ارزیابی و پیش بینی بیابان زایی در دشت یزد-اردکان با استفاده از رویکرد تلفیقی سنجش از دور، یادگیری ماشین و مدل IMDPA تحت سناریوهای اقلیمی CMIP۶

بیابان زایی یکی از مهم ترین چالش های زیست محیطی در مناطق خشک و نیمه خشک ایران به شمار می رود. دشت یزد-اردکان به عنوان یکی از مناطق استراتژیک و در عین حال حساس از نظر اکولوژیکی در مرکز ایران، به طور ویژه در معرض خطر بیابان زایی قرار دارد. پژوهش حاضر با هدف ارزیابی و پیش بینی روند بیابان زایی در دشت یزد-اردکان طی دوره ی ۱۹۸۶ تا ۲۰۱۶ و پیش بینی تا سال ۲۰۳۰ تحت سه سناریوی اقلیمی SSP۱-۲.۶، SSP۲-۴.۵ و SSP۵-۸.۵ از مجموعه ی مدل های CMIP۶، با استفاده از رویکردی تلفیقی شامل داده های سنجش از دور، الگوریتم های یادگیری ماشین و مدل ارزیابی بیابان زایی IMDPA انجام شده است. در این تحقیق، از تصاویر ماهواره ای لندست ۵، ۷ و ۸ در چهار مقطع زمانی ۱۹۸۶، ۱۹۹۹، ۲۰۱۰ و ۲۰۱۶ استفاده شد. ۲۰۱ نمونه ی خاک سطحی (۰-۲۰ سانتی متر) با استفاده از روش نمونه برداری لاتین هایپرکیوب برداشت و پارامترهای هدایت الکتریکی (EC)، نسبت جذب سدیم (SAR)، pH خاک، کربن آلی خاک (SOC) و شاخص کیفیت خاک (SQI) اندازه گیری شدند. داده های اقلیمی آینده از سه مدل گردش عمومی (GCM) از پروژه ی CMIP۶ شامل CanESM۵، ACCESS-CM۲ و TaiESM۱ تحت سه سناریوی SSP استخراج و ریزمقیاس نمایی شدند. مدل های یادگیری ماشین شامل جنگل تصادفی (Random Forest)، ماشین بردار پشتیبان (SVR) و شبکه ی عصبی مصنوعی (ANN) برای پیش بینی پارامترهای خاک به کار گرفته شدند. نتایج نشان داد که مدل جنگل تصادفی با ضریب تعیین (R²) برابر ۰٫۷۳ برای EC، ۰٫۷۶ برای SAR، ۰٫۷۷ برای SQI و ۰٫۵۳ برای SOC، بهترین عملکرد را در پیش بینی پارامترهای خاک داشت. بر اساس مدل IMDPA، کلاس بیابان زایی با شدت بسیار بالا طی دوره ی ۱۹۸۶ تا ۲۰۱۶ بیش از ۶۰ برابر (از ۲۹ هکتار به ۱,۷۶۶ هکتار) افزایش یافته است. پیش بینی ها تا سال ۲۰۳۰ نشان می دهد که تحت سناریوی خوش بینانه ی SSP۱-۲.۶، مساحت کلاس کیفیت خاک بسیار پایین (SQI<۰.۴) به ۶۲,۱۴۰ هکتار و تحت سناریوی بدبینانه ی SSP۵-۸.۵ به ۸۹,۳۴۰ هکتار خواهد رسید. اراضی مرتعی فقیر به میزان ۱۲٫۰۱٪ و اراضی کشاورزی به میزان ۱۸٫۱٪ کاهش یافته اند، در حالی که اراضی بایر ۱۶٫۵٪ و مناطق مسکونی ۳۴٫۷٪ افزایش داشته اند. نوآوری اصلی این پژوهش، تلفیق پیش بینی های اقلیمی CMIP۶ با مدل های یادگیری ماشین و IMDPA برای ارائه ی سناریوهای چندگانه از آینده ی بیابان زایی در منطقه است که امکان برنامه ریزی تطبیقی را برای مدیران سرزمین فراهم می آورد.

کلیدواژه ها:

بیابان زایی ، سنجش از دور ، یادگیری ماشین ، تغییرات اقلیمی ، CMIP۶ ، IMDPA ، Random Forest ، دشت یزد-اردکان