دوره 10، شماره 3 - ( 7-1402 )
جلد 10 شماره 3 صفحات 84-71 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Ara H, Gohari Z, Memarian H. Modeling the risk of advancing sand areas using expert algorithms and artificial intelligence. Journal of Spatial Analysis Environmental Hazards 2023; 10 (3) :71-84
URL: http://jsaeh.khu.ac.ir/article-1-3382-fa.html
URL: http://jsaeh.khu.ac.ir/article-1-3382-fa.html
آراء هایده، گوهری زهرا، معماریان خلیل آباد هادی. مدل‌سازی خطر مکانی پیشروی پهنه های ماسه‌ای با استفاده از الگوریتم های خبره و هوش مصنوعی. تحلیل فضایی مخاطرات محیطی. 1402; 10 (3) :71-84
1- دانشگاه سمنان ، ara338@semnan.ac.ir
2- دانشگاه سمنان
3- دانشگاه بیرجند
2- دانشگاه سمنان
3- دانشگاه بیرجند
چکیده: (1855 مشاهده)
شناسایی پهنه‌های ماسه‌ای، ابزار مهمی برای برنامه‌ریزی در راستای توسعه پایدار به شمار می‌رود. با توجه به شرایط اقلیمی شهرستان سرخس، پارامترهایی مانند خشک‌سالی، طوفان‌های گرد و غبار از یک طرف، توسعه اراضی کشاورزی و تبدیل مراتع به دیم‌زارهای کم بازده از سوی دیگر سبب پیشروی و توسعه این پهنه‌ها گردیده است. با توجه به هدف پژوهش، عوامل موثر و پویا مانند پوشش گیاهی، خشک‌سالی و تعداد روزهای گرد و غبار، به عنوان متغیرهای دینامیک و سایر پارامترهای طبیعی منطقه مانند زمین‌شناسی، شیب، جهت، پستی و بلندی و خاک به عنوان متغیرهای استاتیک ورودی به مدل انتخاب گردیدند. در مدل‌سازی از الگوریتم‌های جنگل تصادفی (RF) و شبکه عصبی پرسپترون (MLP) استفاده شد. برای ساخت مدل‌ها 8 لایه اطلاعاتی به عنوان متغیر پیش‌گو و متغیر وجود یا عدم وجود پهنه‌های ماسه‌ای بعنوان متغیر هدف تعیین گردید. ارزیابی الگوریتم‌های مدل‌سازی با استفاده از منحنی ROC انجام گردید. نتایج نشان داد که الگوریتم RF با سطح زیر منحنی بطور میانگین بیش از 90 درصد عملکرد بهتری نسبت به MLP با سطح زیر منحنی میانگین 75 درصد، داشته است. در رتبه‌بندی متغیرهای بکار رفته در مدل، متغیر پوشش گیاهی در همه دوره‌ها در رتبه اول قرار گرفت و پس از آن متغیر SPI در سال‌های 2000 و 2015 و متغیر DSI در سال‌های 2005 و 2010 در درجه دوم اهمیت قرار داشتند. در متغیرهای استاتیک استفاده شده در مدل، متغیرهای شیب و جهت از اهمیت کمتری نسبت به سایر متغیرها در همه دوره‌ها برخوردار و در رتبه پایین‌تری قرار گرفت.
فهرست منابع
1. اکبری، مرتضی. 1382. ارزیابی و طبقه بندی بیابان زایی با تکنیک RS و GIS در منطقه خشک شمال اصفهان، پایان نامه کارشناسی ارشد بیابان زدایی، دانشگاه صنعتی اصفهان، دانشکده منابع طبیعی.
2. علوی پناه، سید کاظم. 1385. کاربرد سنجش از دور در علوم زمین، انتشارات دانشگاه تهران.
3. Bijaber, N.; El Hadani, D., Saidi, M., Svoboda, M. D., Wardlow, B. D., Hain, C. R., Rochdi, A.2018. Developing a remotely sensed drought monitoring indicator for Morocco. Geosciences, 8(2): 55.
