کارآیی سنجش از دور و خوارزمیک‌های یادگیری ماشین در پهنه‌بندی مناطق مستعد گردوغبار استان اصفهان

افشاری, مجید; ولی, عباسعلی

doi:10.22034/jdmal.2023.2011344.1438

کارآیی سنجش از دور و خوارزمیک‌های یادگیری ماشین در پهنه‌بندی مناطق مستعد گردوغبار استان اصفهان

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ دانشجوی دکتری مدیریت و کنترل بیابان، گروه مدیریت سرزمین‌های خشک، دانشکده منابع‌طبیعی و علوم زمین، دانشگاه کاشان، کاشان، ایران.

² دانشیار گروه مدیریت سرزمین های خشک، دانشکده منابع طبیعی و علوم زمین، دانشگاه کاشان، کاشان، ایران.

10.22034/jdmal.2023.2011344.1438

چکیده

گردوغبار پدیده‌ای است که عمدتأ در مناطق خشک و نیمه‌خشک در نتیجه سرعت زیاد باد و تلاطم آن بر روی سطح خاک بدون پوشش گیاهی و مستعد فرسایش ایجاد می‌شود. استان اصفهان یکی از مهمترین مناطق جغرافیایی کشور محسوب می‌شود که به‌دلیل موقعیت خاص جغرافیایی، میزان کم بارندگی، همجواری با کویر و بیابان‌های بزرگ کشور، زمینه برای خشکسالی‌های دوره‌ای، گسترش بیابان‌زائی و وقوع توفان‌های گردوغبار در این استان فراهم می‌باشد. بنابراین انجام مطالعاتی که ما را به شناخت صحیحی از مناطق مستعد گردوغبار در این استان برساند، بیش از پیش احساس می‌گردد. لذا در این تحقیق، با استفاده از کدهای هواشناسی گردوغبار و مقادیر عمق اپتیکی آئروسول، سنجنده مودیس ماهواره Terra (2022-2001) و الگوریتم‌های RF، BRT، SVM و CART به پهنه‌بندی مناطق مستعد گردوغبار در استان اصفهان پرداخته شد. بدین منظور، نقشه نقاط وقوع و عدم وقوع گردوغبار با استفاده از کدهای هواشناسی و مقدار عمق اپتیکی آئروسول تهیه شد. عوامل دما، بارش، شیب، ارتفاع، آلبدو، کاربری اراضی، سرعت باد فرساینده، شاخص رطوبت سطح خاک، شاخص شوری، و شاخص پوشش گیاهی به‌عنوان عوامل پیش‌بینی‌کننده در نظر گرفته شد و سپس با بهره‌گیری از خوارزمیک‎‌های (الگوریتم) یادگیری ماشین، پهنه‌بندی مکانی مناطق مستعد گردوغبار انجام شد. نتایج حاصل از پژوهش نشان داد که بیشترین احتمال وقوع گردوغبار مربوط به اراضی بایر، شور و نیز کاربری مرتع با تاج پوشش فقیر بوده است. ارزیابی کارآیی مدل‌ها نشان داد که مدل جنگل تصادفی با مقدار 0.86=AUC بهترین کارآیی را داشته است و پس از آن به‌ترتیب خوارزمیک‌های BRT با0.82=AUC، CART با 0.79=AUC و SVM با مقدار 0.77=AUC قرار دارد. بررسی تحلیل حساسیت جک‌نایف نیز نشان داد که در مدل‌های RF، BRT و CART عامل بارش بیشترین اثرگذاری را در پهنه‌بندی و تعیین مناطق مستعد گردوغبار داشته و در مدل SVM عامل دما و پس از آن بارش بیشترین اثرگذاری را داشته است.

