پهنه بندی آسیب پذیری گردوغبار با استفاده از تصاویر ماهواره ای و مدل های یادگیری ماشین

پیش بینی کانون های برداشت گردوغبار و تعیین عوامل موثر بر آن، برای اولویت بندی اقدامات مدیریتی و اجرایی به منظور مقابله با بیابان زایی ناشی از فرسایش بادی در مناطق خشک ضروری است؛ بنابراین، این کار با هدف ارزیابی کاربرد سه مدل یادگیری ماشین (ازجمله مدل های جنگل تصادفی، گرادیان تقویتی و مدل افزودنی کلی) برای پیش بینی آسیب پذیری کانون های گردوغبار طی سال های ۲۰۰۵ تا ۲۰۱۸ در کویر مرکزی انجام شد. برای این منظور، ابتدا کانون های گردوغبار در منطقه ی مطالعاتی با استفاده از تصاویر ماهواره ای MODIS با استفاده از چهار شاخص شامل BTD۳۱۳۲،BTD۲۹۳۱ ، NDDI و متغیر D استخراج شدند و در نهایت ۱۳۵ نقطه به عنوان کانون گردوغبار شناسایی و در مدل سازی استفاده شدند. در این مطالعه برخی فاکتورهای موثر بر گردوغبار مانند کاربری اراضی، خاک شناسی، زمین شناسی، فاصله از آبراهه، شاخص تفاوت نرمال شده ی پوشش گیاهی (NDVI)، شیب زمین و اقلیم برای مدل سازی در نظر گرفته شدند. نتایج حاصل نشان داد که در میان الگوریتم های استفاده شده، مدل گرادیان تقویتی با دقت ۲/۶۴ درصد، دقیق ترین مدل و سپس مدل جنگل تصادفی با دقت ۵/۶۳ درصد و مدل افزودنی کلی با دقت ۶/۵۱ درصد در رتبه های بعدی قرار دارند. به علاوه، از میان فاکتورهای مورد بررسی، کاربری اراضی و خاک شناسی به عنوان موثرترین عوامل بر آسیب پذیری گردوغبار شناسایی شدند. نتایج حاصل از این مطالعه می تواند اطلاعات ارزشمندی را به مدیران منطقه ای و سیاستمداران برای شناسایی مناطق آسیب پذیر، اولویت بندی انجام فعالیت های مدیریتی برای کنترل گردوغبار و نیز اتخاذ تصمیم های مناسب برای کاهش پیامدهای منفی آن ارائه داده و به آن ها برای مدیریت مناسب تر کمک نماید.

کلیدواژه ها:

Remote Sensing ، Dust Sources ، Central Desert ، Vulnerability. ، سنجش ازدور ، کانون گردوغبار ، کویر مرکزی ، آسیب پذیری.