پهنه بندی آسیب پذیری گرد و غبار با استفاده از تصاویر ماهواره ای و مدل های یادگیری ماشین

پیش بینی کانون های برداشت گرد و غبار و تعیین عوامل موثر بر آن، برای اولویت بندی اقدامات مدیریتی و اجرایی به منظور مقابله با بیابان زایی ناشی از فرسایش بادی در مناطق خشک ضروری است؛ بنابراین، این کار با هدف ارزیابی کاربرد سه مدل یادگیری ماشین (ازجمله مدل های جنگل تصادفی، گرادیان تقویتی و مدل افزودنی کلی) برای پیش بینی آسیب پذیری کانون های گرد و غبار طی سال های 2005 تا 2018 در کویر مرکزی انجام شد. برای این منظور، ابتدا کانون های گرد و غبار در منطقه ی مطالعاتی با استفاده از تصاویر ماهواره ای MODIS با استفاده از چهار شاخص شامل BTD3132،BTD2931 ، NDDI و متغیر D استخراج شدند و در نهایت 135 نقطه به عنوان کانون گرد و غبار شناسایی و در مدل سازی استفاده شدند. در این مطالعه برخی فاکتورهای موثر بر گرد و غبار مانند کاربری اراضی، خاک شناسی، زمین شناسی، فاصله از آبراهه، شاخص تفاوت نرمال شده ی پوشش گیاهی (NDVI)، شیب زمین و اقلیم برای مدل سازی در نظر گرفته شدند. نتایج حاصل نشان داد که در میان الگوریتم های استفاده شده، مدل گرادیان تقویتی با دقت 2/64 درصد، دقیق ترین مدل و سپس مدل جنگل تصادفی با دقت 5/63 درصد و مدل افزودنی کلی با دقت 6/51 درصد در رتبه های بعدی قرار دارند. به علاوه، از میان فاکتورهای مورد بررسی، کاربری اراضی و خاک شناسی به عنوان موثرترین عوامل بر آسیب پذیری گرد و غبار شناسایی شدند. نتایج حاصل از این مطالعه می تواند اطلاعات ارزشمندی را به مدیران منطقه ای و سیاستمداران برای شناسایی مناطق آسیب پذیر، اولویت بندی انجام فعالیت های مدیریتی برای کنترل گرد و غبار و نیز اتخاذ تصمیم های مناسب برای کاهش پیامدهای منفی آن ارایه داده و به آن ها برای مدیریت مناسب تر کمک نماید.