارزیابی اکولوژیکی مورد نیاز است. داده‌های سنجش از دور به عنوان قابل توجه‌ترین دارایی تشخیص تغییرات به طور گسترده مورد استفاده قرار گرفته‌اند. رویکردهای رایج مورد استفاده برای تشخیص تغییرات شامل مقایسه پس از طبقه‌بندی، تجزیه و تحلیل مؤلفه‌های اصلی (PCA) و تفاضل‌گیری تصویر است. روش‌های جدیدی برای استفاده مؤثر از داده‌های سنجش از دور پیچیده‌تر و متنوع‌تر مورد نیاز است که پیش‌بینی می‌شود به زودی از طریق حسگرهای ماهواره‌ای و هوایی به دست آیند، که هنوز هم یک حوزه تحقیقاتی فعال است.

تشخیص تغییرات پوشش گیاهی، تفاوت بین تصاویر ماهواره‌ای به‌دست‌آمده قبل و بعد از آتش‌سوزی را تجزیه و تحلیل می‌کند. این مجموعه داده‌ها شامل ۳۶۰۰ تصویر قبل و بعد از آتش‌سوزی است که از eMODIS NDVI v6 به‌دست‌آمده است. نرم‌افزار QGIS برای محاسبه شاخص NDVI و تقسیم منطقه به چندین کلاس از پوشش گیاهی بر اساس مقدار شاخص هر پیکسل از تصویر چند طیفی استفاده می‌شود. فرآیند تشخیص تغییر از یک رمزگذار خودکار پراکنده برای استخراج ویژگی‌های مورد نیاز استفاده می‌کند. سپس، این نمایش به عنوان ورودی به مدل DEC، یک تکنیک یادگیری بدون نظارت که برای گروه‌بندی تکراری ویژگی‌ها استفاده می‌شود، داده می‌شود و تخصیص‌های بعدی به عنوان نظارت برای به‌روزرسانی وزن‌های شبکه استفاده می‌شوند. این مدل نمایش ویژگی‌ها را از طریق تکرارهای متوالی با استفاده از نقاط داده برچسب‌گذاری شده و بدون برچسب و به طور متناوب یافتن توزیع‌های هدف از پیش‌بینی، به دست می‌آورد. تمایز بین تصاویر به‌دست‌آمده قبل و بعد از آتش‌سوزی در منطقه جنگلی در جفرسون، کالیفرنیا، برای ایجاد نقشه تغییر استفاده می‌شود. شکل  ۳ گردش کار تشخیص تغییرات پوشش گیاهی را نشان می‌دهد.

تقسیم بندی کلاس ها

از نرم‌افزار QGIS برای محاسبه شاخص NDVI و تولید پنج کلاس مختلف از پوشش گیاهی کم تا پوشش گیاهی بسیار زیاد استفاده شده است. شکل  ۴ در زیر مقدار شاخص NDVI را از “-۱ تا +۱” نشان می‌دهد. شکل  ۵ مجموعه کلاس‌های تولید شده از NDVI را نشان می‌دهد. جدول ۲ نوع پوشش گیاهی و شاخص NDVI مرتبط با آن را نشان می‌دهد. معیارهای انتخاب آستانه بر اساس مقادیر NDVI است که می‌تواند از -۱ تا ۱ متغیر باشد. اکنون با استفاده از این اطلاعات، شاخص NDVI را محاسبه کرده و منطقه را بر اساس مقدار شاخص هر پیکسل از تصویر چند طیفی به چندین کلاس پوشش گیاهی تقسیم کردیم. این تصویر پردازش شده با شاخص NDVI به عنوان ورودی مدل DEC ما عمل کرد.

رمزگذار خودکار پراکنده

یک خودرمزگذار نوع خاصی از شبکه عصبی مصنوعی (ANN) را نشان می‌دهد که معمولاً برای یادگیری بدون نظارت استفاده می‌شود. یک خودرمزگذار که اطلاعات گلوگاه را با محدودیت اضافی در مورد پراکندگی به دست می‌آورد، خودرمزگذار پراکنده نامیده می‌شود. تابع زیان برای قرار دادن فعال‌سازی‌ها در داخل یک لایه طراحی شده است. واگرایی منظم‌سازی L1 یا Kullback-Leibler (KL) بین یک توزیع مناسب و میانگین فعال‌سازی نورون مورد انتظار، به گونه‌ای که بتوان محدودیت پراکندگی را اعمال کرد. به عبارت دیگر، خودرمزگذار تفاوت بین ورودی و خروجی بازسازی‌شده را به حداقل می‌رساند و پراکندگی را در فعال‌سازی‌های لایه پنهان تشویق می‌کند.

منظم‌سازی L1

با مقیاس‌بندی قدر مطلق بردار فعال‌سازی در لایه h برای مشاهده i توسط پارامتر تنظیم λ با ویژگی‌های x و x^ آن، می‌توانیم عبارتی را به تابع زیان خود اضافه کنیم که آن را جریمه کند. فرمول مورد استفاده را می‌توان در معادله ( ۱ ) مشاهده کرد.

