ارزیابی الگوریتم‌های یادگیری ماشین برای نقشه برداری از حساسیت منابع گردوغبار با تلفیق سنجش‌از‌دور و پارامترهای محیطی (مطالعه موردی: حوضه خلیج قره‌بغاز)

نوع مقاله : پژوهشی اصیل

نویسندگان
1 دانشجوی دکتری مدیریت و کنترل بیابان، دانشگاه علوم کشاورزی و منابع طبیعی گرگان
2 دانشیار گروه مدیریت مناطق بیابانی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان
3 دکتری سنجش از دور و سامانه اطلاعات جغرافیایی، سازمان نقشه برداری کشور
4 استاد گروه سنجش از دور و سامانه اطلاعات جغرافیایی، دانشگاه تهران
چکیده
این پژوهش 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 (۲۰03-۲۰23) استخراج و پردازش شدند. تعداد 340 کانون مولد گردوغبار از طریق رویکرد تفسیر چشمی تصاویر ماهواره‌ای مودیس شناسایی­شده، به­عنوان نقاط آموزشی الگوریتم­های یادگیری ماشین مورداستفاده و ارزیابی قرار گرفتند. نتایج نشان داد مدل جنگل تصادفی با 8/91 درصد، شبکه عصبی مصنوعی با 9/70 درصد، گرادیان تقویتی پیشرفته با 9/89 درصد، گرادیان تقویتی با 9/87 درصد، الگوریتم تقویت گرادیان درختان تصمیم Bagged CART با 9/89 درصد و درختان طبقه­بندی و رگرسیون با 8/91 درصد مناطق با پتانسیل بالای گردوغبار را تشخیص داده­اند که مدل­های جنگل تصادفی و درختان طبقه­بندی و رگرسیون بهترین عملکرد را در شناسایی کانون‌های گردوغبار داشته­اند.  بررسی روش­های توضیح­پذیری نشان داد که سه متغیر شاخص پوشش گیاهی با سهم (27%)، رطوبت خاک (%23) و ارتفاع از سطح دریا (%19) بیشترین تأثیر را در پیش‌بینی مناطق مستعد گردوغبار دارند. نوآوری اصلی این تحقیق در توسعه یک چارچوب ترکیبی مبتنی بر یادگیری ماشین با قابلیت شناسایی مناطق مستعد گردوغبار و تعیین سهم پارامترهای محیطی مؤثر در شکل­گیری این طوفان­ها است.

کلیدواژه‌ها

موضوعات



مقالات آماده انتشار، اصلاح شده برای چاپ
انتشار آنلاین از 14 آذر 1404