پهنه‌بندي آسيب‌پذيري گردوغبار با استفاده از تصاوير ماهواره‌اي و مدل‌هاي يادگيري ماشين

Dust source mapping using satellite imagery and machine learning models

پيش‌بيني كانون‌هاي برداشت گردوغبار و تعيين عوامل مؤثر بر آن، براي اولويت‌بندي اقدامات مديريتي و اجرايي به منظور مقابله با بيابان‌زايي ناشي از فرسايش بادي در مناطق خشك ضروري است؛ بنابراين، اين كار با هدف ارزيابي كاربرد سه مدل يادگيري ماشين (ازجمله مدل‌هاي جنگل تصادفي، گراديان تقويتي و مدل افزودني كلي) براي پيش‌بيني آسيب‌پذيري كانون‌هاي گردوغبار طي سال‌هاي 2005 تا 2018 در كوير مركزي انجام شد. براي اين منظور، ابتدا كانون‌هاي گردوغبار در منطقه‌ي مطالعاتي با استفاده از تصاوير ماهواره‌اي MODIS با استفاده از چهار شاخص شامل BTD3132،BTD2931 ، NDDI و متغير D استخراج شدند و در نهايت 135 نقطه به‌عنوان كانون گردوغبار شناسايي و در مدل‌سازي استفاده شدند. در اين مطالعه برخي فاكتورهاي مؤثر بر گردوغبار مانند كاربري اراضي، خاك‌شناسي، زمين‌شناسي، فاصله از آبراهه، شاخص تفاوت نرمال‌شده‌ي پوشش گياهي (NDVI)، شيب زمين و اقليم براي مدل‌سازي در نظر گرفته شدند. نتايج حاصل نشان داد كه در ميان الگوريتم‌هاي استفاده شده، مدل گراديان تقويتي با دقت 64/2 درصد، دقيق‌ترين مدل و سپس مدل جنگل تصادفي با دقت 63/5 درصد و مدل افزودني كلي با دقت 51/6 درصد در رتبه‌هاي بعدي قرار دارند. به‌علاوه، از ميان فاكتورهاي مورد بررسي، كاربري اراضي و خاك‌شناسي به‌عنوان مؤثرترين عوامل بر آسيب‌پذيري گردوغبار شناسايي شدند. نتايج حاصل از اين مطالعه مي‌تواند اطلاعات ارزشمندي را به مديران منطقه‌اي و سياستمداران براي شناسايي مناطق آسيب‌پذير، اولويت‌بندي انجام فعاليت‌هاي مديريتي براي كنترل گردوغبار و نيز اتخاذ تصميم‌هاي مناسب براي كاهش پيامدهاي منفي آن ارائه داده و به آن‌ها براي مديريت مناسب‌تر كمك نمايد.

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.