پیش بینی روند بیابان زایی در ایران تا افق 1450: رویکرد یکپارچه مبتنی بر داده های سنجش از دور، مدل های یادگیری ماشین و سناریوهای تغییرات اقلیمی

بیابان زایی یکی از مهم ترین چالش های زیست محیطی ایران در قرن حاضر محسوب می شود. با توجه به اینکه حدود 61 درصد از مساحت کشور در اقلیم های خشک و نیمه خشک واقع شده است، تشدید این پدیده تحت تاثیر تغییرات اقلیمی و فعالیت های انسانی، امنیت غذایی، منابع آب و پایداری زیست بوم های طبیعی را با تهدید جدی مواجه ساخته است. پژوهش حاضر با بهره گیری از رویکردی یکپارچه، روند بیابان زایی در ایران را تا افق 1450 (2070 میلادی) با تلفیق داده های سنجش از دور، مدل های یادگیری ماشین و سناریوهای تغییرات اقلیمی مورد بررسی قرار می دهد. در این تحقیق، از تصاویر ماهواره ای لندست و سنتینل، شاخص های طیفی نظیر NDVI، EVI، VCI، TCI، شاخص شوری (SI) و شاخص خشکسالی جریانی (SDI) به عنوان ورودی مدل های یادگیری ماشین شامل جنگل تصادفی (Random Forest)، ماشین بردار پشتیبان (SVM)، گرادینت بوستینگ (GBM) و مدل های خطی تعمیم یافته (GLM) استفاده شده است. پیش بینی تغییرات اقلیمی بر اساس سناریوهای CMIP6 (SSP2-4.5 و SSP5-8.5) و مدل منطقه ای CNRM-CM6 صورت گرفته است. نتایج نشان می دهد که میانگین دمای حداکثر تا سال 2050 بین 84/0 تا 54/1 درجه سلسیوس (سناریوی (SSP2-4.5) و 96/0 تا 70/1 درجه سلسیوس (سناریوی SSP5-8.5ا)فزایش خواهد یافت. مساحت اراضی بایر در استان گلستان از 08/6 درصد به 43/11 درصد تا سال 2040 افزایش می یابد و پهنه های مرتعی از 94/34 به 07/32 درصد کاهش خواهند یافت. در دشت یزد-اردکان، کلاس بیابان زایی با شدت بسیار بالا بیش از 60 برابر (از 29 هکتار به 1766 هکتار) گسترش یافته است. بر اساس مدل IMDPA، 54/80 درصد از منطقه مورد مطالعه در کلاس بیابان زایی شدید قرار دارد. پیش بینی می شود تا افق 1450، حدود 15 تا 25 درصد از اراضی مستعد کشور به کلاس های بیابان زایی شدید و بسیار شدید انتقال یابند. این پژوهش نشان می دهد که تلفیق داده های سنجش از دور با الگوریتم های یادگیری ماشین و سناریوهای اقلیمی، ابزاری کارآمد برای پایش و پیش بینی بیابان زایی در مقیاس ملی فراهم می آورد و ضرورت تدوین راهبردهای سازگاری و مدیریت پایدار سرزمین را بیش از پیش آشکار می سازد.

کلیدواژه ها:

بیابان زایی ، سنجش از دور ، یادگیری ماشین ، تغییرات اقلیمی ، IMDPA ، Random Forest ، CMIP6