واگرایی KL

واگرایی KL معیاری برای اندازه‌گیری تغییرات در توزیع احتمال بین دو نمونه است. پارامتر پراکنده ρ نشان‌دهنده میانگین فعالیت یک نورون در گروهی از نمونه‌ها است نورون‌ها با محدود کردن میانگین فعالیت یک نورون و مشتق‌گیری j از آن در گروهی از نمونه‌ها، برای زیرمجموعه‌ای از مشاهدات تحریک می‌شوند. برای مقایسه توزیع مورد انتظار با توزیع‌های واقعی در تمام گره‌های لایه پنهان، می‌توانیم آن را به عنوان توزیع متغیر تصادفی برنولی تعریف کنیم و از واگرایی KL استفاده کنیم. فرمول مورد استفاده را می‌توان در معادله ( ۲ ) مشاهده کرد.

خوشه‌بندی عمیق جاسازی‌شده

مدل DEC در دو مرحله کار می‌کند:

• مقداردهی اولیه فاز با اتوانکودرهای عمیق و پراکنده
• خوشه‌بندی، که در آن آنها به طور متوالی محاسبه توزیع هدف تکمیلی را تکرار می‌کنند و واگرایی KL مرتبط را به حداقل می‌رسانند. شکل  ۶ نمودار بلوکی خوشه‌بندی عمیق جاسازی‌شده را نشان می‌دهد. این نمودار، گردش کار مدل را که شامل یک بلوک رمزگذار خودکار و خوشه‌بندی است، خلاصه می‌کند. در ابتدا یک انتساب نرم بین مراکز خوشه (کلاس‌های پوشش گیاهی) و نقاط تعبیه‌شده محاسبه می‌شود. سپس، توزیع t شاخص شباهت بین نقاط تعبیه‌شده را محاسبه می‌کند و توزیع t مرکز خوشه به عنوان یک نمایش غیرپارامتری برای شناسایی شاخص شباهت بین نقاط تعبیه‌شده استفاده می‌شود. می‌توان با استفاده از یک توزیع هدف کمکی و یادگیری از انتساب‌های اخیر با اطمینان بالا، نگاشت عمیق را ارتقا داد و مراکز خوشه را بهبود بخشید. به طور خاص، انتساب نرم با توزیع هدف تطبیق داده می‌شود تا مدل و مرکز خوشه‌ها آموزش داده شوند.

گردش کار اساسی این فرآیند تشخیص تغییر این است که تصاویر به‌دست‌آمده قبل و بعد از آتش‌سوزی به‌طور همزمان به عنوان ورودی به مدل DEC ما داده می‌شوند. از یک خودرمزگذار Sparse برای استخراج ویژگی‌ها و انتقال آنها به تابع خوشه‌بندی استفاده می‌شود که در آن هر یک از ویژگی‌های مشابه آن در یک خوشه تجمیع می‌شوند. این تابع یک نقشه دودویی از تصاویر قبل و بعد از آتش‌سوزی ارائه می‌دهد، با یافتن تفاوت بین تصاویر به‌دست‌آمده قبل و بعد از آتش‌سوزی، نقشه تغییرات خود را به عنوان خروجی نهایی دریافت می‌کنیم که در عوض با یک تصویر قبل از آتش‌سوزی جاسازی می‌شود تا تغییرات در پوشش گیاهی منطقه ایجاد شود. خروجی مدل DEC، NDVI نیست، بلکه ورودی آن است. تصویر ورودی بر اساس ۵ کلاس NDVI (بدون پوشش گیاهی، بدون پوشش گیاهی، کم پوشش گیاهی، متوسط ​​پوشش گیاهی و زیاد پوشش گیاهی) ساخته شده است که سپس به عنوان ورودی برای به دست آوردن نقشه تغییرات دودویی و نقشه تغییرات DEC به عنوان خروجی ارائه می‌شوند.

مدل DEC (خوشه‌بندی جاسازی‌شده عمیق) به دلیل ادغام خودرمزگذارهای پراکنده عمیق در کنار تکنیک‌های خوشه‌بندی، نقشه‌های دودویی سوخته تولید می‌کند. خودرمزگذارها با ارائه مکانیسمی برای یادگیری بدون نظارت ویژگی و کاهش ابعاد، نقش مهمی در DEC ایفا می‌کنند. به طور خاص، خودرمزگذارهای پراکنده عمیق در DEC برای یادگیری نمایش‌های معنادار داده‌های ورودی طراحی شده‌اند و در عین حال، پراکندگی را در فعال‌سازی لایه‌های پنهان اعمال می‌کنند. این قابلیت برای ثبت الگوها و ویژگی‌های پیچیده در تصاویر ماهواره‌ای، از جمله مواردی که نشان‌دهنده مناطق سوخته هستند، ضروری است. با استفاده از خودرمزگذارها، DEC می‌تواند داده‌های ورودی را در یک فضای پنهان با ابعاد کمتر فشرده کند و خوشه‌بندی و یادگیری بازنمایی کارآمدتر را تسهیل کند. علاوه بر این، ترکیب خودرمزگذارها با محدودیت‌های پراکندگی، واگرایی KL و منظم‌سازی L1، توانایی DEC را در استخراج ویژگی‌های مرتبط و اعمال پراکندگی در لایه‌های پنهان بیشتر می‌کند و در نتیجه به شناسایی دقیق مناطق سوخته در تصاویر ماهواره‌ای کمک می‌کند. به طور کلی، ادغام رمزگذارهای خودکار در چارچوب DEC، رویکردی جامع و مؤثر برای تولید نقشه‌های دودویی از تصاویر ماهواره‌ای فراهم می‌کند و از نقاط قوت هر دو تکنیک یادگیری عمیق و خوشه‌بندی بهره می‌برد.

