تلفیق سنجش از دور و الگوریتم یادگیری ماشین جهت پایش مراتع در مقیاس های زمانی و مکانی مختلف

داده های تولید شده توسط علم سنجش از دور بیش از چهار دهه است که می توانند پویایی زیست محیطی و استفاده از زمین رادر اکوسیستم های زمین ثبت کنند. آگاهی از وضعیت و گرایش مراتع با استفاده از جمعآوری داده های میدانی پوشش گیاهی در مقیاسمحلی امکان پذیر است، در حالی که تصمیم گیران و مدیران برای پاسخگویی به مسائل و مشکلات مراتع نیاز به اطلاعات در مقیاسمنطقه ای و ملی و در زمان های مختلف دارند. نتایج تلفیق داده های میدانی، تصاویر سنجش از دور و الگوریتم های یادگیری ماشین، بهمدیران مرتع این امکان را میدهد تا روند تغییرات پوشش گیاهی مراتع را از زمانهای گذشته تا کنون و در مقیاس های محلی، منطقهای و ملی تجزیه و تحلیل کرده و در صورت لزوم اقدامات پیشگیرانه ای جهت بروز آشفتگی هایی نظیر خشکسالی و آتش سوزی مراتع ارائهنمایند و استراتژیهایی برای حفاظت از تنوع زیستی، بهبود بهره وری و پایداری مراتع با تکیه بر روند تغییرات مراتع تدوین نمایند. پلتفرمتجزیه و تحلیل مرتع (RAP) با پشتیبانی گوگل ارث اینجین، الگوریتم های یادگیری ماشین، داده های سنجش از دور و عملیات میدانی را ادغام کرده و نقشه های پویای پوشش گیاهی مراتع ایالتهای غرب آمریکا را در مقیاس زمانی و مکانی با دقت ۳۰ متر ارائه میدهد.در این نوشتار روند ایجاد این پلتفرم جهت الگوبرداری برای پایش مراتع در ایران بررسی شده است.

کلیدواژه ها:

پوشش گیاهی ، پلات ، گرایش مرتع ، وضعیت مرتع ، پلتفرم تجزیه و تحلیل مرتع