مدل سازی خطر مکانی پیشروی پهنه های ماسه ای با استفاده از الگوریتم های خبره و هوش مصنوعی

شناسایی پهنه های ماسه ای، ابزار مهمی برای برنامه ریزی در راستای توسعه پایدار به شمار می رود. با توجه به شرایط اقلیمی شهرستان  سرخس، پارامترهایی مانند خشک سالی، طوفان های گرد و غبار از یک طرف، توسعه اراضی کشاورزی و تبدیل مراتع به دیم زارهای کم بازده از سوی دیگر سبب پیش روی و توسعه این پهنه ها گردیده است. با توجه به هدف پژوهش، عوامل موثر و پویا مانند پوشش گیاهی، خشک سالی و تعداد روزهای گرد و غبار، به عنوان متغیرهای دینامیک و سایر پارامترهای طبیعی منطقه مانند زمین شناسی، شیب، جهت، پستی و بلندی و خاک به عنوان متغیرهای استاتیک ورودی به مدل انتخاب گردیدند. در مدل سازی از الگوریتم های جنگل تصادفی (RF) و شبکه عصبی پرسپترون (MLP) استفاده شد. برای ساخت مدل ها ۸ لایه اطلاعاتی به عنوان متغیر پیش گو و متغیر وجود یا عدم وجود پهنه های ماسه ای بعنوان متغیر هدف تعیین گردید. ارزیابی الگوریتم های مدل سازی با استفاده از منحنی ROC انجام گردید. نتایج نشان داد که الگوریتم RF با سطح زیر منحنی بطور میانگین بیش از ۹۰ درصد عملکرد بهتری نسبت به MLP با سطح زیر منحنی میانگین ۷۵ درصد، داشته است. در رتبه بندی متغیرهای بکار رفته در مدل، متغیر پوشش گیاهی در همه دوره ها در رتبه اول قرار گرفت و پس از آن متغیر SPI در سال های ۲۰۰۰ و ۲۰۱۵ و متغیر DSI در سال های ۲۰۰۵ و ۲۰۱۰ در درجه دوم اهمیت قرار داشتند. در متغیرهای استاتیک استفاده شده در مدل، متغیرهای شیب و جهت از اهمیت کمتری نسبت به سایر متغیرها در همه دوره ها برخوردار و در رتبه پایین تری قرار گرفت.

کلیدواژه ها:

Data mining techniques ، artificial neural network ، random forest ، sandy areas ، Sarakhs. ، تکنیک های داده کاوی ، شبکه عصبی مصنوعی ، جنگل تصادفی ، پهنه های ماسه ای ، سرخس.