یادگیری گروهی

ارزیابی رشد مجدد پوشش گیاهی پس از آتش‌سوزی برای نظارت پس از آتش‌سوزی و بازیابی اکوسیستم ضروری است. شیب سن، که به آن تخمین‌گر سن یا روش سن نیز گفته می‌شود، یک تکنیک آماری است که برای ارزیابی روندها یا تغییرات در داده‌های سری زمانی استفاده می‌شود. در حالی که شیب سن معمولاً برای تجزیه و تحلیل روندها در زمینه‌های مختلف مانند هیدرولوژی و علوم آب و هوا استفاده می‌شود، می‌توان از آن برای ارزیابی رشد مجدد پوشش گیاهی پس از آتش‌سوزی نیز استفاده کرد. این شامل به دست آوردن داده‌های سری زمانی است که نشان‌دهنده شاخص‌های پوشش گیاهی یا سایر معیارهای مربوط به پوشش گیاهی برای منطقه مورد مطالعه هستند. این داده‌ها باید چندین دوره، قبل و بعد از رویداد آتش‌سوزی را در بر بگیرند.

شیب سنس برای شاخص EVI محاسبه می‌شود. بر اساس بزرگی شیب، می‌توان کسر قهوه‌ای شدن و سبز شدن را تعیین کرد. روند الگوی EVI در طول سال‌ها تجزیه و تحلیل شده و به صورت نمودار نمایش داده می‌شود. مجموعه داده‌های MODIS برای مناطق مختلف جمع‌آوری شده و تصاویر NDVI آنها به فریم‌های RGB تبدیل و تجمیع می‌شوند تا انیمیشنی ارائه شود که نشان‌دهنده تغییرات پوشش گیاهی در طول سال‌ها باشد. پیش‌بینی احتمال رشد مجدد شامل جمع‌آوری داده‌های خاک از پایگاه داده شبکه خاک است که سپس با استفاده از یادگیری جمعی برای ارائه نتیجه آموزش داده می‌شود. شکل  ۷ گردش کار ارزیابی رشد مجدد پوشش گیاهی را نشان می‌دهد.

نحوه‌ی کار ارزیابی رشد مجدد پوشش گیاهی با استفاده از شیب سن را می‌توان در مراحل زیر شرح داد.

• جمع‌آوری داده‌ها : داده‌های سنجش از دور مانند تصاویر ماهواره‌ای از مجموعه داده‌های MODIS برای یک منطقه خاص در یک دوره زمانی جمع‌آوری می‌شوند.
• پیش‌پردازش : پیش‌پردازش داده‌های سنجش از دور، نویز یا مصنوعات را حذف کرده و آنها را به فرمت قابل استفاده تبدیل می‌کند. این ممکن است شامل حذف ابر، تصحیح جوی و کالیبراسیون رادیومتری باشد.
• محاسبه شاخص پوشش گیاهی : شاخص پوشش گیاهی، مانند شاخص پوشش گیاهی بهبود یافته (EVI)، از داده‌های سنجش از دور پیش‌پردازش‌شده محاسبه می‌شود.
• تحلیل سری‌های زمانی : مقادیر شاخص پوشش گیاهی برای هر گام زمانی با استفاده از تخمین‌گر شیب سن تحلیل می‌شوند تا روند یا شیب شاخص پوشش گیاهی در طول زمان محاسبه شود. نتیجه، سرعتی را که پوشش گیاهی یک منطقه دوباره رشد می‌کند یا کاهش می‌یابد، تقریب می‌زند.
• تجسم : نتایج تجزیه و تحلیل را می‌توان با استفاده از تکنیک‌های مختلف، مانند نمودار سری زمانی شاخص پوشش گیاهی یا نقشه‌ای که توزیع مکانی رشد مجدد یا زوال پوشش گیاهی را نشان می‌دهد، تجسم کرد.

ارزیابی رشد مجدد پوشش گیاهی با استفاده از شیب سن، تکنیکی عالی برای ارائه بینش در مورد مراحل بازسازی طبیعی پوشش گیاهی است. همچنین امکان شناسایی مناطقی را فراهم می‌کند که ممکن است پس از فاجعه‌ای مانند آتش‌سوزی، نیاز به مداخلاتی برای پشتیبانی از بازیابی در یک منطقه داشته باشند.

