پهنه‌بندی آسیب‌پذیری گردوغبار با استفاده از تصاویر ماهواره‌ای و مدل‌های یادگیری ماشین
پیش‌بینی کانون‌های برداشت گردوغبار و تعیین عوامل مؤثر 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...
| Main Authors: | , , |
|---|---|
| Format: | Article |
| Language: | fas |
| Published: |
Hakim Sabzevari University
2022-03-01
|
| Series: | مطالعات جغرافیایی مناطق خشک |
| Subjects: | |
| Online Access: | https://jargs.hsu.ac.ir/article_161558_b323b12be9591b29fd54842bd10ca6f9.pdf |
| _version_ | 1797258716086534144 |
|---|---|
| author | مهدی بروغنی فهیمه میرچولی مازیار محمدی |
| author_facet | مهدی بروغنی فهیمه میرچولی مازیار محمدی |
| author_sort | مهدی بروغنی |
| collection | DOAJ |
| description | پیش‌بینی کانون‌های برداشت گردوغبار و تعیین عوامل مؤثر 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 مؤثر 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 2/64 درصد، دقیق‌ترین مدل و سپس مدل جنگل تصادفی با دقت 5/63 درصد و مدل افزودنی کلی با دقت 6/51 درصد در رتبه‌های بعدی قرار دارند. به‌علاوه، از میان فاکتورهای مورد بررسی، کاربری اراضی و خاک‌شناسی به‌عنوان مؤثرترین 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. |
| first_indexed | 2024-04-24T22:57:57Z |
| format | Article |
| id | doaj.art-41570a239429465581ede6c6d215a71a |
| institution | Directory Open Access Journal |
| issn | 2228-7167 2981-1910 |
| language | fas |
| last_indexed | 2024-04-24T22:57:57Z |
| publishDate | 2022-03-01 |
| publisher | Hakim Sabzevari University |
| record_format | Article |
| series | مطالعات جغرافیایی مناطق خشک |
| spelling | doaj.art-41570a239429465581ede6c6d215a71a2024-03-17T21:18:49ZfasHakim Sabzevari Universityمطالعات جغرافیایی مناطق خشک2228-71672981-19102022-03-011347113161558پهنه‌بندی آسیب‌پذیری گردوغبار با استفاده از تصاویر ماهواره‌ای و مدل‌های یادگیری ماشینمهدی بروغنی0فهیمه میرچولی1مازیار محمدی2دانشگاه حکیم سبزواریدانشگاه حکیم سبزواریدانشگاه تربیت مدرس تهرانپیش‌بینی کانون‌های برداشت گردوغبار و تعیین عوامل مؤثر 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 مؤثر 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 2/64 درصد، دقیق‌ترین مدل و سپس مدل جنگل تصادفی با دقت 5/63 درصد و مدل افزودنی کلی با دقت 6/51 درصد در رتبه‌های بعدی قرار دارند. به‌علاوه، از میان فاکتورهای مورد بررسی، کاربری اراضی و خاک‌شناسی به‌عنوان مؤثرترین 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.https://jargs.hsu.ac.ir/article_161558_b323b12be9591b29fd54842bd10ca6f9.pdfسنجش‌ازدورکانون گردوغبارکویر مرکزیآسیب‌پذیری |
| spellingShingle | مهدی بروغنی فهیمه میرچولی مازیار محمدی پهنه‌بندی آسیب‌پذیری گردوغبار با استفاده از تصاویر ماهواره‌ای و مدل‌های یادگیری ماشین مطالعات جغرافیایی مناطق خشک سنجش‌ازدور کانون گردوغبار کویر مرکزی آسیب‌پذیری |
| title | پهنه‌بندی آسیب‌پذیری گردوغبار با استفاده از تصاویر ماهواره‌ای و مدل‌های یادگیری ماشین |
| title_full | پهنه‌بندی آسیب‌پذیری گردوغبار با استفاده از تصاویر ماهواره‌ای و مدل‌های یادگیری ماشین |
| title_fullStr | پهنه‌بندی آسیب‌پذیری گردوغبار با استفاده از تصاویر ماهواره‌ای و مدل‌های یادگیری ماشین |
| title_full_unstemmed | پهنه‌بندی آسیب‌پذیری گردوغبار با استفاده از تصاویر ماهواره‌ای و مدل‌های یادگیری ماشین |
| title_short | پهنه‌بندی آسیب‌پذیری گردوغبار با استفاده از تصاویر ماهواره‌ای و مدل‌های یادگیری ماشین |
| title_sort | پهنه‌بندی آسیب‌پذیری گردوغبار با استفاده از تصاویر ماهواره‌ای و مدل‌های یادگیری ماشین |
| topic | سنجش‌ازدور کانون گردوغبار کویر مرکزی آسیب‌پذیری |
| url | https://jargs.hsu.ac.ir/article_161558_b323b12be9591b29fd54842bd10ca6f9.pdf |
| work_keys_str_mv | AT mhdybrwgẖny phnhbndyậsybpdẖyrygrdwgẖbạrbạạstfạdhạztṣạwyrmạhwạrhạywmdlhạyyạdgyrymạsẖyn AT fhymhmyrcẖwly phnhbndyậsybpdẖyrygrdwgẖbạrbạạstfạdhạztṣạwyrmạhwạrhạywmdlhạyyạdgyrymạsẖyn AT mạzyạrmḥmdy phnhbndyậsybpdẖyrygrdwgẖbạrbạạstfạdhạztṣạwyrmạhwạrhạywmdlhạyyạdgyrymạsẖyn |