4. Breckle, S.W.; Veste, M., Wucherer, W. 2001. Sustainable Land Use in Deserts. Springer, Germany.
5. David, S.G.T.; Nicholas, J.M., 1994. Desertification Exploding the Myth. Wiley, New York.
6. Chang, C. L.; Liao, C. S. 2012. Parameter sensitivity analysis of artificial neural network for predicting water turbidity. International Journal of Geological and Environmental Engineering, 6(10): 657-660.
7. Falaki, M. A.; Ahmed, H. T., Akpu, B. 2020. Predictive modeling of desertification in Jibia Local Government Area of Katsina State, Nigeria. The Egyptian Journal of Remote Sensing and Space Science, 23(3):363-370.
8. Feng, Y. 2017. Modeling dynamic urban land-use change with geographical cellular automata and generalized pattern search-optimized rules. International Journal of Geographical Information Science, 31(6): 1198-1219.
9. Florian, J.; Thomass, S., Thorsten, W., Gerhard, E.W. 2001. Arid rangeland management supported by dynamic spatially explicit simulation models. In: Breckle, S.W., Veste, M., Wucherer, W. (Eds.), Sustainable Land Use in Deserts. Springer, Germany
10. Jamali, A.2021. Improving land use land cover mapping of a neural network with three optimizers of multi-verse optimizer, genetic algorithm, and derivative-free function. The Egyptian Journal of Remote Sensing and Space Science, 24(3):373-390.
11. Janitza, S.; Tutz, G., Boulesteix, A. L. 2016. Random forest for ordinal responses: prediction and variable selection, Computational Statistics & Data Analysis, 96: 57-73.
12. Gad, A.; Lotfy, I. 2006. Use of remote sensing and GIS in mapping the environmental sensitivity areas for desertification of Egyptian territory. In: Proceedings of the Second International Conference on Water Resources and Arid Environment 2006, Riyadh, Kingdom of Saudi Arabia, 26–29 November 2006.
13. Goodin, D.G.; Anibas, K.L., Bezyennyi, M. 2018. Mapping land cover and land use from object-based classification: an example from a complex agricultural landscape, International Journal of Remote Sensing, 36: 4702-4723.
14. Lu, D., Mausel, P., Brondizio, E., & Moran, E. 2004. Change detection techniques. International journal of remote sensing, 25 (12): 2365-2401.
15. Memarian, H.; Balasundram, S. K. 2013. Comparison between multi-layer perceptron and radial basis function networks for sediment load estimation in a tropical watershed. Journal of Water Resource and Protection, 4(10):870.
16. Memarian, H.; Balasundram, S. K., Tajbakhsh, M. 2013. An expert integrative approach for sediment load simulation in a tropical watershed. Journal of Integrative Environmental Sciences, 10(3-4): 161-178.
17. Mirzaei.N. ;Saraf,A., Application of data integration models in simulating river flow using large-scale climate signals, case study: Jiroft Dam watershed. Watershed engineering and management,4(13):672-689.
18. Principe, J.; Lefebvre, W. C., Lynn, G., Fancourt, C., Wooten, D. 2007. NeuroSolutions-documentation, the manual and on-line help,Version 5.05. NeuroDimension, Inc.
19. Pickard, B., Gray, J., & Meentemeyer, R. (2017). Comparing quantity, allocation and configuration accuracy of multiple land change models. Land, 6(3), 52.
20. Philips, Z., Bojke, L., Sculpher, M., Claxton, K., & Golder, S. (2006). Good practice guidelines for decision-analytic modelling in health technology assessment. Pharmacoeconomics, 24(4), 355-371.
21. Rumelhart, D. E.; Zipser, D. 1986. Feature discovery by competitive learning, Parallel distributed processing: explorations in the microstructure of cognition, vol. 1: foundations,567.
22. Yosefi, M.; Poorshariaty, R.2015. Suspended Sediment Estimation using Neural Network and Algorithms Assessment (Case Study: Lorestan Province).Journal of Watershed management research, 5(10): 85-97.
23. Wang, B., Waters, C., Orgill, S., Cowie, A., Clark, A., Li Liu, D., ... & Sides, T. (2018). Estimating soil organic carbon stocks using different modelling techniques in the semi-arid rangelands of eastern Australia. Ecological indicators, 88, 425-438.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 | این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
