نویسندگان
1
دانشجوی کارشناسی ارشد، رشتۀ مدیریت و کنترل بیابان، گروه احیای مناطق خشک و کوهستانی، دانشکدۀ منابع طبیعی، دانشگاه تهران، کرج، ایران.
2
دانشیار، گروه احیای مناطق خشک و کوهستانی، دانشکدۀ منابع طبیعی، دانشگاه تهران، کرج، ایران.
3
استادیار، گروه احیای مناطق خشک و کوهستانی، دانشکدۀ منابع طبیعی، دانشگاه تهران، کرج، ایران.
4
استاد، گروه احیای مناطق خشک و کوهستانی، دانشکدۀ منابع طبیعی، دانشگاه تهران، کرج، ایران.
5
استادیار، بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان کردستان، سنندج، ایران.
,
نوع مقاله : مقاله پژوهشی
چکیده
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.
- Abdolshahnejad, M., Khosravi, H., Nazari Samani, A. A., Zehtabian, G. R. and Alambaigi, A. (2020). Determining the Conceptual Framework of Dust Risk Based on Evaluating Resilience (Case Study: Southwest of Iran). Strategic Research Journal of Agricultural Sciences and Natural Resources, 5(1), 33-44.
- Alamdarloo, E. H., Behrang Manesh, M. and Khosravi, H. (2018). Probability assessment of vegetation vulnerability to drought based on remote sensing data. Environmental monitoring and assessment, 190(12), 1-11.
- Albugami, S., Palmer, S., Meersmans, J. and Waine, T. (2018). Evaluating MODIS dust-detection indices over the Arabian Peninsula. Remote Sensing, 10(12), 1993.
- Boroughani, M. and Pourhashemi, S. (2019). Susceptibility Zoning of Dust Source Areas by Data Mining Methods over Khorasan Razavi Province. Environmental Erosion Research Journal, 9(3), 1-22.
- Breiman L. (2001), Random forests. Machine Learning, 45 (1): pp.5-32
- Cao, H., Amiraslani, F.,Liu, J. and Zhou, N. (2015). Identification of dust storm source areas in West Asia using multiple environmental datasets. Science of the Total Environment, 5: 224-235.
- Choubin, B., Abdolshahnejad, M., Moradi, E., Querol, X., Mosavi, A., Shamshirband, S. and Ghamisi, P. (2020). Spatial hazard assessment of the PM10 using machine learning models in Barcelona, Spain. Science of The Total Environment, 701, 134474.
- Damizadeh, M., Mahdavi, R., Noroozi, A. A., Hollisaz, A. and Gholami, H. (2021). Dust Storm Analysis and Detection in Hormozgan Province. Watershed Engineering and Management, 13(1), 111-124.
- Darvishi, A., Mobarghaee Dinan, N., Barghjelveh, S., & Yousefi, M. (2020). Assessment and Spatial Planning of Landscape Ecological Connectivity for Biodiversity Management (Case Study: Qazvin Province). Iranian Journal of Applied Ecology, 9(1), 15-29.
- Ebrahimi-Khusfi, Z., Taghizadeh-Mehrjardi, R. and Mirakbari, M. (2021). Evaluation of machine learning models for predicting the temporal variations of dust storm index in arid regions of Iran. Atmospheric Pollution Research, 12(1), 134-147.
- Faridi, S., Rahmani, S., Hashemi, N., Ghobadian, S. and Zokaei, M. S. (2021). The Economic Effects of Dust Storm. Journal of Health, 11(5), 699-713.
- Floyd, K.W., and Gill, T.E. (2011). The association of land covers with aeolian sediment production at Jornada Basin, New Mexico, USA. Aeolian Research, 3, 55–66.
- Gholami, H., Mohamadifar, A., Sorooshian, A. and Jansen, J. D. (2020). Machine-learning algorithms for predicting land susceptibility to dust emissions: The case of the Jazmurian Basin, Iran. Atmospheric Pollution Research, 11(8), 1303-1315.
- Goudie, A. (2014). Review Desert dust and human health disorders. Environment International, 3: 101-113.
- Grinand, C., Vieilledent, G., Razafimbelo, T., Rakotoarijaona, J. R., Nourtier, M. and Bernoux, M. (2019). Landscape‐scale spatial modelling of deforestation, land degradation and regeneration using machine learning tools.Land Degradation & Development.
