تفسیرپذیری الگوریتم های یادگیری ماشین در تهیه نقشه های حساسیت به خشکسالی (مطالعه موردی: استان خوزستان، ایران)

در این پژوهش، با بهره گیری از الگوریتم جنگل تصادفی و روش تفسیرپذیری شپلی، نقشه حساسیت خشکسالی استان خوزستان تهیه شد. برای تهیه نقشه وقوع خشکسالی، از داده های شاخص بارش استاندارد شده در بازه زمانی ۲۰۱۸ تا ۲۰۲۲ استفاده شد. در این مطالعه از ۱۸ فاکتور ( رطوبت نسبی، سرعت باد، تبخیروتعرق، کمینه و بیشینه دما، ارتفاع، شیب، جهت شیب، شاخص رطوبت توپوگرافی، پوشش اراضی، شاخص پوشش گیاهی، محتوای آب خاک، تراکم رودخانه، سطح آب، خاک ماسه، چگالی ظاهری خاک، خاک رس، بافت خاک) به عنوان متغیرهای ورودی برای مدل استفاده شد. ارزیابی کارایی مدل با شاخص منحنی مشخصه عملکرد سیستم (ROC) نشان داد که دقت پیش بینی ۰.۹۸۷ بود که بیانگر عمکرد عالی مدل در نقشه خروجی مدل جنگل تصادفی بود. براساس نتایج حاصل از نقشه حساسیت به خشکسالی، ۳۱.۰۳ درصد منطقه مطالعاتی در طبقه "خیلی کم"، ۸.۱۸ درصد در طبقه "کم"،۸.۳۰ درصد منطقه در طبقه "متوسط"، ۱۰.۸۸درصد منطقه در طبقه زیاد و ۴۱.۵۸ درصد منطقه در طبقه "خیلی زیاد" قرار گرفته است. بیشترین فراوانی مشاهده شده طبقات مرتبط با دو طبقه "خیلی کم" و "خیلی زیاد" بوده است. براساس روش شپلی فاکتورهایی مانند ارتفاع، دمای بیشینه، شاخص رطوبت توپوگرافی، سرعت باد و شیب بیشترین تاثیر را در وقوع خشکسالی داشته اند. این مطالعه مزایای استفاده از روش­های یادگیری ماشین تفسیرپذیر را نشان می دهد.

کلیدواژه ها:

حساسیت به خشکسالی ، یادگیری ماشین ، جنگل تصادفی ، توضیح پذیری مدل/ روش شپلی ، جنوبغرب ایران