مدلسازی خطر مکانی پیشروی پهنه های ماسه ای با استفاده از الگوریتم های خبره و هوش مصنوعی

Abstract

شناسایی پهن ههای 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 استفاده شد. برای ساخت مدلها 8 لایه اطلاعاتی به عنوان متغیر پیشگو و متغیر )MLP( و شبکه عصبی پرسپترون )RF( تصادفی ROC وجود یا عدم وجود پهنههای ماس های بعنوان متغیر هدف تعیین گردید. ارزیابی الگوریتمهای مدلسازی با استفاده از منحنی با MLP با سطح زیر منحنی بطور میانگین بیش از 90 درصد عملکرد بهتری نسبت به RF انجام گردید. نتایج نشان داد که الگوریتم سطح زیر منحنی میانگین 75 درصد، داشته است. در رتبهبندی متغیرهای بکار رفته در مدل، متغیر پوشش گیاهی در همه دورهها در در سالهای 2005 و 2010 در درجه دوم اهمیت قرار DSI در سالهای 2000 و 2015 و متغیر SPI رتبه اول قرار گرفت و پس از آن متغیر 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 .