پديد آورندگان :
داروند، سروه دانشگاه تهران - دانشكدۀ منابع طبيعي - گروه احياي مناطق خشك و كوهستاني، كرج، ايران , خسروي، حسن دانشگاه تهران - دانشكدۀ منابع طبيعي - گروه احياي مناطق خشك و كوهستاني، كرج، ايران , كشتكار، حميدرضا دانشگاه تهران - دانشكدۀ منابع طبيعي - گروه احياي مناطق خشك و كوهستاني، كرج، ايران , زهتابيان، غلامرضا دانشگاه تهران - دانشكدۀ منابع طبيعي - گروه احياي مناطق خشك و كوهستاني، كرج، ايران , رحمتي، اميد مركز تحقيقات و آموزش كشاورزي و منابع طبيعي استان كردستان - بخش تحقيقات حفاظت خاك و آبخيزداري
كليدواژه :
البرز و قزوين , تصاوير ماهوارهاي , گرد و غبار , مدلهاي يادگيري ماشيني , منحني راك
چكيده فارسي :
مدلسازي يكي از ابزارهاي مناسب براي تصميم‌گيري پديده‌هاي محيط‌زيستي مي‌باشد كه به صورت مدلهاي مفهومي يا روابط رياضي بيان مي‌شوند. هدف از اين تحقيق مقايسۀ مدلهاي يادگيري ماشيني شامل ماشين بردار پشتيبان، درخت طبقه‌بندي و رگرسيون، جنگل تصادفي و مدل آناليز تشخيص تركيبي جهت اولويتبندي مناطق مستعد گرد و غبار است. جهت تعيين روزهاي گرد و غبار از دادههاي ساعتي هواشناسي استان هاي البرز و قزوين و تصاوير ماهوارهاي مربوط به همان روزها براي دورۀ 2000 تا 2019 استفاده شد. 420 نقطۀ برداشت گرد و غبار در منطقه شناسايي و نقشۀ پراكنش آنها تهيه گرديد. سپس نقشه هاي عوامل تأثيرگذار بر وقوع گرد و غبار شامل نقشه هاي كاربري اراضي، خاكشناسي، شيب، جهت، ارتفاع، پوشش گياهي، رطوبت سطح توپوگرافيكي، نسبت سطح توپوگرافيكي و زمين‌شناسي تهيه گرديد. با استفاده از مدل هاي ذكر شده تأثير هر يك از عوامل مؤثر گرد و غبار مشخص و نقشه هاي اولويت بندي مناطق برداشت گرد و غبار تهيه شد. ارزيابي مدلها با استفاده از منحني راك صورت گرفت. طبق نتايج حاصل شده عامل ارتفاع در تمامي مدلها نسبت به ساير پارامترهاي مورد استفاده در مدل از اهميت بيشتري برخوردار است. نتايج مدلسازي نيز نشان داد مدل هاي جنگل تصادفي (RF) و مدل آناليز تشخيص تركيبي MDA)) داراي بيشترين مقادير صحت (0/96)، دقت (0/94)، احتمال آشكارسازي (0/98) و كمترين نرخ هشدار اشتباه (0/051) نسبت به بقيۀ مدلها است. عملكرد مدلهاي RF و MDA نسبت به ساير مدلها بهتر بوده و پس از آنها به ترتيب مدلهاي ماشين بردار پشتيبان ((SVM و درخت طبقه بندي و رگرسيون CART)) قرار دارند. همچنين در ارزيابي مدلها با استفاده از منحني مشخصۀ عملكرد (ROC)، مدل RF به عنوان بهترين مدل انتخاب شد.
چكيده لاتين :
The purpose of this study was to compare machine learning models including Support Vector Machine, Classification and Regression Tree, Random Forest, and Multivariate Discriminate Analysis to prioritize susceptible areas to dust production. To determine the dust days, hourly meteorological data of Alborz and Qazvin provinces and satellite images of the same days for the period 2000 to 2019 were used. 420 dust collection points were identified and the map of their distribution was prepared. The maps of factors affecting the occurrence of dust, including landuse map, soil orders map, slope map, slope aspect map, elevation map, vegetation map, topographic surface moisture, topographic surface ratio, and geology mam were prepared. Using the mentioned models, the impact of each of the effective factors of dust was determined and prioritization maps of dust harvesting areas were prepared. Models were evaluated using the ROC curve. According to the results, the elevation factor is more important in all models than the other parameters used in the model. The modeling results also showed that the Random Forest )RF( and Multivariate Discriminate Analysis (MDA) models had the highest values of accuracy (0.96), precision (0.94), Probability of Detection (POD) (0.98), and False Alarm Ratio (FAR) (0.051) compared to the others. The performance of the RF and MDA models is better than the other models, followed by the Support Vector Machine (SVM) and Classification and Regression Tree (CART) models, respectively. Also, in evaluating the models using Receiver Operating Characteristic (ROC), the RF model was selected as the best model.
