شناسایی خاستگاه‌های هواویزهای اتمسفری با استفاده از سنجش از دور و داده‌کاوی (مطالعه موردی: استان یزد)
الموضوعات :محمد کاظمی 1 , علیرضا نفرزادگان 2 , فربیرز محمدی 3 , علی رضایی‌لطیفی 4
1 - استادیار، مرکز مطالعات و تحقیقات هرمز، دانشگاه هرمزگان، بندرعباس، ایران
2 - استادیار، گروه مهندسی منابع طبیعی، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس، ایران
3 - استادیار، مرکز مطالعات و تحقیقات هرمز، دانشگاه هرمزگان، بندرعباس ؛ استادیار، گروه علوم و مهندسی آب، مجتمع آموزش عالی میناب، دانشگاه هرمزگان، میناب، ایران
4 - استادیار، مرکز مطالعات و تحقیقات هرمز، دانشگاه هرمزگان، بندرعباس ؛ استادیار، گروه فیزیک، دانشکده علوم، دانشگاه هرمزگان، بندرعباس، ایران
الکلمات المفتاحية: پهنه‌بندی, عمق اُپتیکی هواویز, متغیرهای مکانی, یادگیری ماشین,
ملخص المقالة :
پیشینه و هدف کشور ایران بدلیل قرار گرفتن در کمربند خشک و نیمه خشک جهان، در معرض پدیده های محلی و منطقه ای گرد و غبار قرار دارد. میانگین روزهای تؤام با گرد و غبار در استان یزد بالغ بر 43 روز در سال است و این مهم به نحوی بر سلامت و کیفیت زندگی مردم اثرات مخربی وارد آورده است. میزان غلظت ذرات معلق و شاخص عمق اُپتیکی هواویز (AOD) در پی وقایع گرد و غبار یکی از شاخص های کیفیت هوا می باشد. بنابراین بررسی و تهیه نقشه های پهنه بندی حساسیت با هدف شناسایی مناطق دارای قابلیت بالای تولید گرد و غبار، در محدوده فعالیت های بشری دارای اهمیت است و جهت کاهش خسارات احتمالی و مدیریت خطر، اقداماتی مانند پهنه بندی عرصه های مختلف تولید گرد و غبار می تواند مؤثر واقع شود. هدف از پژوهش حاضر پهنه بندی پتانسیل عرصه های مختلف مستعد گرد و غبار با استفاده از مدل های داده کاوی و شناسایی مهم‌ترین متغیرها بر این پدیده و بهره مندی از سنجش از دور در این راستا در استان یزد می‌باشد.مواد و روش ها در این تحقیق ابتدا متغیرهای اقلیمی مختلف (از تصاویر ماهواره ای مختلف) از جمله سرعت باد در ارتفاع ده متری سطح زمین (Vs)، رطوبت خاک (Soil)، بارش تجمعی (Pr)، شاخص خشکسالی پالمر (Pdsi)، شاخص پوشش گیاهی نرمال شده (NDVI)، خشکی خاک یا کمبود آب خاک (Def)، تبخیر و تعرق مرجع (Pet) و واقعی (Aet)، بعد توپوگرافی (TD)، رادیانس طول موج کوتاه رسیده به زمین (Srad)، حداقل دمای هوا (Tmmn)، حداکثر دمای هوا (Tmmx)، فشار بخار (Vap)، کمبود فشار بخار(Vpd) و درصد رس (Clay) با استفاده از کدنویسی در سامانه آنلاین گوگل ارت انجین (GEE) استخراج شدند. سپس نمونه ها از مناطق بحرانی و مستعد گرد و غبار در سیستم اطلاعات جغرافیایی و به کمک تصاویر AOD مودیس استخراج شدند و این ویژگی و همچنین سایر ویژگی ها در متغیرهای اقلیمی وارد سه مدل داده کاوی الگوریتم درختان رگرسیون و طبقه بندی (CART)، رگرسیون انطباقی چندمتغیره اسپیلاین (MARS) و درختان رگرسیون چندگانه جمع‌شدنی (TreeNet) شدند. در نهایت نتایج پیش بینی این مدل های داده کاوی در سیستم اطلاعات جغرافیایی تبدیل به نقشه و پهنه های مختلف پتانسیل خطر خیزش گرد و غبار شدند.