- Hosseini, C. F., Farokhkhan, F. A. and Amerkhan, H. (2019). Difference Vegetation Index (NDVI), land surface temperature (LST) and normalized moisture (NDMI) indices.
- Isazadeh, M., Biazar, S., Ashrafzadeh, A. and Khanjani, R. (2019). Estimation of aquifer qualitative parameters in Guilans plain using gamma test and support vector machine and artificial neural network models. Journal of Environmental Science and Technology, 21(2), 1-21.
- Jafari, M., Zehtabian, G., Ahmadi, H., Mesbahzadeh, T. and Norouzi, A. A. (2019). Detection of dust storm paths using numerical models and satellite images (case study: Isfahan province). Iranian Journal of Range and Desert Research, 26(1).
- Lee, J., Shi, Y. R., Cai, C., Ciren, P., Wang, J., Gangopadhyay, A. and Zhang, Z. (2021). Machine Learning Based Algorithms for Global Dust Aerosol Detection from Satellite Images: Inter-Comparisons and Evaluation. Remote Sensing, 13(3), 456.
- Moradi, E., Abdolshanejad, M., Borji, M., Ghohestani, G., da Silva, A. M., Khosravi, H. and Cerda, A. (2021). Machine learning approach to predict susceptible growth regions of Moringa peregrina (Forssk). Ecological Informatics, 101267.
- Moradi, S., Yousefi, H., Noorollahi, Y. and Rosso, D. (2020). Multi-criteria decision support system for wind farm site selection and sensitivity analysis: Case study of Alborz Province, Iran. Energy Strategy Reviews, 29, 100478.
- Nandi, A., and Shakoor, A. (2009). A GIS-based landslide susceptibility evaluation using bivariate and multivariate statistical analyses. Engineering Geology, 110, 11–20.
- Nazari, S., Kermani, M., Fazlzadeh, M., Matboo, S.A. and Yari, A.R. (2016). The origins and sources of dust particles, their effects on environment and health, and control strategies: a review. J. Air Pollut. Health 1 (2), 137–152.
- Qaderi Nasab, F. and Rahnama, M. B. (2018). Detection of dust storms in Jazmoriyan drainage basin using multispectral techniques and MODIS image. Physical Geography Research Quarterly, 50(3), 545-562.
- Rahimi, M., Damavandi, A. A. and Jafarian, V. (2014). Investigating remote sensing applications in evaluating and monitoring land degradation and desertification. Scientific-Research Quarterly of Geographical Data (SEPEHR), 22(88), 115-128.
- Rahmati, O., Mohammadi, F., Ghiasi, S. S., Tiefenbacher, J., Moghaddam, D. D., Coulon, F. and Bui, D. T. (2020). Identifying sources of dust aerosol using a new framework based on remote sensing and modelling. Science of The Total Environment, 737, 139508.
- Rahmati, O., Panahi, M., Ghiasi, S. S., Deo, R. C., Tiefenbacher, J. P., Pradhan, B. and Bui, D. T. (2020). Hybridized neural fuzzy ensembles for dust source modeling and prediction. Atmospheric Environment, 224, 117320.
- Rayegani, B., Barati, S., Goshtasb, H., Gachpaz, S., Ramezani, J. and Sarkheil, H. (2020). Sand and dust storm sources identification: A remote sensing approach. Ecological Indicators, 112, 106099.
- Seni, G. and Elder, J. F. (2010). Ensemble methods in data mining: improving accuracy through combining predictions. Synthesis lectures on data mining and knowledge discovery, 2(1), 1-126.
- Sobhani, B., Safarian Zengir, V. and Faizollahzadeh, S. (2020). Modeling and prediction of dust in western Iran. Physical Geography Research Quarterly, 52(1), 17-35.
- Taghavi, F., Owlad, E. and Ackerman, S. A. (2017). Enhancement and identification of dust events in the south-west region of Iran using satellite observations. Journal of Earth System Science, 126(2), 28.
- Wang, Y., Stein, A. F., Draxler, R. R., Jesús, D. and Zhang, X. (2011). Global sand and dust storms in 2008: Observation and HYSPLIT model verification. Atmospheric environment, 45(35), 6368-6381.
- Zhao, G., Pang, B., Xu, Z., Yue, J. and Tu, T. (2018). Mapping flood susceptibility in mountainous areas on a national scale in China. Science of The Total Environment, 615, 1133-1142.
)