ترسیم روندها بر اساس EVI

مراحل زیر فرآیند ترسیم روندها بر اساس مقادیر EVI محاسبه شده در یک دوره زمانی را شرح می‌دهد:

• مجموعه داده‌های پایگاه داده جهانی مناطق حفاظت‌شده (WDPA) پایه و اساس ایجاد مجموعه داده‌های شاخص‌های پوشش گیاهی ترکیبی ۱۶ روزه MODIS با ابعاد ۲۵۰ متر بر پیکسل است.
• برای ایجاد یک مجموعه، تصاویر مربوط به هر سال بین ۲۰۰۰ تا ۲۰۰۲ را اضافه کنید.
• هر یک از تصاویر برای دستیابی به بالاترین EVI در هر ماه از سال‌های مربوطه محاسبه شده‌اند.
• این یک بررسی سالانه از وضعیت پوشش گیاهی است. سال را به عنوان یک نوار اضافه کنید تا برای تجزیه و تحلیل روند خطی کامل آماده شوید.
• شیب sen هر پیکسل از بالاترین EVI تابستانی را در طول زمان تعیین کنید تا یک روند خطی تخمین زده شود.
• مقادیر شیب رگرسیون را به صورت هیستوگرام محاسبه و نمایش دهید.
• ما می‌توانیم با اندازه‌گیری مقدار شیب، درصد قهوه‌ای شدن و سبز شدن پوشش گیاهی را تعیین کنیم.

شیب سن = میانه { : i < j}.

مجموعه داده‌های مربوط به ویژگی‌های خاک از پایگاه داده شبکه خاک به دست آمده است. Stacking یک الگوریتم یادگیری ماشین گروهی است که نتایج چندین مدل را ترکیب می‌کند. در کار پیشنهادی، الگوریتم‌های یادگیری ماشین ساده، از جمله رگرسیون لجستیک، SVM، درخت تصمیم، جنگل تصادفی و Naïve Bayes، را به عنوان مدل‌های ضعیف در نظر می‌گیریم و پیش‌بینی‌های آنها به تعمیم‌دهنده داده می‌شود تا نتیجه احتمال رشد مجدد را ارائه دهد. شکل  ۸ در زیر رویکرد یادگیری گروهی با استفاده از stacking را نشان می‌دهد. بنابراین، معماری پایه فرآیند stacking مورد استفاده به شرح زیر است:

• مدل‌های پایه (سطح ۰) : این شامل آموزش مدل‌های پایه متنوع روی داده‌های آموزشی است، در این مورد رگرسیون لجستیک، ماشین بردار پشتیبان، درخت تصمیم، جنگل تصادفی و بیز ساده.
• متامدل (سطح ۱) : در مورد ما، یک متامدل به نام تعمیم‌دهنده، بر اساس پیش‌بینی‌های مدل‌های پایه آموزش داده می‌شود. این مدل یاد می‌گیرد که پیش‌بینی‌های مدل پایه را برای تولید یک پیش‌بینی نهایی ترکیب کند.
• پیش‌بینی نهایی (خروجی) : بر اساس ویژگی‌های خاک به عنوان ورودی، مدل آموزش‌دیده پیش‌بینی‌هایی در مورد احتمال رشد مجدد در یک منطقه انجام می‌دهد.

شبکه عصبی مولد تخاصمی تطبیقی ​​(AdaptiGAN)

نقشه‌برداری از بازیابی پوشش گیاهی، اطلاعات ارزشمندی در مورد جنبه‌های اکولوژیکی، زیست‌محیطی و مدیریتی مناظر پس از آتش‌سوزی ارائه می‌دهد. رویکردهای سنتی شامل بررسی‌های میدانی و حقیقت‌یابی زمینی می‌توانند دست و پا گیر و پرهزینه باشند، در حالی که همزمان نیاز به یک استراتژی کارآمدتر برای سرعت بخشیدن به این فرآیند را ایجاد می‌کنند. این امر شامل استفاده از فناوری‌های سنجش از دور مانند تصاویر ماهواره‌ای همراه با شاخص‌های طیفی مانند NDVI و تکنیک‌های یادگیری عمیق است. اکنون، استفاده همزمان از فناوری‌های سنجش از دور و یادگیری عمیق می‌تواند نتایج کارآمد و دقیقی را ارائه دهد که می‌تواند برای برنامه‌ریزی‌های آینده مانند تخصیص منابع و احیای زیستگاه در مناطق آسیب‌دیده از آتش‌سوزی مورد استفاده قرار گیرد.

برای این منظور، رویکرد پیشنهادی، داده‌های ماهواره‌ای را از محصولات e-VIIRS به‌دست‌آمده از ماهواره‌های Suomi NPP، از مناطق مختلف تحت تأثیر آتش‌سوزی جمع‌آوری می‌کند. سپس این داده‌ها با استفاده از ابزار QGIS پیش‌پردازش می‌شوند که از طریق آن NDVI محاسبه شده و تصویری شبیه به تصویر به دست می‌آید. این مجموعه داده‌ها به عنوان داده‌های آموزشی برای یک الگوریتم یادگیری بدون نظارت به نام AdaptiGAN عمل می‌کند که می‌تواند بر اساس داده‌هایی که به آن وارد می‌کنیم، تطبیق داده شود. با استفاده از این مدل آموزش‌دیده، می‌توانیم نقشه‌های بازیابی را برای مناطق آسیب‌دیده از آتش‌سوزی برای دوره‌های زمانی مختلف به دست آوریم. شکل  ۹ چارچوب رویکرد نقشه‌برداری بازیابی پوشش گیاهی را نشان می‌دهد.