نتایج و بحث در روش CART متغیرهایی هم‌چون شاخص پوشش گیاهی نرمال شده، تبخیر و تعرق واقعی، مدل رقومی ارتفاع، طول موج کوتاه رسیده به سطح زمین، شاخص خشکسالی پالمر، سرعت باد و درصد رس، گره های انتهایی جهت شناسایی مناطق با میانگین بالای عمق اپتیکی هواویزها می باشد. در این روش رطوبت خاک، مدل رقومی ارتفاعی و تبخیر تعرق رفرنس بیشترین اهمیت نسبی را در شناسایی مناطق بحرانی خیزش گرد و غبار نشان دادند. ضریب همبستگی مدل مقدار 0.85 را نشان داد. نتایج داده کاوی به روش MARS نشان داد متغیرهای تبخیر و تعرق واقعی، رطوبت خاک و شاخص خشکسالی پالمر بیشترین اهمیت نسبی را در شناسایی مناطق بحرانی خیزش گرد و غبار داشته اند. ضریب همبستگی مدل مقدار 0.72 را نشان داد. همچنین در روش TreeNet متغیرهای رطوبت خاک، شاخص خشکسالی پالمر و تبخیر و تعرق واقعی بیشترین اهمیت نسبی را نشان دادند. ضریب همبستگی مدل 0.75 بود. همچنین مناطق با حساسیت بسیار زیاد، زیاد، متوسط، کم و بسیار کم به ترتیب حدود 16% ، 19% ، 26% ، 20% و 20%، استان یزد را اشغال کردند.نتیجه گیری با توجه به نتایج یاد شده در مورد شناسایی تأثیرگذارترین متغیرها بر گرد و غبار در مناطق مختلف، نمی توان یک یا چند متغیر را در پدیده خیزش گرد و غبار برای همه مناطق، مشترک در نظر گرفت و این مهم از منطقه به منطقه ای دیگر تغییر می کند. کما اینکه متغیرهای زمین شناسی و کاربری اراضی در پژوهش حاضر جزء متغیرهایی بودند که هیچ‌گونه اثری بر متغیر وابسته یعنی حساسیت به گرد و غبار نداشتند. در پژوهش حاضر، اشتراکات متغیرهای مستقل مهم و چرخه تصمیم گیری شامل تبخیر و تعرق واقعی، رطوبت خاک، شاخص خشکسالی پالمر، سرعت باد، ارتفاع، شاخص پوشش گیاهی و حداقل دمای روزانه بودند. هیچ‌کدام از پژوهش های مرتبط در مورد موضوع پژوهش، در انتخاب بهترین مدل داده کاوی، همپوشانی نداشتند و مدل داده کاوی واحدی برای بررسی حساسیت مناطق مختلف به پدیده گرد و غبار در ایران یافت نشد. شایان ذکر است، در این پژوهش مدل الگوریتم درختان رگرسیون و طبقه بندی انتخاب شد. پژوهش حاضر در نوع مدل های داده کاوی استفاده شده و متغیرهای مستقل با پژوهش‌های یاد شده متفاوت بوده و با توجه به عدم همپوشانی نتایج انتخاب مدل برتر، نمی توان نسخه واحدی برای انتخاب بهترین مدل داده کاوی برای ایران در بحث گرد و غبار ارائه نمود. لذا پیشنهاد می شود از بهترین مدل های منتخب در پژوهش‌های یاد شده برای داده کاوی پدیده گرد و غبار در پژوهش‌های آتی استفاده و مورد قیاس قرار گیرند.http://dorl.net/dor/20.1001.1.26767082.1400.12.1.4.5
Ahmadlou M, Delavar M. 2015. Multiple land use change modeling using multivariate adaptive regression spline and geospatial information system. Journal of Geomatics Science and Technology, 5(2): 131-146. (In Persian).
Ali M, Asklany SA, El-wahab M, Hassan M. 2019. Data Mining Algorithms for Weather Forecast Phenomena Comparative Study. International Journal of Computer Science and Network Security, 19(9): 76-81.
Alibakhshi T, Azizi Z, Vafaeinezhad A, Aghamohammadi H. 2020. Survey of Area Changes in Water Basins of Shahid Abbaspour Dam Caused by 2019 Floods Using Google Earth Engine. Iranian Journal of Ecohydrology, 7(2): 345-357. (In Persian).
Bari Abarghuei H, Tabatabaei Aghda S, Tavakoli M, Najjar Hadashi N. 2006. The origin of Yazd storms and the damages caused by it. 1st National Conference on Wind erosion and dust storms. Paper presented at the 21 January, Yazd University, Yazd, Iran. (In Persion).
