فهرست نشریات علمی دسترسی آزاد ایران

مد‌ل­سازی یکی از ابزارهای مناسب برای تصمیم‌گیری پدیده‌های محیط‌زیستی می‌باشد که به صورت مدل‌های مفهومی یا روابط ریاضی بیان می‌شوند. هدف از این تحقیق مقایسۀ مدل­های یادگیری ماشینی شامل ماشین بردار پشتیبان، درخت طبقه‌بندی و رگرسیون، جنگل تصادفی و مدل آنالیز تشخیص ترکیبی جهت اولویت­بندی مناطق مستعد گرد و غبار است. جهت تعیین روز­های گرد و غبار از داده­های ساعتی هواشناسی استان­های البرز و قزوین و تصاویر ماهواره­ای مربوط به همان روزها برای دورۀ 2000 تا 2019 استفاده شد. 420 نقطۀ برداشت گرد و غبار در منطقه شناسایی و نقشۀ پراکنش آ­ن­ها تهیه گردید. سپس نقشه­های عوامل تأثیرگذار بر وقوع گرد و غبار شامل نقشه­های کاربری اراضی، خاک­شناسی، شیب، جهت، ارتفاع، پوشش گیاهی، رطوبت سطح توپوگرافیکی، نسبت سطح توپوگرافیکی و زمین‌شناسی تهیه گردید. با استفاده ازمدل­­های ذکر شده تأثیر هر یک از عوامل مؤثر گرد و غبار مشخص و نقشه­های اولویت­بندی مناطق برداشت گرد و غبار تهیه شد. ارزیابی مدل­ها با استفاده از منحنی راک صورت گرفت. طبق نتایج حاصل شده عامل ارتفاع در تمامی مدل­ها نسبت به سایر پارامترهای مورد استفاده در مدل از اهمیت بیشتری برخوردار است. نتایج مدل­سازی نیز نشان داد مدل­های جنگل تصادفی (RF) و مدل آنالیز تشخیص ترکیبی MDA)) دارای بیشترین مقادیر صحت (96/0)، دقت (94/0)، احتمال آشکارسازی (98/0) و کمترین نرخ هشدار اشتباه (051/0) نسبت به بقیۀ مدل‌ها است. عملکرد مدل­های RF و MDA نسبت به سایر مدل‌ها بهتر بوده و پس از آن­ها به ترتیب مدل‌های ماشین بردار پشتیبان ((SVM و درخت طبقه­بندی و رگرسیون CART)) قرار دارند. همچنین در ارزیابی مدل­ها با استفاده از منحنی مشخصۀ عملکرد (ROC)، مدل RF به عنوان بهترین مدل انتخاب شد.