دانشگاه تربیت مدرس آمایش فضا و ژئوماتیک 1605-9689 29 2 2025 06 22 Evaluation of Machine Learning Algorithms for Dust Source Susceptibility Mapping by Integrating Remote Sensing and Environmental Parameters (Case Study: Kara-Bogaz- Gol Basin) ارزیابی الگوریتم‌های یادگیری ماشین برای نقشه برداری از حساسیت منابع گردوغبار با تلفیق سنجش‌از‌دور و پارامترهای محیطی (مطالعه موردی: حوضه خلیج قره‌بغاز) 85 107 27930 FA فریده بامری نژاد دانشجوی دکتری مدیریت و کنترل بیابان، دانشگاه علوم کشاورزی و منابع طبیعی گرگان علی محمدیان بهبهانی دانشیار گروه مدیریت مناطق بیابانی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان چوقی بایرام کمکی دانشیار گروه مدیریت مناطق بیابانی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان رامین پاپی دکتری سنجش از دور و سامانه اطلاعات جغرافیایی، سازمان نقشه برداری کشور علی درویشی بلورانی استاد گروه سنجش از دور و سامانه اطلاعات جغرافیایی، دانشگاه تهران Journal Article 2025 07 14 Dust storms, characterized by their capacity to transport aeolian sediments across extensive distances from their origins, represent significant threats to human societies and are linked with considerable detrimental impacts on public health, ecological systems, and the economic stability of communities. In light of the swift dispersal and extensive distribution patterns of dust particulates, coupled with their transportational dynamics via wind currents, numerous occurrences remain elusive to detection and monitoring, thereby necessitating the elucidation and spatial delineation of their origin regions. The Kara-Bogaz Gol Basin, alongside the Karakum Desert, has emerged as one of the principal contributors to dust emissions affecting Golestan Province in recent years. This study critically assesses the efficacy of sophisticated machine learning algorithms in pinpointing dust emission origins within the Kara-Bogaz Gol Basin. In the present investigation, a robust analytical framework founded on the amalgamation of remote sensing data and machine learning methodologies was employed. Environmental datasets, encompassing nine distinct parameters—namely, dusty days, soil moisture, soil texture, precipitation, wind velocity, Normalized Difference Vegetation Index (NDVI), Digital Elevation Model (DEM), air temperature, and land cover—were systematically extracted and processed utilizing the Google Earth Engine platform across the temporal scope of 2003-2023. A total of 340 dust emission sources were discerned through visual interpretation of MODIS satellite imagery, serving as training data for the machine learning algorithms. The findings revealed the following accuracies in identifying areas with high dust emission potential: Random Forest 91.8%, Artificial Neural Network 70.9%, XGBoost 89.9%, Gradient Boosting 87.9%, Bagged CART 89.9%, and LightGBM 91.8%. Notably, Random Forest and LightGBM exhibited superior performance in the identification of dust sources. An examination of explainability techniques indicated that three variables—vegetation index (27% contribution), soil moisture (23%), and DEM (19%)—exerted the most substantial influence on the prediction of dust-prone areas. The primary contribution of this research resides in the formulation of a hybrid machine learning framework adept at identifying regions susceptible to dust emissions and quantifying the role of environmental parameters in the genesis of these storms. <span lang="AR-SA" style="font-size: 12.0pt; line-height: 90%; font-family: 'B Lotus'; mso-ascii-font-family: 'Times New Roman'; mso-ascii-theme-font: major-bidi; mso-hansi-font-family: 