Boroughani M, Pourhashemi S. 2019. Susceptibility Zoning of Dust Source Areas by Data Mining Methods over Khorasan Razavi Province. Environmental Erosion Research Journal, 9(3): 1-22. (In Persian).
Danesh Shahraki M, Shahriari A, Gangali M, Bameri A. 2017. Seasonal and Spatial Variability of Airborne Dust Loading Rate over the Sistan plain cities and its Relationship with some Climatic Parameters. Journal of Water and Soil Conservation, 23(6): 199-215. (In Persian).
Ebrahimi-Khusfi Z, Ruhollah T-M, Maryam M. 2021. Evaluation of machine learning models for predicting the temporal variations of dust storm index in arid regions of Iran. Atmospheric Pollution Research, 12(1): 134-147. doi:https://doi.org/10.1016/j.apr.2020.08.029.
Friedman JH, Meulman JJ. 2003. Multiple additive regression trees with application in epidemiology. Statistics in Medicine, 22(9): 1365-1381. doi:https://doi.org/10.1002/sim.1501.
Fridedman J. 1991. Multivariate adaptive regression splines (with discussion). Ann Stat, 19(1): 79-141.
Gholami H, Aliakbar M, Adrian LC. 2020. Spatial mapping of the provenance of storm dust: Application of data mining and ensemble modelling. Atmospheric Research, 233: 104716. doi:https://doi.org/10.1016/j.atmosres.2019.104716.
Gordon L. 2013. Using classification and regression trees (CART) in SAS® enterprise miner TM for applications in public health. SAS Global Forum 2013, San Francisco, California.
Halabian A, Javari M, Akbari Z, Akbari G. 2017. Evaluating the performance of decision tree model in estimating the suspended sediments of river (A case study on the basin of Meimeh river). Geography And Development Iranian Journal, 15(49): 81-96. (In Persian).
Hojati M. 2017. Artificial neural network based model to estimate dust storms PM10 content using MODIS satellite images. Journal of Environmental Studies, 42(4): 823-838. (In Persian).
Hunter H, Cervone G. 2017. Analysing the influence of African dust storms on the prevalence of coral disease in the Caribbean Sea using remote sensing and association rule data mining. International Journal of Remote Sensing, 38(6): 1494-1521. doi:https://doi.org/10.1080/01431161.2016.1277279.
Karimi K, Taheri Shahraiyni H, Habibi Nokhandan M, Hafezi Moghadas N. 2011. Identifying sources of origin for producing dust storms in Middle East using remote sensing. Journal of Climate Research, 2((7-8)): 57-72. (In Persian).
Khalighi Sigaroudi S, Shahbandari R, Dadfar R, Kamrani F. 2011. Investigation of the relationship between drought and dust storms (Case study: Yazd province). Paper presented at the 2nd National Conference on Wind Erosion and Dust Storms. Yazd University, Yazd, Iran. (In Persian).
Loh WY. 2011. Classification and regression trees. Wiley interdisciplinary reviews: data mining and knowledge discovery, 1(1): 14-23.
Mirakbari M, Ganji A, Fallah S. 2010. Regional bivariate frequency analysis of meteorological droughts. Journal of Hydrologic Engineering, 15(12): 985-1000. doi:https://doi.org/10.1061/(ASCE)HE.1943-5584.0000271.
Mohammad Khan S. 2017. The study of the status and trend of changes in dust storms in Iran during the period from 1985 to 2005. Irrigation and Watershed Management (Iranian Journal of Natural Resources) 2(3): 495-514. (In Persian).
Panahi M, Mirhashemi SH. 2015. Assessment among two data mining algorithms CART and CHAID in forecast air temperature of the synoptic station of Arak. Environmental Sciences, 13(4): 53-58. (In Persian).
Pourhashemi S, Amirahmadi A, Zangane Asadi MA, Salehi M. 2018. Identifying and determining the characteristics of dust centers in Khorasan Razavi province. Arid Regions Geography Studies, 9(34): 1-9. (In Persian).
Pourhashemi S, Boroghani M, Amirahmadi A, Zanganeh Asadi M, Salhi M. 2019. Dust source prioritization with using statistical models (Case study: Khorasan Razavi provience). Journal of Range and Watershed Managment, 72(2): 343-358. (In Persian).
