پهنه‌بندی آسیب‌پذیری گردوغبار با استفاده از تصاویر ماهواره‌ای و مدل‌های یادگیری ماشین

پیش‌بینی کانون‌های برداشت گردوغبار و تعیین عوامل موثر بر آن، برای اولویت‌بندی اقدامات مدیریتی و اجرایی به منظور مقابله با بیابان‌زایی ناشی از فرسایش بادی در مناطق خشک ضروری است؛ بنابراین، این کار با هدف ارزیابی کاربرد سه مدل یادگیری ماشین (ازجمله مدل‌های جنگل تصادفی، گرادیان تقویتی و مدل افزودنی کلی) برای پیش‌بینی آسیب‌پذیری کانون‌های گردوغبار طی سال‌های 2005 تا 2018 در کویر مرکزی انجام شد. برای این منظور، ابتدا کانون‌های گردوغبار در منطقه‌ی مطالعاتی با استفاده از تصاویر ماهواره‌ای modis با استفاده از چهار شاخص شامل btd3132،btd2931 ، nddi و متغیر d استخراج شدند و در نهایت 135 نقطه به‌عنوان کانون گردوغبار شناسایی و در مدل‌سازی استفاده شدند. در این مطالعه برخی فاکتورهای موثر بر گردوغبار مانند کاربری اراضی، خاک‌شناسی، زمین‌شناسی، فاصله از آبراهه، شاخص تفاوت نرمال‌شده‌ی پوشش گیاهی (ndvi)، شیب زمین و اقلیم برای مدل‌سازی در نظر گرفته شدند. نتایج حاصل نشان داد که در میان الگوریتم‌های استفاده شده، مدل گرادیان تقویتی با دقت 64.2 درصد، دقیق‌ترین مدل و سپس مدل جنگل تصادفی با دقت 63.5 درصد و مدل افزودنی کلی با دقت 51.6 درصد در رتبه‌های بعدی قرار دارند. به‌علاوه، از میان فاکتورهای مورد بررسی، کاربری اراضی و خاک‌شناسی به‌عنوان موثرترین عوامل بر آسیب‌پذیری گردوغبار شناسایی شدند. نتایج حاصل از این مطالعه می‌تواند اطلاعات ارزشمندی را به مدیران منطقه‌ای و سیاستمداران برای شناسایی مناطق آسیب‌پذیر، اولویت‌بندی انجام فعالیت‌های مدیریتی برای کنترل گردوغبار و نیز اتخاذ تصمیم‌های مناسب برای کاهش پیامدهای منفی آن ارائه داده و به آن‌ها برای مدیریت مناسب‌تر 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.