'Times New Roman'; mso-hansi-theme-font: major-bidi;">طوفان‌های گردوغبار به دلیل قابلیت انتقال طولانی‌مدت رسوبات بادی به مناطق دور از منشأ آنها، خطرات متعددی را برای جوامع انسانی به همراه دارند و با اثرات منفی زیادی بر سلامت انسان، <span lang="FA" style="font-size: 12.0pt; line-height: 90%; font-family: 'B Lotus'; mso-ascii-font-family: 'Times New Roman'; mso-ascii-theme-font: major-bidi; mso-hansi-font-family: 'Times New Roman'; mso-hansi-theme-font: major-bidi; mso-bidi-language: FA;">محیطزیست و اقتصاد جوامع<span lang="AR-SA" style="font-size: 12.0pt; line-height: 90%; font-family: 'B Lotus'; mso-ascii-font-family: 'Times New Roman'; mso-ascii-theme-font: major-bidi; mso-hansi-font-family: 'Times New Roman'; mso-hansi-theme-font: major-bidi;"> همراه هستند. با توجه به ماهیت پخش و پراکنش سریع ذرات گردوغبار و جابهجایی بهوسیله باد، بسیاری از رخدادهای گردوغباری بهراحتی قابلتشخیص و پایش نیستند و به همین جهت نیاز به شناسایی و توصیف رفتار مکانی کانونهای آنها وجود دارد.<span lang="FA" style="font-size: 12.0pt; line-height: 90%; font-family: 'B Lotus'; mso-ascii-font-family: 'Times New Roman'; mso-ascii-theme-font: major-bidi; mso-hansi-font-family: 'Times New Roman'; mso-hansi-theme-font: major-bidi; mso-bidi-language: FA;"> محدوده خلیج قرهبغاز علاوه بر صحرای قرهقوم یکی از کانونهای بحران برداشت گردوغبار ورودی به استان گلستان در سالهای اخیر بوده است، این پژوهش<span lang="AR-SA" style="font-size: 12.0pt; line-height: 90%; font-family: 'B Lotus'; mso-ascii-font-family: 'Times New Roman'; mso-ascii-theme-font: major-bidi; mso-hansi-font-family: 'Times New Roman'; mso-hansi-theme-font: major-bidi;"> به ارزیابی کارایی الگوریتم‌های پیشرفته یادگیری ماشین در شناسایی کانون‌های تولید گردوغبار در حوضه خلیج قره‌بغاز می‌پردازد. در این پژوهش، از یک چارچوب تحلیلی جامع مبتنی بر تلفیق دادههای سنجشازدور و روش‌های یادگیری ماشین استفاده شده است. مجموعه داده‌های محیطی شامل 9 پارامتر روزهای گردوغباری، رطوبت خاک، بافت خاک، بارش، سرعت باد، شاخص نرمالشده تفاوت پوشش گیاهی، توپوگرافی، دمای هوا و پوشش زمین با استفاده از پلتفرم گوگل ارثانجین برای بازه زمانی (<span lang="FA" style="font-size: 12.0pt; line-height: 90%; font-family: 'B Lotus'; mso-ascii-font-family: 'Times New Roman'; mso-ascii-theme-font: major-bidi; mso-hansi-font-family: 'Times New Roman'; mso-hansi-theme-font: major-bidi; mso-bidi-language: FA;">۲۰03-۲۰23) <span lang="AR-SA" style="font-size: 12.0pt; line-height: 90%; font-family: 'B Lotus'; mso-ascii-font-family: 'Times New Roman'; mso-ascii-theme-font: major-bidi; mso-hansi-font-family: 'Times New Roman'; mso-hansi-theme-font: major-bidi;">استخراج و پردازش شدند. تعداد 340 کانون مولد گردوغبار از طریق رویکرد تفسیر چشمی تصاویر ماهواره‌ای مادیس شناساییشده، بهعنوان نقاط آموزشی الگوریتمهای یادگیری ماشین مورداستفاده و ارزیابی قرار گرفتند. نتایج نشان داد مدل <span lang="FA" style="font-size: 12.0pt; line-height: 90%; font-family: 'B Lotus'; mso-ascii-font-family: 'Times New Roman'; mso-ascii-theme-font: major-bidi; mso-hansi-font-family: 'Times New Roman'; mso-hansi-theme-font: major-bidi; mso-bidi-language: FA;">جنگل تصادفی با 8/91 درصد، شبکه عصبی مصنوعی با 9/70 درصد، تقویت گرادیانی پیشرفته با 9/89 درصد، <span lang="AR-SA" style="font-size: 12.0pt; line-height: 90%; font-family: 'B Lotus'; mso-ascii-font-family: 'Times New Roman'; mso-ascii-theme-font: major-bidi; mso-hansi-font-family: 'Times New Roman'; mso-hansi-theme-font: major-bidi;">تقویت گرادیانی با 9/87 درصد، الگوریتم درختان طبقهبندی و رگرسیون<span dir="LTR" lang="EN-GB" style="font-size: 12.0pt; line-height: 90%; font-family: 'Times New