کلیدواژه‌ها

موضوعات

بیابان‌زایی

مراجع

Abolhasani, A., Zehtabian, G., Khosravi, H., Rahmati, O., Alamdarloo, E.H., & D'Odorico, P. (2022). A new conceptual framework for spatial predictive modelling of land degradation in a semiarid area. Land Degradation & Development, 33(17), 3358-3374. DOI: org/10.1002/ldr.4391
Akhzari, D. & Haghighi, S. (2015). Effect of vegetation change of source area on dust storms occurrence in the west of Iran. Ecopersia, 3(4), 1133-1143. DOI: 1001.1.23222700.2015.3.4.3.3
Alipour, N., Mesbahzadeh, T., Ahmadi, H., Malekian, A., & Jafari, M. (2018). Synoptic analysis of dust events and its relation with drought in Alborz and Qazvin provinces, Quarterly of Geography & Regional Planning, 8(30), 59-68. DOI: 1001.1.22286462.1397.8.2.4.3 [In Persian]
Boali, A., Jafari, R., & Bashari, H. (2017). Wind erosion estimation and assessment using Bayesian belief networks in eastern Isfahan township. Desert Ecosystem Engineering, 6(14), 45-58. DOI: 22052/6.14.45 [In Persian]
Boroghani, M., Moradi, H.R., Zangane Asadi, M.A., & Pourhashemi, S. (2019). Evaluation of the role of drought in frequency of dust in Khorasan Razavi province. Journal of Environment Science & technology, 21(5), 109-121. DOI: 22034/JEST.2019.10464 [In Persian]
Boroughani, M., Pourhashemi, S., Hashemi, H., Salehi, M., Amirahmadi, A., Zangane Asadi, M.A., & Berndtsson, R. (2020). Application of remote sensing techniques and machine learning algorithms in dust source detection and dust source susceptibility mapping. Ecological Informatics, 56, 101059. DOI: org/10.1016/j.ecoinf.2020.101059
Choubin, B., Abdolshahnejad, M., Moradi, E., Querol, X., Mosavi, A., Shamshirband, S. & Ghamisi, P. (2020). Spatial hazard assessment of the PM10 using machine learning models in Barcelona, Spain. Science of The Total Environment, 701, 134474. DOI: org/10.1016/j.scitotenv.2019.134474
Darvand, S., Khosravi, H., Keshtkar, H.R., Zehtabian, Gh.R., & Rahmati, O. (2021). Comparison of machine learning models to prioritize susceptible areas to dust production. Range and Watershed Management, 74(1), 53-68. DOI: org/10.22059/jrwm.2021.321033.1580 [In Persian]
Gareth, J., Daniela, W., Trevor, H., & Robert, T. (2013). An introduction to statistical learning: with applications in R. Spinger.
Grinand, C., Vieilledent, G., Razafimbelo, T., Rakotoarijaona, J. R., Nourtier, M., & Bernoux, M. (2019). Landscape‐scale spatial modelling of deforestation, land degradation and regeneration using machine learning Land Degradation & Development, 31(13), 1699-1712. DOI: 10.1002/ldr.3526
Ghomeshion, M., Vali, A.A., Ranjbar Fordoei, A., & Mousavi, H. (2022). Investigating the effect of land cover on dust spatial distribution in Southern Khuzestan province. ECOPERSIA, 10(3), 179-189. DOI: 1001.1.23222700.2022.10.3.2.9
Jafari, M., Zehtabian, Gh.R., Ahmadi, H., Mesbahzadeh, T., & Norouzi, A.A. (2020). Detecting and routing of dust event using remote sensing and numerical modeling in Isfahan Province. Environmental Science, 18(1), 105-116. DOI: 29252/envs.18.1.105 [In Persian]
Lin, X., Chang, H., Wang, K., Zhang, G., & Meng, G. (2020). Machine learning for source identification of dust on the Chinese Loess Plateau. Geophysical Research Letters, 47(21), 2020GL088950. DOI: 1029/2020GL088950
Naeimi, M., Yousefi, M.J., Khosroshahi, M., Zandifar, S., & Ebrahimikhusfi, Z. (2020). Climatic factors affecting dune mobility in the west of Khorasan Razavi Province, Iran. Geographical Research on Desert Areas, 7(2), 25-45. [In Persian]
Naghibi, S.A., Pourghasemi, H.R., & Dixon, B. (2016). GIS-based groundwater potential mapping using boosted regression tree, classification and regression tree, and random forest machine learning models in Iran. Environmental Monitoring and Assessment, 188(1), 1-27. DOI: 1007/s10661-015-5049-6
Namdari, S., Karimi, N., Sorooshian, A., Mohammadi, GH., & Sehatkashani, (2018). Impacts of climate and synoptic fluctuations on dust storm activityover the Middle East. Atmospheric Environment, 173: 265-276. DOI: doi.org/10.1016/j.atmosenv.2017.11.016
Pourhashemi, S.m., Amirahmadi, A., Zangane Asadi, M.A., & Salehi, M. (2019). Determination of Geomorphological and Land Use Features of Dust Harvesting Sources (Case Study: Khorasan Razavi Provience). Arid Region Geographic Studies, 9(34), 14-24. [In Persian]
Rahmati, O., Panahi, M., Ghiasi, S.S., Deo, R.C., Tiefenbacher, J.P., Pradhan, B., Jahani, A., Goshtasb, H., Kornejady, A., Shahabi, H., & Shirzadi, A. (2020). Hybridized neural fuzzy ensembles for dust source modeling and prediction. Atmospheric Environment, 224, 117320. DOI: https://doi.org/10.1016/j.atmosenv.2020.117320
Rezaei, M., & JavanNezhad, R. (2020). Modeling the Role of Climate in Distribution of two-spotted spider mite: Case study of Tehran province. Environmental Science Studies, 5(2), 2554-2559. [In Persian]
Robinson, S. )2014(. Simulation: the practice of model development and use. 2nd edition. Palgrave Macmillan.
Samadi, M., Jabbari, E., & Azamathulla, H.M. )2014(. Assessment of M5′ model tree and classification and regression trees for prediction of scour depth below free overfall spillways. Neural Computing and Applications, 24(2), 357-366. DOI: 1007/s00521-012-1230-9
Sohrabi, T., Vali, A.A., Ranjbar Fordoei, A., & Mousavi, S.H. (2019). Quantitative analysis of vegetation feedback on the occurrence of dust in arid ecosystems (case study: Isfahan province). Range and Watershed Management, 71(4), 973-985. DOI: org/10.22059/jrwm.2019.273257.1337 [In Persian]
Yesilnacar, E.K. )2005(. The application of computational intelligence to landslide susceptibility mapping in Turkey. The University of Melbourne, Department, 200.
Zaker Esfahani, A.R. (2012). Combating with desertification process by an emphasis on capabilities of desert areas (case study: Isfahan province). Environmental Studies, 38(3), 155-164. DOI: 22059/jes.2012.29157 [In Persian]