AdaptiGAN یک معماری شبکه عصبی است، یک شبکه مولد تخاصمی (GAN) که مولد آن از معماری Encoder-Decoder پیروی می‌کند و از مکانیسم‌های خود-توجه برای ثبت وابستگی‌های دوربرد استفاده می‌کند که به نوبه خود به بهبود نمایش ویژگی‌ها کمک می‌کند و متمایزکننده از معماری PatchGAN استفاده می‌کند که به ثبت جزئیات دقیق تصاویر ورودی کمک می‌کند. مکانیسم‌های خود-توجه و تکنیک‌های نرمال‌سازی در ثبت ویژگی‌های خاص دامنه نقش مهمی دارند، که در مورد ما یعنی تولید نقشه‌های بازیابی بسیار مهم است. اجزای حیاتی مربوط به این معماری را می‌توان با جزئیات بیشتر در زیر مشاهده کرد و معماری شبکه را می‌توان در شکل  ۱۰ مشاهده کرد .

اجزای معماری AdaptiGAN

ژنراتور

این از معماری رمزگذار-رمزگشا پیروی می‌کند. رمزگذار برای استخراج ویژگی‌ها، تصویر ورودی را کاهش نمونه‌برداری می‌کند و رمزگشا این ویژگی‌ها را افزایش نمونه‌برداری می‌کند تا تصویر خروجی نهایی را به دست آورد. لایه‌های کاهش نمونه‌برداری، ابعاد مکانی را کاهش داده و تعداد کانال‌های ثبت ویژگی‌های سلسله مراتبی را افزایش می‌دهند، در حالی که لایه‌های افزایش نمونه‌برداری، ابعاد مکانی را افزایش می‌دهند و امکان تولید تصویری با وضوح بالا را فراهم می‌کنند. یک مکانیسم خود-توجهی پس از لایه سوم کاهش نمونه‌برداری معرفی می‌شود تا وابستگی‌های دوربرد را ثبت کرده و نمایش ویژگی‌ها را بهبود بخشد.

تفکیک کننده

این تشخیص‌دهنده از معماری PatchGAN استفاده می‌کند و تکه‌های محلی تصاویر ورودی را به صورت واقعی یا جعلی طبقه‌بندی می‌کند. این امر به ثبت جزئیات دقیق کمک می‌کند. لایه‌های کانولوشن با فعال‌سازی‌های ReLU نشتی برای استخراج ویژگی و تشخیص استفاده می‌شوند. نرمال‌سازی دسته‌ای برای نرمال‌سازی فعال‌سازی‌ها اعمال می‌شود و به پایداری و آموزش تشخیص‌دهنده کمک می‌کند.

منظم‌سازی وزن

منظم‌سازی وزن L2 بر روی لایه‌های کانولوشن مولد و متمایزکننده اعمال می‌شود. این امر به جلوگیری از بیش‌برازش کمک می‌کند و تعمیم‌پذیری معماری را بهبود می‌بخشد.

نرمال‌سازی نمونه

نرمال‌سازی نمونه در تفکیک‌کننده پس از لایه‌های کانولوشن دوم و سوم اعمال می‌شود. این روش، فعال‌سازی‌ها را در کانال‌ها و ابعاد مکانی به طور مستقل برای هر نمونه نرمال‌سازی می‌کند.

ترک تحصیل

حذف، پس از الحاق نقشه‌های ویژگی در طول فرآیند رمزگشایی، در مولد اعمال می‌شود. این عمل با حذف تصادفی کسری از واحدها در طول آموزش، به منظم‌سازی شبکه کمک می‌کند.

توابع فعال‌سازی

فعال‌سازی ReLU در بخش‌های مختلف مولد و متمایزکننده برای ایجاد غیرخطی بودن استفاده می‌شود، در حالی که ReLU نشتی در متمایزکننده برای ایجاد گرادیان کوچک و غیرصفر در زمانی که ورودی منفی است، استفاده می‌شود.

جمع‌بندی

این مولد از لایه‌های جمع‌بندی برای ترکیب نقشه‌های ویژگی از مراحل مختلف استفاده می‌کند و به تولید تصاویر دقیق و واقع‌گرایانه کمک می‌کند.

لایه خروجی

این مولد در خروجی خود یک لایه کانولوشنی فعال‌شده با tanh دارد تا تصویر نهایی تولید شده را تولید کند.

برای تأیید قابلیت اجرای رویکرد پیشنهادی ما، عملکرد سه ماژول مورد آزمایش قرار گرفت. دو بخش برای تجهیزات آزمایشگاهی وجود دارد: یکی برای آزمایش و دیگری برای آموزش. در مرحله آموزش، مدل یادگیری عمیق و مدل یادگیری ماشین مورد استفاده برای این تحقیق در Google Collaborator آموزش داده شدند که یک نوت‌بوک Jupyter میزبان با محیط پایتون پیاده‌سازی شده روی سروری با پردازنده AMD® ۷۰۰۰ Series Ryzen™ ۹ ۷۹۵۰X CPU @(5.7 GHz) با حافظه ۱۶ گیگابایت، Radeon RX 7800 XT (GPU) با حافظه ۱۶ گیگابایت را فراهم می‌کرد.