Roman','serif'; mso-ascii-theme-font: major-bidi; mso-hansi-theme-font: major-bidi; mso-bidi-font-family: 'B Lotus'; mso-ansi-language: EN-GB;"> Bagged CART<span lang="EN-GB" style="font-size: 12.0pt; line-height: 90%; font-family: 'B Lotus'; mso-ascii-font-family: 'Times New Roman'; mso-ascii-theme-font: major-bidi; mso-hansi-font-family: 'Times New Roman'; mso-hansi-theme-font: major-bidi;"> <span lang="AR-SA" style="font-size: 12.0pt; line-height: 90%; font-family: 'B Lotus'; mso-ascii-font-family: 'Times New Roman'; mso-ascii-theme-font: major-bidi; mso-hansi-font-family: 'Times New Roman'; mso-hansi-theme-font: major-bidi;">با 9/89 درصد و ماشین تقویت گرادیانی <span dir="LTR" lang="AR-SA" style="font-size: 12.0pt; line-height: 90%; font-family: 'Times New Roman','serif'; mso-ascii-theme-font: major-bidi; mso-hansi-theme-font: major-bidi; mso-bidi-font-family: 'B Lotus';"> <span dir="LTR" lang="EN-GB" style="font-size: 12.0pt; line-height: 90%; font-family: 'Times New Roman','serif'; mso-ascii-theme-font: major-bidi; mso-hansi-theme-font: major-bidi; mso-bidi-font-family: 'B Lotus'; mso-ansi-language: EN-GB;">LightGBM<span lang="AR-SA" style="font-size: 12.0pt; line-height: 90%; font-family: 'B Lotus'; mso-ascii-font-family: 'Times New Roman'; mso-ascii-theme-font: major-bidi; mso-hansi-font-family: 'Times New Roman'; mso-hansi-theme-font: major-bidi;">با 8/91 درصد مناطق با پتانسیل بالای گردوغبار را تشخیص دادهاند که مدلهای جنگل تصادفی و ماشین تقویت گرادیانی <span dir="LTR" lang="EN-GB" style="font-size: 12.0pt; line-height: 90%; font-family: 'Times New Roman','serif'; mso-ascii-theme-font: major-bidi; mso-hansi-theme-font: major-bidi; mso-bidi-font-family: 'B Lotus'; mso-ansi-language: EN-GB;">LightGBM<span lang="EN-GB" style="font-size: 12.0pt; line-height: 90%; font-family: 'B Lotus'; mso-ascii-font-family: 'Times New Roman'; mso-ascii-theme-font: major-bidi; mso-hansi-font-family: 'Times New Roman'; mso-hansi-theme-font: major-bidi; mso-bidi-language: FA;"> <span lang="AR-SA" style="font-size: 12.0pt; line-height: 90%; font-family: 'B Lotus'; mso-ascii-font-family: 'Times New Roman'; mso-ascii-theme-font: major-bidi; mso-hansi-font-family: 'Times New Roman'; mso-hansi-theme-font: major-bidi;">با بهترین عملکرد را در شناسایی کانون‌های گردوغبار داشتهاند. بررسی روشهای توضیحپذیری نشان داد که سه متغیر شاخص نرمال شده تفاوت پوشش گیاهی با سهم (27%)، رطوبت خاک (<span lang="FA" style="font-size: 12.0pt; line-height: 90%; font-family: 'B Lotus'; mso-ascii-font-family: 'Times New Roman'; mso-ascii-theme-font: major-bidi; mso-hansi-font-family: 'Times New Roman'; mso-hansi-theme-font: major-bidi; mso-bidi-language: FA;">%23) <span lang="AR-SA" style="font-size: 12.0pt; line-height: 90%; font-family: 'B Lotus'; mso-ascii-font-family: 'Times New Roman'; mso-ascii-theme-font: major-bidi; mso-hansi-font-family: 'Times New Roman'; mso-hansi-theme-font: major-bidi;">و ارتفاع از سطح دریا (<span lang="FA" style="font-size: 12.0pt; line-height: 90%; font-family: 'B Lotus'; mso-ascii-font-family: 'Times New Roman'; mso-ascii-theme-font: major-bidi; mso-hansi-font-family: 'Times New Roman'; mso-hansi-theme-font: major-bidi; mso-bidi-language: FA;">%19) <span lang="AR-SA" style="font-size: 12.0pt; line-height: 90%; font-family: 'B Lotus'; mso-ascii-font-family: 'Times New Roman'; mso-ascii-theme-font: major-bidi; mso-hansi-font-family: 'Times New Roman'; mso-hansi-theme-font: major-bidi;">بیشترین تأثیر را در پیش‌بینی مناطق مستعد گردوغبار دارند.

https://hsmsp.modares.ac.ir/article_27930_d99f250dd0e92c70c027007f0e78eaf2.pdf