ارزیابی الگوریتمهای یادگیری ماشین برای نقشه برداری از حساسیت منابع گردوغبار با تلفیق سنجشازدور و پارامترهای محیطی (مطالعه موردی: حوضه خلیج قرهبغاز) | ||
| آمایش فضا و ژئوماتیک | ||
| Volume 29, Issue 2, Spring 1404, Pages 85-107 PDF (2.32 M) | ||
| Document Type: پژوهشی اصیل | ||
| Authors | ||
| فریده بامری نژاد1; علی محمدیان بهبهانی* 2; چوقی بایرام کمکی2; رامین پاپی3; علی درویشی بلورانی4 | ||
| 1دانشجوی دکتری مدیریت و کنترل بیابان، دانشگاه علوم کشاورزی و منابع طبیعی گرگان | ||
| 2دانشیار گروه مدیریت مناطق بیابانی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان | ||
| 3دکتری سنجش از دور و سامانه اطلاعات جغرافیایی، سازمان نقشه برداری کشور | ||
| 4استاد گروه سنجش از دور و سامانه اطلاعات جغرافیایی، دانشگاه تهران | ||
| Abstract | ||
| طوفانهای گردوغبار به دلیل قابلیت انتقال طولانیمدت رسوبات بادی به مناطق دور از منشأ آنها، خطرات متعددی را برای جوامع انسانی به همراه دارند و با اثرات منفی زیادی بر سلامت انسان، محیطزیست و اقتصاد جوامع همراه هستند. با توجه به ماهیت پخش و پراکنش سریع ذرات گردوغبار و جابهجایی بهوسیله باد، بسیاری از رخدادهای گردوغباری بهراحتی قابلتشخیص و پایش نیستند و به همین جهت نیاز به شناسایی و توصیف رفتار مکانی کانونهای آنها وجود دارد. محدوده خلیج قرهبغاز علاوه بر صحرای قرهقوم یکی از کانونهای بحران برداشت گردوغبار ورودی به استان گلستان در سالهای اخیر بوده است، این پژوهش به ارزیابی کارایی الگوریتمهای پیشرفته یادگیری ماشین در شناسایی کانونهای تولید گردوغبار در حوضه خلیج قرهبغاز میپردازد. در این پژوهش، از یک چارچوب تحلیلی جامع مبتنی بر تلفیق دادههای سنجشازدور و روشهای یادگیری ماشین استفاده شده است. مجموعه دادههای محیطی شامل 9 پارامتر روزهای گردوغباری، رطوبت خاک، بافت خاک، بارش، سرعت باد، شاخص نرمالشده تفاوت پوشش گیاهی، توپوگرافی، دمای هوا و پوشش زمین با استفاده از پلتفرم گوگل ارثانجین برای بازه زمانی (۲۰03-۲۰23) استخراج و پردازش شدند. تعداد 340 کانون مولد گردوغبار از طریق رویکرد تفسیر چشمی تصاویر ماهوارهای مادیس شناساییشده، بهعنوان نقاط آموزشی الگوریتمهای یادگیری ماشین مورداستفاده و ارزیابی قرار گرفتند. نتایج نشان داد مدل جنگل تصادفی با 8/91 درصد، شبکه عصبی مصنوعی با 9/70 درصد، تقویت گرادیانی پیشرفته با 9/89 درصد، تقویت گرادیانی با 9/87 درصد، الگوریتم درختان طبقهبندی و رگرسیون Bagged CART با 9/89 درصد و ماشین تقویت گرادیانی LightGBMبا 8/91 درصد مناطق با پتانسیل بالای گردوغبار را تشخیص دادهاند که مدلهای جنگل تصادفی و ماشین تقویت گرادیانی LightGBM با بهترین عملکرد را در شناسایی کانونهای گردوغبار داشتهاند. بررسی روشهای توضیحپذیری نشان داد که سه متغیر شاخص نرمال شده تفاوت پوشش گیاهی با سهم (27%)، رطوبت خاک (%23) و ارتفاع از سطح دریا (%19) بیشترین تأثیر را در پیشبینی مناطق مستعد گردوغبار دارند. | ||
| Keywords | ||
| منابع گردوغبار; یادگیری ماشین; آسیای میانه; خلیج قرهبغاز; عمق نوری آئروسل; سنجشازدور | ||
| References | ||
|
| ||
|
Statistics Article View: 119 PDF Download: 3 |
||
| Number of Journals | 45 |
| Number of Issues | 2,171 |
| Number of Articles | 24,674 |
| Article View | 24,447,958 |
| PDF Download | 17,555,106 |