Pembelajaran mesin ialah cabang Kecerdasan Buatan (AI) dan sains komputer yang memfokuskan pada penggunaan data dan algoritma untuk meniru cara manusia belajar, secara beransur-ansur bagi meningkatkan ketepatannya. Pembelajaran mendalam pula dianggap sebagai evolusi pembelajaran mesin. Ia menggunakan rangkaian saraf boleh atur cara yang membolehkan mesin membuat keputusan yang tepat tanpa bantuan daripada manusia. Pendek kata, pembelajaran mesin boleh menyesuaikan diri secara automatik dengan gangguan manusia yang agak minimum. Pembelajaran mendalam ialah subset pembelajaran mesin yang menggunakan rangkaian saraf tiruan untuk meniru proses pembelajaran otak manusia. Dalam kajian perhutanan, model pembelajaran mendalam telah mencapai prestasi cemerlang dalam banyak senario aplikasi (cth., mengesan kerosakan hutan dan kadar penggunaan hutan). Walau bagaimanapun, keputusan model yang tidak jelas, disebabkan oleh sumber data yang digunakan tidak tepat akan menjejaskan kredibiliti keputusan dan menghalang ketepatan dan kejituan keputusan yang dihasilkan. Justeru, kaedah pemetaan hutan yang menggunakan teknologi terkini dapat memantau penebangan hutan dengan lebih bersistematik dan juga serta mengesan aktiviti manusia ke atas sumber semula jadi yang berharga ini. Buku ini menumpu kepada pembangunan model untuk kebolehgunaan data imej satelit radar dan teknik pembelajaran mendalam Rangkaian Neural Konvolusi (CNN) bagi memeta kawasan pembalakan dalam Hutan Simpanan Kekal (HSK) di Semenanjung Malaysia. Dapatan atau model dihuraikan dalam bentuk peta digital. Penentuan peta digital kemusnahan hutan pula adalah berdasarkan kepada ukuran aras ketepatan seperti indeks Kappa dan matriks kekeliruan (confusion matrix) bagi menilai tahap prestasi model yang dibangunkan.