شناسایی خاستگاه های هواویزهای اتمسفری با استفاده از سنجش از دور و داده کاوی (مطالعه موردی: استان یزد)

پیشینه و هدف کشور ایران بدلیل قرار گرفتن در کمربند خشک و نیمه ­خشک جهان، در معرض پدیده ­های محلی و منطقه ­ای گرد و غبار قرار دارد. میانگین روزهای توام با گرد و غبار در استان یزد بالغ بر ۴۳ روز در سال است و این مهم به ­نحوی بر سلامت و کیفیت زندگی مردم اثرات مخربی وارد آورده است. میزان غلظت ذرات معلق و شاخص عمق اپتیکی هواویز (AOD) در پی وقایع گرد و غبار یکی از شاخص­ های کیفیت هوا می ­باشد. بنابراین بررسی و تهیه نقشه­ های پهنه ­بندی حساسیت با هدف شناسایی مناطق دارای قابلیت بالای تولید گرد و غبار، در محدوده فعالیت­ های بشری دارای اهمیت است و جهت کاهش خسارات احتمالی و مدیریت خطر، اقداماتی مانند پهنه ­بندی عرصه­ های مختلف تولید گرد و غبار می ­تواند موثر واقع شود. هدف از پژوهش حاضر پهنه­ بندی پتانسیل عرصه ­های مختلف مستعد گرد و غبار با استفاده از مدل­ های داده­ کاوی و شناسایی مهم ترین متغیرها بر این پدیده و بهره ­مندی از سنجش از دور در این راستا در استان یزد می باشد. مواد و روش ­ها در این تحقیق ابتدا متغیرهای اقلیمی مختلف (از تصاویر ماهواره­ ای مختلف) از جمله سرعت باد در ارتفاع ده متری سطح زمین (Vs)، رطوبت خاک (Soil)، بارش تجمعی (Pr)، شاخص خشکسالی پالمر (Pdsi)، شاخص پوشش گیاهی نرمال  شده (NDVI)، خشکی خاک یا کمبود آب خاک (Def)، تبخیر و تعرق مرجع (Pet) و واقعی (Aet)، بعد توپوگرافی (TD)، رادیانس طول موج کوتاه رسیده به زمین (Srad)، حداقل دمای هوا (Tmmn)، حداکثر دمای هوا (Tmmx)، فشار بخار (Vap)، کمبود فشار بخار(Vpd) و درصد رس (Clay) با استفاده از کدنویسی در سامانه آنلاین گوگل ارت انجین (GEE) استخراج شدند. سپس نمونه ­ها از مناطق بحرانی و مستعد گرد و غبار در سیستم اطلاعات جغرافیایی و به کمک تصاویر AOD مودیس استخراج شدند و این ویژگی و همچنین سایر ویژگی ­ها در متغیرهای اقلیمی وارد سه مدل داده­ کاوی الگوریتم درختان رگرسیون و طبقه ­بندی (CART)، رگرسیون انطباقی چندمتغیره اسپیلاین (MARS) و درختان رگرسیون چندگانه جمع شدنی (TreeNet) شدند. در نهایت نتایج پیش­بینی این مدل­ های داده ­کاوی در سیستم اطلاعات جغرافیایی تبدیل به نقشه و پهنه­ های مختلف پتانسیل خطر خیزش گرد و غبار شدند. نتایج و بحث در روش CART متغیرهایی هم چون شاخص پوشش گیاهی نرمال ­شده، تبخیر و تعرق واقعی، مدل رقومی ارتفاع، طول موج کوتاه رسیده به سطح زمین، شاخص خشکسالی پالمر، سرعت باد و درصد رس، گره ­های انتهایی جهت شناسایی مناطق با میانگین بالای عمق اپتیکی هواویزها می ­باشد. در این روش رطوبت خاک، مدل رقومی ارتفاعی و تبخیر تعرق رفرنس بیشترین اهمیت نسبی را در شناسایی مناطق بحرانی خیزش گرد و غبار نشان دادند. ضریب همبستگی مدل مقدار ۰.۸۵ را نشان داد. نتایج داده­ کاوی به روش MARS نشان داد متغیرهای تبخیر و تعرق واقعی، رطوبت خاک و شاخص خشکسالی پالمر بیشترین اهمیت نسبی را در شناسایی مناطق بحرانی خیزش گرد و غبار داشته ­اند. ضریب همبستگی مدل مقدار ۰.۷۲ را نشان داد. همچنین در روش TreeNet متغیرهای رطوبت خاک، شاخص خشکسالی پالمر و تبخیر و تعرق واقعی بیشترین اهمیت نسبی را نشان دادند. ضریب همبستگی مدل ۰.۷۵ بود. همچنین مناطق با حساسیت بسیار زیاد، زیاد، متوسط، کم و بسیار کم به ترتیب حدود ۱۶% ، ۱۹% ، ۲۶% ، ۲۰% و ۲۰%، استان یزد را اشغال کردند. نتیجه ­گیری با توجه به نتایج یاد شده در مورد شناسایی تاثیرگذارترین متغیرها بر گرد و غبار در مناطق مختلف، نمی توان یک یا چند متغیر را در پدیده خیزش گرد و غبار برای همه مناطق، مشترک در نظر گرفت و این مهم از منطقه به منطقه ­ای دیگر تغییر می کند. کما اینکه متغیرهای زمین ­شناسی و کاربری اراضی در پژوهش حاضر جزء متغیرهایی بودند که هیچ گونه اثری بر متغیر وابسته یعنی حساسیت به گرد و غبار نداشتند. در پژوهش حاضر، اشتراکات متغیرهای مستقل مهم و چرخه تصمیم ­گیری شامل تبخیر و تعرق واقعی، رطوبت خاک، شاخص خشکسالی پالمر، سرعت باد، ارتفاع، شاخص پوشش گیاهی و حداقل دمای روزانه بودند. هیچ کدام از پژوهش های مرتبط در مورد موضوع پژوهش، در انتخاب بهترین مدل داده­ کاوی، همپوشانی نداشتند و مدل داده کاوی واحدی برای بررسی حساسیت مناطق مختلف به پدیده گرد و غبار در ایران یافت نشد. شایان ذکر است، در این پژوهش مدل الگوریتم درختان رگرسیون و طبقه ­بندی انتخاب شد. پژوهش حاضر در نوع مدل­ های داده­ کاوی استفاده شده و متغیرهای مستقل با پژوهش های یاد شده متفاوت بوده و با توجه به عدم همپوشانی نتایج انتخاب مدل برتر، نمی ­توان نسخه واحدی برای انتخاب بهترین مدل داده­ کاوی برای ایران در بحث گرد و غبار ارائه نمود. لذا پیشنهاد می ­شود از بهترین مدل های منتخب در  پژوهش های یاد شده برای داده­ کاوی پدیده گرد و غبار در پژوهش های آتی استفاده و مورد قیاس قرار گیرند.   http://dorl.net/dor/۲۰.۱۰۰۱.۱.۲۶۷۶۷۰۸۲.۱۴۰۰.۱۲.۱.۴.۵

کلیدواژه ها:

عمق اپتیکی هواویز ، متغیرهای مکانی ، یادگیری ماشین ، پهنه بندی