رامین پاپی

طوفان های گردوغبار به دلیل قابلیت انتقال طولانی مدت رسوبات بادی به مناطق دور از منشأ آن ها، خطرات متعددی را برای جوامع انسانی به همراه دارند و با اثرات منفی زیادی بر سلامت انسان، محیط زیست و اقتصاد جوامع همراه هستند. با توجه به ماهیت پخش و پراکنش سریع ذرات گردوغبار و جابه جایی به وسیله باد، بسیاری از رخدادهای گردوغباری به راحتی قابل تشخیص و پایش نیستند و به همین جهت نیاز به شناسایی و توصیف رفتار مکانی کانون های آن ها وجود دارد. محدوده خلیج قره بغاز علاوه بر صحرای قره قوم یکی از کانون های بحران برداشت گردوغبار ورودی به استان گلستان در سال های اخیر بوده است، این پژوهش به ارزیابی کارایی الگوریتم های پیشرفته یادگیری ماشین در شناسایی کانون های تولید گردوغبار در حوضه خلیج قره بغاز می پردازد. در این پژوهش، از یک چارچوب تحلیلی جامع مبتنی بر تلفیق داده های سنجش از دور و روش های یادگیری ماشین استفاده شده است. مجموعه داده های محیطی شامل 9 پارامتر روزهای گردوغباری، رطوبت خاک، بافت خاک، بارش، سرعت باد، شاخص نرمال شده تفاوت پوشش گیاهی، توپوگرافی، دمای هوا و پوشش زمین با استفاده از پلتفرم گوگل ارث انجین برای بازه زمانی (۲۰03-۲۰23) استخراج و پردازش شدند. تعداد 340 کانون مولد گردوغبار از طریق رویکرد تفسیر چشمی تصاویر ماهواره ای مادیس شناسایی شده، به عنوان نقاط آموزشی الگوریتم های یادگیری ماشین مورداستفاده و ارزیابی قرار گرفتند. نتایج نشان داد مدل جنگل تصادفی با 8/91 درصد، شبکه عصبی مصنوعی با 9/70 درصد، تقویت گرادیانی پیشرفته با 9/89 درصد، تقویت گرادیانی با 9/87 درصد، الگوریتم درختان طبقه بندی و رگرسیون Bagged CART با 9/89 درصد و ماشین تقویت گرادیانی LightGBMبا 8/91 درصد مناطق با پتانسیل بالای گردوغبار را تشخیص داده اند که مدل های جنگل تصادفی و ماشین تقویت گرادیانی LightGBM با بهترین عملکرد را در شناسایی کانون های گردوغبار داشته اند. بررسی روش های توضیح پذیری نشان داد که سه متغیر شاخص نرمال شده تفاوت پوشش گیاهی با سهم (27%)، رطوبت خاک (%23) و ارتفاع از سطح دریا (%19) بیشترین تأثیر را در پیش بینی مناطق مستعد گردوغبار دارند.

عمق نوری آئروسل ( AOD ) پارامتر سنجش از دور مهمی است که به عنوان نماینده ای از غلظت آئروسل اتمسفری برای نظارت بر طوفان های گردوغبار استفاده می شود. در مطالعات پیشین ارتباط بین پارامترهای اقلیمی و AOD گزارش شده است. از طریق تجزیه و تحلیل این ارتباط می توان الگوهای مکانی- زمانی AOD را پیش بینی کرد. در پژوهش حاضر برای اولین بار از الگوریتم داده کاوی M5P نظر به کاربرد آن در خصوص کشف اطلاعات ارزشمند از میان مجموعه داده های بزرگ برای استخراج مدل های پیش بینی کننده AOD استفاده شد. بدین منظور، سری زمانی روزانه داده های سنجش از دوری پارامترهای دمای هوا، بارش، رطوبت نسبی، و سرعت باد و AOD در یک بازه زمانی ده ساله (2005-2014) در محدوده شهرستان اهواز به عنوان ورودی های M5P تهیه و آماده سازی شد. از طریق تشکیل درخت های تصمیم مبتنی بر قوانین «اگر– آنگاه» و تجزیه و تحلیل رگرسیون چندمتغیره در چارچوب الگوریتم M5P ، چهار مدل پیش بینی کننده خطی به دست آمد. برای اعتبارسنجی مدل های خطی، از آماره های ضریب همبستگی پیرسون، MAE ، و RMSE بهره گرفته شد. مقادیر این آماره ها به ترتیب 69/0، 22/0، و 31/0 برآورد شد که حاکی از قابلیت اطمینان مدل ها در رابطه با پیش بینی AOD است. به طور کلی، نتایج این پژوهش نشان داد تکنیک داده کاوی در زمینه پیش بینی AOD کارآمد است.