فهیمه میرچولی

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.