برای آزمایش، تجزیه و تحلیل عملکرد بر روی ماژول تشخیص تغییرات پوشش گیاهی با استفاده از معیارهایی مانند دقت و یادآوری انجام شد. این کار در همان پلتفرم Google Colab با محیط پایتون انجام شد. سپس ماژول ارزیابی رشد مجدد پوشش گیاهی با استفاده از یک برنامه وب ساده برای نمایش نتایج مربوط به احتمال رشد مجدد پوشش گیاهی در یک منطقه مستقر شد که رابطی را فراهم می‌کرد که کاربران می‌توانستند جزئیات مکان و داده‌های خاک را برای پیش‌بینی احتمال رشد مجدد وارد کنند. این امر را می‌توان با ارجاع متقابل به مکان دقیق در ابزار USGS Earth Explorer برای بررسی پوشش گیاهی تأیید کرد. برای ماژول نقشه‌برداری بازیابی پوشش گیاهی، از معیارهایی مانند میانگین مربعات خطا (MSE) و میانگین خطای مطلق (MAE) استفاده شد. سرور مورد استفاده برای این محیط آزمایش، پردازنده AMD® ۷۰۰۰ Series Ryzen™ ۹ ۷۹۵۰X CPU @(5.7 GHz) با ۸ گیگابایت حافظه، Radeon RX 7800 XT (GPU) با ۸ گیگابایت حافظه است.

نتایج تجربی و تحلیل برای تشخیص تغییرات پوشش گیاهی با استفاده از خوشه‌بندی عمیق تعبیه‌شده

برای ارزیابی روندهای بلندمدت در تغییرات پوشش گیاهی، مدل DEC را پیشنهاد می‌کنیم. تشخیص تغییرات با یافتن تفاوت بین تصاویر ماهواره‌ای به‌دست‌آمده قبل و بعد از آتش‌سوزی تجزیه و تحلیل می‌شود. مجموعه داده‌ها شامل ۳۶۰۰ تصویر قبل و بعد از آتش‌سوزی به‌دست‌آمده از eMODIS NDVI v6 است. شکل  ۱۱ مقایسه‌های کیفی DEC را با سایر مدل‌های کانولوشن عمیق نشان می‌دهد.

عملکرد تشخیص تغییرات پوشش گیاهی بر اساس دقت، یادآوری، F1 و دقت (ACC) در مقایسه با سایر مدل‌های آموزش‌دیده ارزیابی می‌شود. مدل DEC به دقت چشمگیر ۹۶.۱۷٪ دست یافت. جدول ۳ نتایج مقایسه بین رویکردهای موجود مانند STA Net، Bi-attention SFA و مدل پیشنهادی ما DEC. خوشه‌بندی عمیق تعبیه‌شده بر اساس معیارهای تلفات که به حداقل رساندن واگرایی KL کمک می‌کنند، ارزیابی می‌شود. مدل تشخیص تغییر پیشنهادی، تلفاتی در حدود ۱۸.۵۷ را نشان می‌دهد که به طور قابل توجهی کمتر از رویکردهای موجود است. جدول ۴ معیارهای تلفات بین مدل‌های موجود مانند STA Net، Bi-attention SFA و مدل DEC پیشنهادی مقایسه شدند.

خوشه‌بندی عمیق جاسازی‌شده با مدل‌های مختلف تشخیص تغییر دیگر مقایسه شده و پس از اتمام موفقیت‌آمیز دوره‌ها، با حداقل مقدار از دست رفته توجیه می‌شود.

نتایج تجربی و تحلیل برای ارزیابی رشد مجدد پوشش گیاهی با استفاده از یادگیری جمعی

پس از آتش‌سوزی، بازیابی یک اکوسیستم و نظارت پس از آتش‌سوزی در درجه اول به بازسازی پوشش گیاهی متکی است. از تخمین‌گر شیب سن برای محاسبه روند الگوی EVI در طول سال‌ها استفاده می‌شود و به صورت نمودار نمایش داده می‌شود. کسر قهوه‌ای شدن و سبز شدن بر اساس بزرگی شیب تعیین می‌شود. شکل‌های  ۱۲ و ۱۳ نمودار روند EVI نهر مور، نهر فلوریدا، نهر توشر و نهر تونالیت، به همراه کسر قهوه‌ای شدن و سبز شدن آن برای منطقه مربوطه در طول سال‌ها. سال‌ها متفاوت هستند زیرا پوشش دقیق و نوسانات باید قابل مشاهده باشند، از آنجایی که ما مناطق مختلفی را انتخاب کرده‌ایم، آنها به طور همزمان تحت تأثیر قرار نمی‌گیرند. ما داده‌ها را در طول ده سال برای نهرهای مختلف جمع‌آوری کردیم. همانطور که در بالا ذکر شد، تجسم مبتنی بر نمودار دقیق نخواهد بود زیرا همه مناطق به دلیل جدول زمانی مختلف آتش‌سوزی برای مناطق مختلف متفاوت هستند. بنابراین، برای رسم نمودارها می‌توانیم نتیجه بگیریم که تغییرات در یک دوره زمانی وجود دارند. از این رو، برای نمایش همه اینها، سال‌ها را به طور متفاوتی ذکر کردیم. جدول ۵ مقایسه جدول‌بندی کسر قهوه‌ای شدن و سبز شدن به همراه کیلومتر مربع آن برای نهر مور، فلوریدا، توشر و تونالیت. علاوه بر این، نتایج مقایسه مربوط به سال ارائه شده در جدول برای نهرهای مختلف متفاوت است، در مورد نهر مور از ۲۰۰۶ تا ۱۷، نهر فلوریدا از ۲۰۱۲ تا ۱۹، نهر توشر از ۲۰۱۱ تا ۱۸ و نهر تونالیت از ۲۰۰۵ تا ۲۰۲۰ متغیر است.

