پهنه بندی آسیب پذیری گردوغبار با استفاده از تصاویر ماهواره ای و مدل های یادگیری ماشین (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
پیش بینی کانون های برداشت گردوغبار و تعیین عوامل مؤثر بر آن، برای اولویت بندی اقدامات مدیریتی و اجرایی به منظور مقابله با بیابان زایی ناشی از فرسایش بادی در مناطق خشک ضروری است؛ بنابراین، این کار با هدف ارزیابی کاربرد سه مدل یادگیری ماشین (ازجمله مدل های جنگل تصادفی، گرادیان تقویتی و مدل افزودنی کلی) برای پیش بینی آسیب پذیری کانون های گردوغبار طی سال های 2005 تا 2018 در کویر مرکزی انجام شد. برای این منظور، ابتدا کانون های گردوغبار در منطقه ی مطالعاتی با استفاده از تصاویر ماهواره ای MODIS با استفاده از چهار شاخص شامل BTD3132،BTD2931 ، NDDI و متغیر D استخراج شدند و در نهایت 135 نقطه به عنوان کانون گردوغبار شناسایی و در مدل سازی استفاده شدند. در این مطالعه برخی فاکتورهای مؤثر بر گردوغبار مانند کاربری اراضی، خاک شناسی، زمین شناسی، فاصله از آبراهه، شاخص تفاوت نرمال شده ی پوشش گیاهی (NDVI)، شیب زمین و اقلیم برای مدل سازی در نظر گرفته شدند. نتایج حاصل نشان داد که در میان الگوریتم های استفاده شده، مدل گرادیان تقویتی با دقت 2/64 درصد، دقیق ترین مدل و سپس مدل جنگل تصادفی با دقت 5/63 درصد و مدل افزودنی کلی با دقت 6/51 درصد در رتبه های بعدی قرار دارند. به علاوه، از میان فاکتورهای مورد بررسی، کاربری اراضی و خاک شناسی به عنوان مؤثرترین عوامل بر آسیب پذیری گردوغبار شناسایی شدند. نتایج حاصل از این مطالعه می تواند اطلاعات ارزشمندی را به مدیران منطقه ای و سیاستمداران برای شناسایی مناطق آسیب پذیر، اولویت بندی انجام فعالیت های مدیریتی برای کنترل گردوغبار و نیز اتخاذ تصمیم های مناسب برای کاهش پیامدهای منفی آن ارائه داده و به آن ها برای مدیریت مناسب تر کمک نماید.Dust source mapping using satellite imagery and machine learning models
Predicting dust sources area and determining the affecting factors is necessary in order to prioritize management and practice deal with desertification due to wind erosion in arid areas. Therefore, this study aimed to evaluate the application of three machine learning models (including generalized linear model, artificial neural network, random forest) to predict the vulnerability of dust centers during the years 2005 to 2018 in the Central Desert of Iran. For this purpose, the dust source areas were extracted in the study area using MODIS satellite images using four indicators including BTD3132, BTD2931, NDDI and variable D, and finally 135 hotspots were identified and used in modeling. In this study, conditional factors affecting dust were considered for modeling including land use, soil science, geology, distance from waterway, normalized vegetation difference index (NDVI), land slope and climate. The results showed that among the applied algorithms, random forest with 63.5% accuracy was the most accurate model and followed by artificial neural network with 43.4% accuracy and generalized linear model with 43.2% accuracy. In addition, among factors, land use and soil were identified as the most effective factors on dust source area. The results of this study can provide valuable information for regional managers and policy makers and help them to make useful decisions in management.
تبلیغات
