Serveh Darvand; Hassan Khosravi; Hamidreza Keshtkar; Gholamreza Zehtabian; Omid Rahmati
Abstract
The purpose of this study was to compare machine learning models including Support Vector Machine, Classification and Regression Tree, Random Forest, and Multivariate Discriminate Analysis to prioritize susceptible areas to dust production. To determine the dust days, hourly meteorological data of Alborz ...
Read More
The purpose of this study was to compare machine learning models including Support Vector Machine, Classification and Regression Tree, Random Forest, and Multivariate Discriminate Analysis to prioritize susceptible areas to dust production. To determine the dust days, hourly meteorological data of Alborz and Qazvin provinces and satellite images of the same days for the period 2000 to 2019 were used. 420 dust collection points were identified and the map of their distribution was prepared. The maps of factors affecting the occurrence of dust, including landuse map, soil orders map, slope map, slope aspect map, elevation map, vegetation map, topographic surface moisture, topographic surface ratio, and geology mam were prepared. Using the mentioned models, the impact of each of the effective factors of dust was determined and prioritization maps of dust harvesting areas were prepared. Models were evaluated using the ROC curve. According to the results, the elevation factor is more important in all models than the other parameters used in the model. The modeling results also showed that the Random Forest )RF( and Multivariate Discriminate Analysis (MDA) models had the highest values of accuracy (0.96), precision (0.94), Probability of Detection (POD) (0.98), and False Alarm Ratio (FAR) (0.051) compared to the others. The performance of the RF and MDA models is better than the other models, followed by the Support Vector Machine (SVM) and Classification and Regression Tree (CART) models, respectively. Also, in evaluating the models using Receiver Operating Characteristic (ROC), the RF model was selected as the best model.
Fazel Amiri; Hassan Yeganeh
Abstract
فرآیند ارزیابی پوشش گیاهی به وسیلة تصاویر ماهواره‌ای نیازمند استفاده از شاخص‌های گیاهی است. شاخص گیاهی بطور گسترده‌ای برای ارزیابی و پایش تغییرهای بو شناختی (اکولوژیک) ...
Read More
فرآیند ارزیابی پوشش گیاهی به وسیلة تصاویر ماهواره‌ای نیازمند استفاده از شاخص‌های گیاهی است. شاخص گیاهی بطور گسترده‌ای برای ارزیابی و پایش تغییرهای بو شناختی (اکولوژیک) مانند پوشش گیاهی، بیوماس پوشش سطح خاک و شاخص سطح برگ استفاده می‌شود. اهداف این مطالعه شامل بررسی قابلیت داده‌های ASTER به منظور برآورد پوشش گیاهی در حوزه آبخیز قره آقاچ و همچنین انتخاب شاخص‌های گیاهی مناسب در تهیه نقشه پوشش گیاهی منطقه، می‌باشد. پیش‌پردازش‌های مختلف شامل تصحیح هندسی با استفاده از تصاویر موجود مربوط اردیبهشت 1387 با RMSE حدود 5/0 پیکسل انجام شد و تصحیحات اتمسفری و توپوگرافی به ترتیب به کمک روش تفریق عارضه تاریک و مدل لامبرت انجام شد. از شاخص‌های گیاهی و طبقه‌بندی نظارت شده برای تهیه نقشه پوشش گیاهی استفاده شد. عملیات برداشت زمینی در اردیبهشت ماه 1387 در سطحی معادل 25/8962 هکتار آغاز شد. تیپ‌های مختلف گیاهی به روش نمونه‌برداری سیستماتیک- تصادفی، سطحی که اختلاف مهمی در ترکیب فلورستیک- فیزیونومیک نداشت، به عنوان تیپ گیاهی مستقل و یکنواخت در نظر گرفته شد. در کل منطقه حدود 60 نقطه تصادفی انتخاب و اندازه‌گیری پوشش گیاهی به روش برآورد انجام گرفت. اطلاعات رقومی و شاخص‌ها به عنوان متغیر مستقل و اطلاعات زمینی به عنوان متغیر وابسته معرفی شدند. معادلات مختلف با استفاده از شاخص‌ها بر روی تصاویر اعمال و سپس تصاویر به 5 کلاس پوشش طبقه بندی شد. در نهایت نقشه پوشش و نقاط نمونه‌برداری برای بررسی صحت نتایج، کنترل گردید. نقشه پوشش منطقه با اعمال پردازش‌های گوناگون بر روی تصویر تهیه گردید. با بهره گیری از سامانه اطلاعات جغرافیایی تمام لایه‌های اطلاعاتی با یکدیگر ترکیب و نقشه پوشش اراضی منطقه تهیه شد. نتایج این پژوهش نشان داد که، شاخص NDVI همبستگی بالایی با درصد پوشش گیاهی داشت (01/0P?). صحت کلی و ضریب کاپا برای نقشه پوشش با شاخص NDVI به ترتیب برابر 5/68 % و 4/72 % بدست آمد. نتایج این مطالعه نشان داد که پوشش گیاهی با درصد تاج پوشش 40-20 درصد، وسیع‌ترین طبقه تراکمی پوشش این منطقه می‌باشد. نتایج این پژوهش همچنان نشان داد که تصاویر سنجنده ASTER و شاخص‌های گیاهی ابزار قدرت مناسبی برای تهیه نقشه پوشش گیاهی می‌باشد. بنابراین، می توان از نقشه پوشش تهیه شده از داده‌های ASTER برای برآورد پوشش و تولید و ارزیابی مراتع استفاده کرد.