مجموعه داده‌ها برای ارزیابی رشد مجدد پوشش گیاهی از موتور Google Earth که از مجموعه داده‌های MODIS گرفته شده است، جمع‌آوری شده است. شیب سن برای تخمین کسر قهوه‌ای شدن و سبز شدن استفاده می‌شود. همچنین برای تجزیه و تحلیل روند الگوهای EVI نیز استفاده می‌شود. بخش‌های زیر نتایج جدول‌بندی شده و نمودارهای مدل‌های مختلف و سیستم‌های پیشنهادی دیگر را نشان می‌دهند و در نتیجه توجیهی را اضافه می‌کنند. یادگیری جمعی می‌تواند برای ارائه خروجی برای رشد مجدد استفاده شود. شکل  ۱۴ تصاویر NDVI به‌دست‌آمده پس از پردازش آنها با استفاده از برنامه QGIS را نشان می‌دهد.

احتمال رشد مجدد با جمع‌آوری و آموزش ویژگی‌های خاک با استفاده از یادگیری گروهی برای تخمین نتایج آن پیش‌بینی می‌شود. عملکرد سیستم با استفاده از پلتفرم Streamlit آزمایش می‌شود؛ این پلتفرم برای نمایش نتایج مربوط به احتمال رشد مجدد پوشش گیاهی مستقر می‌شود. کاربران می‌توانند مختصات مکان (طول و عرض جغرافیایی)، مقدار pH، مقدار نیتروژن و گروه خاک محل جمع‌آوری داده‌ها را وارد کنند و احتمال پیش‌بینی تخمین زده شود. شکل  ۱۵ نتایج به‌دست‌آمده از برنامه streamlit را نشان می‌دهد که احتمال و عدم احتمال رشد مجدد پوشش گیاهی را پیش‌بینی می‌کند. جدول ۶ نتایج ارزیابی کلی ارزیابی رشد مجدد پوشش گیاهی را نشان می‌دهد.

نتایج تجربی و تحلیل برای نقشه‌برداری بازیابی پوشش گیاهی با استفاده از شبکه عصبی مولد تطبیقی ​​(AdaptiGAN)

نقشه‌برداری بازیابی پوشش گیاهی برای درک عناصر اکولوژیکی، محیطی و مدیریتی محیط‌های پس از آتش‌سوزی ضروری است. این ماژول از شاخص‌های پوشش گیاهی مانند NDVI و AdaptiGAN، یک چارچوب شبکه عصبی مبتنی بر یادگیری عمیق، برای ارائه نقشه بازیابی بر اساس تصویر ورودی استفاده کرد. شکل  ۱۶ نتایج مقایسه کیفی AdaptiGAN با سایر مدل‌های آموزش‌دیده را که برای جنگل‌های بارانی آمازون به دست آمده است، نشان می‌دهد.

عملکرد مدل آموزش‌دیده با استفاده از معیارهای ارزیابی مانند میانگین مربعات خطا (MSE)، میانگین مطلق خطا (MAE)، میانگین مربعات خطای لگاریتمی (MSLE)، جذر میانگین مربعات خطا (RMSE) و خطای هابر ارزیابی شد. مقادیر به‌دست‌آمده در جدول ۷ فهرست شده‌اند . برخلاف معیارهایی مانند MSE، MAE، RMSE و MSLE که اغلب برای اهداف ارزیابی استفاده می‌شوند، خطای هابر که به عنوان خطای مطلق هموار نیز شناخته می‌شود، یک تابع زیان است که بهترین ویژگی‌های MSE و MAE را با هم ترکیب می‌کند. این تابع نسبت به MSE حساسیت کمتری به داده‌های پرت دارد و انتقال همواری به MAE را در خطای صفر فراهم می‌کند. در اینجا، y یک مقدار واقعی است، مقدار پیش‌بینی‌شده است و را می‌توان آستانه‌ای در نظر گرفت که تعیین می‌کند چه زمانی باید از رفتار درجه دوم به خطی تغییر کند. فرمول خطای هابر را می‌توان در معادله ( ۳ ) مشاهده کرد.

