Accurately estimating aboveground biomass (AGB) in forest ecosystems facilitates efficient resource management, carbon accounting, and conservation efforts. This study examines the relationship between predictors from Landsat-9 remote sensing data and several topographical features. While Landsat-9 provides reliable data crucial for long-term monitoring, it is part of a broader suite of available remote sensing technologies. We employ machine learning algorithms such as Extreme Gradient Boosting (XGBoost), Support Vector Regression (SVR), and Random Forest (RF), alongside linear regression techniques like Multiple Linear Regression (MLR). The primary objectives of this study encompass two key aspects. Firstly, the research methodically selects optimal predictor combinations from four distinct variable groups: Landsat-9 (L1) data, a fusion of Landsat-9 data and Vegetation-based indices (L2), and the integration of Landsat-9 data with the Shuttle Radar Topography Mission Digital Elevation Model (SRTM DEM) (L3) and the combination of best predictors (L4) derived from L1, L2, and L3. Secondly, the research systematically assesses the effectiveness of different algorithms to identify the most precise method for establishing any potential relationship between field-measured AGB and predictor variables. Our study revealed that the Random Forest (RF) model was the most efficient method utilizing Landsat-9 OLI and SRTM DEM (L3) predictors, achieving remarkable accuracy. This conclusion was reached by assessing its outstanding performance when compared to an independent validation dataset. The RF model exhibited remarkable accuracy, presenting relative mean absolute error (RMAE), relative root mean square error (RRMSE), and R2 values of 14.33%, 22.23%, and 0.81, respectively. The XGBoost model is the subsequent choice with RMAE, RRMSE, and R2 values of 15.54%, 23.85%, and 0.77, respectively. The study further highlights the significance of specific spectral bands, notably B4 and B5 from Landsat 9 OLI data, in capturing spatial AGB distribution patterns. Integration of vegetation-based indices, including TNDVI, NDVI, RVI, and GNDVI, further refines AGB mapping precision. Elevation, slope, and the Topographic Wetness Index (TWI) are crucial proxies for representing biophysical and biological mechanisms impacting AGB. Through the utilization of openly accessible fine-resolution data and employing the RF algorithm, the research demonstrated promising outcomes in the identification of optimal predictor-algorithm combinations for forest AGB mapping. This comprehensive approach offers a valuable avenue for informed decision-making in forest management, carbon assessment, and ecological monitoring initiatives.

Abstract Vegetation fires have major impacts on the ecosystem and present a significant threat to human life. Vegetation fires consists of forest fires, cropland fires, and other vegetation fires in this study. Currently, there is a limited amount of research on the long-term prediction of vegetation fires in Pakistan. The exact effect of every factor on the frequency of vegetation fires remains unclear when using standard analysis. This research utilized the high proficiency of machine learning algorithms to combine data from several sources, including the MODIS Global Fire Atlas dataset, topographic, climatic conditions, and different vegetation types acquired between 2001 and 2022. We tested many algorithms and ultimately chose four models for formal data processing. Their selection was based on their performance metrics, such as accuracy, computational efficiency, and preliminary test results. The model’s logistic regression, a random forest, a support vector machine, and an eXtreme Gradient Boosting were used to identify and select the nine key factors of forest and cropland fires and, in the case of other vegetation, seven key factors that cause a fire in Pakistan. The findings indicated that the vegetation fire prediction models achieved prediction accuracies ranging from 78.7 to 87.5% for forest fires, 70.4 to 84.0% for cropland fires, and 66.6 to 83.1% for other vegetation. Additionally, the area under the curve (AUC) values ranged from 83.6 to 93.4% in forest fires, 72.6 to 90.6% in cropland fires, and 74.2 to 90.7% in other vegetation. The random forest model had the highest accuracy rate of 87.5% in forest fires, 84.0% in cropland fires, and 83.1% in other vegetation and also the highest AUC value of 93.4% in forest fires, 90.6% in cropland fires, and 90.7% in other vegetation, proving to be the most optimal performance model. The models provided predictive insights into specific conditions and regional susceptibilities to fire occurrences, adding significant value beyond the initial MODIS detection data. The maps generated to analyze Pakistan’s vegetation fire risk showed the geographical distribution of areas with high, moderate, and low vegetation fire risks, highlighting predictive risk assessments rather than historical fire detections.

The increasing pressures of urban development and agricultural expansion have significant implications for land use and land cover (LULC) dynamics, particularly in ecologically sensitive regions like the Murree and Kotli Sattian tehsils of the Rawalpindi district in Pakistan. This study's primary objective is to assess spatial variations within each LULC category over three decades (1992-2023) using cross-tabulation in ArcGIS to identify changes in LULC and investigates into forest fragmentation analysis using the Landscape Fragmentation Tool (LFTv2.0) to classify forest into several classes such as patch, edge, perforated, small core, medium core, and large core. Utilizing remote sensing data from Landsat 5 and Landsat 9 satellites, the research focuses on the temporal dynamics in various land classes including Coniferous Forest (CF), Evergreen Forest (EF), Arable Land (AR), Buildup Area (BU), Barren Land (BA), Water (WA), and Grassland (GL). The Support Vector Machine (SVM) classifier and ArcGIS software were employed for image processing and classification, ensuring accuracy in categorizing different land types. Our results indicate a notable reduction in forested areas, with Coniferous Forest (CF) decreasing from 363.9 km