Rashki A, Kaskaoutis D, Rautenbach CJW, Eriksson P, Qiang M, Gupta P. 2012. Dust storms and their horizontal dust loading in the Sistan region, Iran. Aeolian Research, 5(3): 51-62. doi:https://doi.org/10.1016/j.aeolia.2011.12.001.
Rezazadeh M, Irannejad P, Shao Y. 2013. Climatology of the Middle East dust events. Aeolian Research, 10: 103-109. doi:https://doi.org/10.1016/j.aeolia.2013.04.001.
Rokach L, Maimon OZ. 2014. Data mining with decision trees: theory and applications, vol 81. World scientific. 244 p.
Sharma H, Kumar S. 2016. A survey on decision tree algorithms of classification in data mining. International Journal of Science and Research (IJSR), 5(4): 2094-2097.
Sobhani B, Safarian Zengir V, Faizollahzadeh S. 2020. Modeling and prediction of dust in western Iran. Physical Geography Research Quarterly, 52(1): 17-35. (In Persian).
Soleimanpour S, Mesbah S, Hedayati B. 2018. Application of CART decision tree data mining to determine the most effective drinking water quality factors (case study: Kazeroon plain, Fars province). Iranian Journal of Health and Environment, 11(1): 1-14. (In Persian).
Tsolmon R, Ochirkhuyag L, Sternberg T. 2008. Monitoring the source of trans-national dust storms in north east Asia. International Journal of Digital Earth, 1(1): 119-129. doi:https://doi.org/10.1080/17538940701782593.
Zha W, Chan W-Y. 2005. Objective Speech Quality Measurement Using Statistical Data Mining. EURASIP Journal on Advances in Signal Processing, 2005(9): 721258. doi:10.1155/ASP.2005.1410.
_||_Ahmadlou M, Delavar M. 2015. Multiple land use change modeling using multivariate adaptive regression spline and geospatial information system. Journal of Geomatics Science and Technology, 5(2): 131-146. (In Persian).
Ali M, Asklany SA, El-wahab M, Hassan M. 2019. Data Mining Algorithms for Weather Forecast Phenomena Comparative Study. International Journal of Computer Science and Network Security, 19(9): 76-81.
Alibakhshi T, Azizi Z, Vafaeinezhad A, Aghamohammadi H. 2020. Survey of Area Changes in Water Basins of Shahid Abbaspour Dam Caused by 2019 Floods Using Google Earth Engine. Iranian Journal of Ecohydrology, 7(2): 345-357. (In Persian).
Bari Abarghuei H, Tabatabaei Aghda S, Tavakoli M, Najjar Hadashi N. 2006. The origin of Yazd storms and the damages caused by it. 1st National Conference on Wind erosion and dust storms. Paper presented at the 21 January, Yazd University, Yazd, Iran. (In Persion).
Boroughani M, Pourhashemi S. 2019. Susceptibility Zoning of Dust Source Areas by Data Mining Methods over Khorasan Razavi Province. Environmental Erosion Research Journal, 9(3): 1-22. (In Persian).
Danesh Shahraki M, Shahriari A, Gangali M, Bameri A. 2017. Seasonal and Spatial Variability of Airborne Dust Loading Rate over the Sistan plain cities and its Relationship with some Climatic Parameters. Journal of Water and Soil Conservation, 23(6): 199-215. (In Persian).
Ebrahimi-Khusfi Z, Ruhollah T-M, Maryam M. 2021. Evaluation of machine learning models for predicting the temporal variations of dust storm index in arid regions of Iran. Atmospheric Pollution Research, 12(1): 134-147. doi:https://doi.org/10.1016/j.apr.2020.08.029.
Friedman JH, Meulman JJ. 2003. Multiple additive regression trees with application in epidemiology. Statistics in Medicine, 22(9): 1365-1381. doi:https://doi.org/10.1002/sim.1501.
Fridedman J. 1991. Multivariate adaptive regression splines (with discussion). Ann Stat, 19(1): 79-141.
Gholami H, Aliakbar M, Adrian LC. 2020. Spatial mapping of the provenance of storm dust: Application of data mining and ensemble modelling. Atmospheric Research, 233: 104716. doi:https://doi.org/10.1016/j.atmosres.2019.104716.
Gordon L. 2013. Using classification and regression trees (CART) in SAS® enterprise miner TM for applications in public health. SAS Global Forum 2013, San Francisco, California.
