مقایسۀ مدل‌های یادگیری ماشینی جهت اولویت‌بندی مناطق مستعد تولید گرد و غبار

نوع مقاله : مقاله پژوهشی

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.

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.

کلیدواژه‌ها


عنوان مقاله [English]

Comparison of machine learning models to prioritize susceptible areas to dust production

نویسندگان [English]

  • Serveh Darvand 1
  • Hassan Khosravi 2
  • Hamidreza Keshtkar 3
  • Gholamreza Zehtabian 4
  • Omid Rahmati 5
1 M.Sc. Student, Desert Management and Control, Faculty of Natural Resources, University of Tehran, Iran
2 Associate Professor, Faculty of Natural Resources, University of Tehran
3 Assistant Professor, Faculty of Natural Resources, University of Tehran, Iran
4 Professor, Faculty of Natural Resources, University of Tehran, Iran
5 Assistant Professor, Agricultural Research Education and Extension Organization, Sanandaj, Iran
چکیده [English]

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.

کلیدواژه‌ها [English]

  • Alborz
  • Qazvin
  • Satellite images
  • Dust
  • Machine learning
  • ROC curve
  • 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.
دوره 74، شماره 1
خرداد 1400
صفحه 53-68
  • تاریخ دریافت: 04 فروردین 1400
  • تاریخ بازنگری: 16 اردیبهشت 1400
  • تاریخ پذیرش: 20 اردیبهشت 1400
  • تاریخ اولین انتشار: 01 خرداد 1400