دانشکده منابع طبیعی دانشگاه تهران نشریه علمی - پژوهشی مرتع و آبخیزداری 5044-2008 74 1 2021 05 22 Comparison of machine learning models to prioritize susceptible areas to dust production مقایسۀ مدل‌های یادگیری ماشینی جهت اولویت‌بندی مناطق مستعد تولید گرد و غبار 53 68 82307 10.22059/jrwm.2021.321033.1580 FA سروه داروند دانشجوی کارشناسی ارشد، رشتۀ مدیریت و کنترل بیابان، گروه احیای مناطق خشک و کوهستانی، دانشکدۀ منابع طبیعی، دانشگاه تهران، کرج، ایران. حسن خسروی دانشیار، گروه احیای مناطق خشک و کوهستانی، دانشکدۀ منابع طبیعی، دانشگاه تهران، کرج، ایران. حمید رضا کشتکار استادیار، گروه احیای مناطق خشک و کوهستانی، دانشکدۀ منابع طبیعی، دانشگاه تهران، کرج، ایران. غلامرضا زهتابیان استاد، گروه احیای مناطق خشک و کوهستانی، دانشکدۀ منابع طبیعی، دانشگاه تهران، کرج، ایران. امید رحمتی استادیار، بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان کردستان، سنندج، ایران. Journal Article 2021 03 24 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. مد‌ل­سازی یکی از ابزارهای مناسب برای تصمیم‌گیری پدیده‌های محیط‌زیستی می‌باشد که به صورت مدل‌های مفهومی یا روابط ریاضی بیان می‌شوند. هدف از این تحقیق مقایسۀ مدل­های یادگیری ماشینی شامل ماشین بردار پشتیبان، درخت طبقه‌بندی و رگرسیون، جنگل تصادفی و مدل آنالیز تشخیص ترکیبی جهت اولویت­بندی مناطق مستعد گرد و غبار است. جهت تعیین روز­های گرد و غبار از داده­های ساعتی هواشناسی استان­های البرز و قزوین و تصاویر ماهواره­ای مربوط به همان روزها برای دورۀ 2000 تا 2019 استفاده شد. 420 نقطۀ برداشت گرد و غبار در منطقه شناسایی و نقشۀ پراکنش آ­ن­ها تهیه گردید. سپس نقشه­های عوامل تأثیرگذار بر وقوع گرد و غبار شامل نقشه­های کاربری اراضی، خاک­شناسی، شیب، جهت، ارتفاع، پوشش گیاهی، رطوبت سطح توپوگرافیکی، نسبت سطح توپوگرافیکی و زمین‌شناسی تهیه گردید. با استفاده ازمدل­­های ذکر شده تأثیر هر یک از عوامل مؤثر گرد و غبار مشخص و نقشه­های اولویت­بندی مناطق برداشت گرد و غبار تهیه شد. ارزیابی مدل­ها با استفاده از منحنی راک صورت گرفت. طبق نتایج حاصل شده عامل ارتفاع در تمامی مدل­ها نسبت به سایر پارامترهای مورد استفاده در مدل از اهمیت بیشتری برخوردار است. نتایج مدل­سازی نیز نشان داد مدل­های جنگل تصادفی (RF) و مدل آنالیز تشخیص ترکیبی MDA)) دارای بیشترین مقادیر صحت (96/0)، دقت (94/0)، احتمال آشکارسازی (98/0) و کمترین نرخ هشدار اشتباه (051/0) نسبت به بقیۀ مدل‌ها است. عملکرد مدل­های RF و MDA نسبت به سایر مدل‌ها بهتر بوده و پس از آن­ها به ترتیب مدل‌های ماشین بردار پشتیبان ((SVM و درخت طبقه­بندی و رگرسیون CART)) قرار دارند. همچنین در ارزیابی مدل­ها با استفاده از منحنی مشخصۀ عملکرد (ROC)، مدل RF به عنوان بهترین مدل انتخاب شد. https://jrwm.ut.ac.ir/article_82307_b023c2bd7ddf1baef7a5359ae6c9f83c.pdf