Halabian A, Javari M, Akbari Z, Akbari G. 2017. Evaluating the performance of decision tree model in estimating the suspended sediments of river (A case study on the basin of Meimeh river). Geography And Development Iranian Journal, 15(49): 81-96. (In Persian).
Hojati M. 2017. Artificial neural network based model to estimate dust storms PM10 content using MODIS satellite images. Journal of Environmental Studies, 42(4): 823-838. (In Persian).
Hunter H, Cervone G. 2017. Analysing the influence of African dust storms on the prevalence of coral disease in the Caribbean Sea using remote sensing and association rule data mining. International Journal of Remote Sensing, 38(6): 1494-1521. doi:https://doi.org/10.1080/01431161.2016.1277279.
Karimi K, Taheri Shahraiyni H, Habibi Nokhandan M, Hafezi Moghadas N. 2011. Identifying sources of origin for producing dust storms in Middle East using remote sensing. Journal of Climate Research, 2((7-8)): 57-72. (In Persian).
Khalighi Sigaroudi S, Shahbandari R, Dadfar R, Kamrani F. 2011. Investigation of the relationship between drought and dust storms (Case study: Yazd province). Paper presented at the 2nd National Conference on Wind Erosion and Dust Storms. Yazd University, Yazd, Iran. (In Persian).
Loh WY. 2011. Classification and regression trees. Wiley interdisciplinary reviews: data mining and knowledge discovery, 1(1): 14-23.
Mirakbari M, Ganji A, Fallah S. 2010. Regional bivariate frequency analysis of meteorological droughts. Journal of Hydrologic Engineering, 15(12): 985-1000. doi:https://doi.org/10.1061/(ASCE)HE.1943-5584.0000271.
Mohammad Khan S. 2017. The study of the status and trend of changes in dust storms in Iran during the period from 1985 to 2005. Irrigation and Watershed Management (Iranian Journal of Natural Resources) 2(3): 495-514. (In Persian).
Panahi M, Mirhashemi SH. 2015. Assessment among two data mining algorithms CART and CHAID in forecast air temperature of the synoptic station of Arak. Environmental Sciences, 13(4): 53-58. (In Persian).
Pourhashemi S, Amirahmadi A, Zangane Asadi MA, Salehi M. 2018. Identifying and determining the characteristics of dust centers in Khorasan Razavi province. Arid Regions Geography Studies, 9(34): 1-9. (In Persian).
Pourhashemi S, Boroghani M, Amirahmadi A, Zanganeh Asadi M, Salhi M. 2019. Dust source prioritization with using statistical models (Case study: Khorasan Razavi provience). Journal of Range and Watershed Managment, 72(2): 343-358. (In Persian).
Rashki A, Kaskaoutis D, Rautenbach CJW, Eriksson P, Qiang M, Gupta P. 2012. Dust storms and their horizontal dust loading in the Sistan region, Iran. Aeolian Research, 5(3): 51-62. doi:https://doi.org/10.1016/j.aeolia.2011.12.001.
Rezazadeh M, Irannejad P, Shao Y. 2013. Climatology of the Middle East dust events. Aeolian Research, 10: 103-109. doi:https://doi.org/10.1016/j.aeolia.2013.04.001.
Rokach L, Maimon OZ. 2014. Data mining with decision trees: theory and applications, vol 81. World scientific. 244 p.
Sharma H, Kumar S. 2016. A survey on decision tree algorithms of classification in data mining. International Journal of Science and Research (IJSR), 5(4): 2094-2097.
Sobhani B, Safarian Zengir V, Faizollahzadeh S. 2020. Modeling and prediction of dust in western Iran. Physical Geography Research Quarterly, 52(1): 17-35. (In Persian).
Soleimanpour S, Mesbah S, Hedayati B. 2018. Application of CART decision tree data mining to determine the most effective drinking water quality factors (case study: Kazeroon plain, Fars province). Iranian Journal of Health and Environment, 11(1): 1-14. (In Persian).
Tsolmon R, Ochirkhuyag L, Sternberg T. 2008. Monitoring the source of trans-national dust storms in north east Asia. International Journal of Digital Earth, 1(1): 119-129. doi:https://doi.org/10.1080/17538940701782593.
Zha W, Chan W-Y. 2005. Objective Speech Quality Measurement Using Statistical Data Mining. EURASIP Journal on Advances in Signal Processing, 2005(9): 721258. doi:10.1155/ASP.2005.1410.
