تحلیل فضایی زمانی گرد و غبار با استفاده از یادگیری ماشین و سامانه اطلاعات جغرافیایی (GIS)

پدیده گرد و غبار به عنوان یک مخاطره محیطی با پیامدهای گسترده زیست محیطی بهداشتی و اقتصادی نیازمند تحلیل های دقیق فضایی زمانی است. این مقاله مروری با هدف تلفیق قابلیت های سامانه اطلاعات جغرافیایی (GIS) و الگوریتم های یادگیری ماشین (ML) در مطالعه گرد و غبار تدوین شده است. روش شناسی این مطالعه مبتنی بر مرور سیستماتیک منابع علمی معتبر داخلی و خارجی است. یافته ها نشان می دهد که داده های سنجش از دوری مانند Landsat, Sentinel، MODIS و شاخص هایی چون عمق نوری هواویز (AOD) و شاخص پوشش گیاهی (NDVI)، داده های پایه ضروری برای پایش این پدیده را فراهم می کنند. در این راستا GIS با ارائه بستری برای مدیریت، پردازش و نمایش لایه های اطلاعاتی مکانی امکان شناسایی کانون های گرد و غبار و تحلیل الگوهای پراکنش آن را فراهم می سازد. از سوی دیگر الگوریتم های یادگیری ماشین مانند جنگل تصادفی (Random Forest)، ماشین بردار پشتیبان (SVM) و شبکه های عصبی مصنوعی (ANN) با قابلیت کشف روابط پیچیده بین پارامترهای موثر قدرت پیش بینی مدل ها را به طور چشمگیری افزایش داده اند. تلفیق این دو فناوری در قالب تحلیل های فضایی زمانی منجر به توسعه مدل های پیشبین دقیق تر و درک عمیق تری از دینامیک گرد و غبار شده است. با این حال چالش هایی مانند کمبود داده زمینی، ناهمگونی مقیاس داده ها و نیاز به محاسبات با قدرت بالا همچنان وجود دارند. این مرور بر ضرورت توسعه مدل های تلفیقی، استفاده از داده های با وضوح بالاتر و ایجاد سیستم های هشدار زودهنگام یکپارچه تاکید می کند.

کلیدواژه ها:

گرد و غبار ، تحلیل فضایی زمانی ، یادگیری ماشین ، سامانه اطلاعات جغرافیایی (GIS) ، سنجش از دور ، پیش بینی