مدلسازي پتانسيل ايجاد كانون هاي گردوغبار با استفاده از سري زماني داده هاي سنجش از دور، منطق فازي و شبكه عصبي مصنوعي (مطالعه موردي: حوضه فرات)

Modeling the potential of Sand and Dust Storm sources formation using time series of remote sensing data, fuzzy logic and artificial neural network (A Case study of Euphrates basin)

طوفان ­هاي گردوغبار به عنوان يكي از معضلات زيست­ محيطي شايع در مناطق خشك و نيمه ­خشك جهان به شمار مي ­روند كه براي سلامت انسان و نيز به لحاظ اقتصادي زيان ­بار هستند. اين طوفان ­ها از حدود دو دهه گذشته تا كنون در مقياس ­هاي محلي، منطقه­ اي و حتي جهاني در حال افزايش هستند. حوضه رودخانه فرات به عنوان يكي از فعال­ ترين كانون­ هاي گردوغبار در سطح جهاني شناخته شده است. شناسايي كانون­ هاي طوفان گردوغبار اولين گام در برنامه ­ريزي هدفمند جهت مبارزه با اين پديده زيست­ محيطي به­ حساب مي ­آيد. هدف از پژوهش حاضر، تهيه نقشه پتانسيل كانون ­هاي گردوغبار در حوضه رودخانه فرات با استفاده از شبكه عصبي مصنوعي پرسپترون چند لايه است. در گام نخست سري زماني بلند­مدت داده ­هاي مربوط به پارامترهاي محيطي كليدي و موثر بر رخداد طوفان­ هاي گردوغبار شامل رطوبت، دما و بافت خاك، دماي سطح زمين، سرعت باد، بارش، تبخيرتعرق، ماه ­هاي داراي گردوغبار، كاربري اراضي، فشار ناشي از جمعيت، ارتفاع و شيب شناسايي و به عنوان ورودي‌هاي شبكه عصبي به ­كار گرفته شدند. از طريق بررسي 2500 تصوير رنگي طبيعي سنجنده ماديس، تعداد 190 كانون رخداد طوفان گردوغبار به صورت بصري شناسايي و به عنوان نقاط آموزشي به شبكه عصبي معرفي شدند. 70 درصد نقاط (133 نقطه) براي آموزش و 30 درصد نقاط (57 نقطه) براي تست و اعتبارسنجي مدل مورد ­استفاده قرار گرفتند. پس از اجراي مدل، مقدار خطاي ميانگين مربعات معادل 0.1 به ­دست آمد كه حاكي از صحت قابل قبول شبكه عصبي در شناسايي كانون­ هاي بالقوه گردوغبار است. نتايج نشان مي­ دهد كه 147 هزار كيلومتر مربع از مساحت كل حوضه، مستعد شكل ­گيري كانون طوفان ­هاي گردوغبار است كه عمدتا نواحي كم بارش، خشك و باير حوضه را شامل مي­ شوند.

Sand and Dust Storms (SDS) are known as one of the most common environmental problems in arid and semiarid regions of the world. This phenomenon is harmful to human health as well as to economy. Over the past two decades, SDS have been increasing on a local, regional and even global scale. The Euphrates Basin is recognized as one of the most active SDS sources in the world. The first step in managing this environmental phenomenon, is to identify dust storm sources. The aim of this study is mapping the potential sources of SDS in the Euphrates basin by using Multi-Layer Perceptron Neural Network. In the first step, the long-term time series of which is data, related to key environmental parameters affecting the occurrence of SDS including: soil moisture, soil temperature, soil texture, land surface temperature, wind speed, precipitation, evapotranspiration, dusty months, land use population, pressure, the identified elevation and slope were used as artificial neural network model inputs. Using the visual interpretation of 2500 MODIS images in natural color composite, 190 SDS centers were identified visually and introduced to the neural network as training points. 70% of the points (133 points) and 30% of them (57 points) were used for training, testing and validation of model, respectively. After running the model, the estimated mean squared error (MSE) was equal to 0.1, which indicats acceptable accuracy of the neural network model in mapping the potential SDS sources. The results show that, 147000 km2 of the basin is prone to the formation of SDS sources, which mainly include low rainfall, dry and barren areas of the basin.