شکل  ۱۷ نتایج مقایسه کیفی AdaptiGAN با سایر مدل‌های آموزش‌دیده، که برای منطقه Knysna به دست آمده‌اند را نشان می‌دهد. به طور مشابه، شکل  ۱۸ نتایج مقایسه‌ای به‌دست‌آمده برای مدل AdaptiGAN ما با سایر مدل‌های آموزش‌دیده، که برای منطقه آلاسکا به دست آمده‌اند را نشان می‌دهد. شکل  ۱۹ در زیر، تجسمی از تغییرات تلفات به‌دست‌آمده برای مدل‌های مختلف به همراه مدل پیشنهادی AdaptiGAN ما است.

شکل  ۲۰ نمودار تحلیل عملکرد را برای مدل‌های از پیش آموزش‌دیده و مدل AdaptiGAN ما ارائه می‌دهد. شکل  ۲۱ نمودار «آزمون همو-واریانسی» را برای مدل‌های از پیش آموزش‌دیده در مقایسه با مدل AdaptiGAN ما نشان می‌دهد. همو-واریانسی را می‌توان برای تحلیل مناسب دانست زیرا اطلاعاتی در مورد اینکه آیا مدل به طور کامل الگوهای اساسی در داده‌ها را ثبت می‌کند یا خیر، ارائه می‌دهد. می‌توانیم ببینیم که AdaptiGAN از روند مشخصی پیروی نمی‌کند، در حالی که سایر مدل‌ها تمایل دارند که ناهمو-واریانسی باشند، که می‌تواند منجر به تخمین‌های مغرضانه شود. شکل  ۲۲ نمودارهای معیارهای ارزیابی انتخاب شده برای تعیین کمیت عملکرد مدل ما را نشان می‌دهد.

ما رویکردی را برای تحلیل اثرات فاجعه‌ای مانند آتش‌سوزی‌های جنگلی بر پوشش گیاهی پیشنهاد و ارائه کرده‌ایم. این رویکرد شامل تشخیص تغییرات پوشش گیاهی است که با استفاده از یک الگوریتم یادگیری بدون نظارت به نام DEC همراه با رمزگذارهای پراکنده برای استخراج ویژگی انجام می‌شود که نتایجی با دقت چشمگیر ۹۶.۱۷٪ ارائه می‌دهد. تجزیه و تحلیل رشد مجدد پوشش گیاهی با استفاده از تخمین‌گر شیب سن انجام شد که تجزیه و تحلیل مبتنی بر سری زمانی را برای مناطق آسیب دیده از آتش‌سوزی ارائه می‌دهد. ما ۴ نهر را برای این مطالعه در نظر گرفتیم: مور، فلوریدا، توشر و نهر تونالیت که بر اساس آن تجزیه و تحلیل روند EVI برای تجسم روند سبز شدن و قهوه‌ای شدن در طول سال‌ها با استفاده از داده‌های مجموعه داده MODIS برای تجزیه و تحلیل الگوی EVI در طول سال‌ها انجام شد. این احتمال رشد مجدد با استفاده از یک روش یادگیری گروهی به نام انباشت پیش‌بینی شد که داده‌های خاک را به عنوان ورودی می‌گیرد و احتمال رشد مجدد منطقه را به عنوان خروجی در مورد اینکه آیا امکان رشد مجدد در آن منطقه وجود دارد یا خیر، ارائه می‌دهد. در نهایت، نقشه‌برداری بازیابی پوشش گیاهی را انجام دادیم که نیاز به جمع‌آوری داده‌های VIIRS از وب‌سایت USGS داشت که تصاویر NDVI از آنها استخراج شد. سپس این تصاویر NDVI برای آموزش مدل AdaptiGAN استفاده شدند. پیش‌بینی‌های مدل آموزش‌دیده در ۳ منطقه انتخاب‌شده برای این تحقیق، یعنی جنگل‌های بارانی آمازون، مناطق نیسنا و آلاسکا، انجام شد و نقشه‌های بازیابی مربوطه به دست آمد. مزایای قابل توجه رویکرد ما شامل انعطاف‌پذیری فوق‌العاده آن است و می‌تواند برای تجزیه و تحلیل پوشش گیاهی مناطق مختلف مورد استفاده قرار گیرد، یعنی مختص منطقه خاصی نیست. علاوه بر این، کارآمد است و می‌تواند توسط سازمان‌ها برای بررسی اثرات ناشی از آتش‌سوزی‌های جنگلی بدون صرف هزینه زیاد برای تجزیه و تحلیل زمینی مورد استفاده قرار گیرد. رویکرد ما به دلیل دقت بالا و عملکرد سریع خود می‌تواند نیازهای ناشی از سناریوهای واکنش به بلایا را برآورده کند. در آینده، ما قصد داریم پیش‌بینی‌هایی را بر اساس تجزیه و تحلیل ویدیویی، با استفاده از داده‌های ماهواره‌ای مبتنی بر مرور زمان و یک تکنیک جامع‌تر که می‌تواند به طور مؤثر تمام تغییرات و اثرات ناشی از آتش‌سوزی جنگلی را با در نظر گرفتن تأثیر آن بر حیات وحش، یادداشت کند، انجام دهیم. تمام تغییرات و اقدامات احتیاطی که می‌توان برای جلوگیری از آتش‌سوزی‌های جنگلی انجام داد، قابل توسعه هستند.