توسعۀ یک سیستم پشتیبانی تصمیم‌گیری مبتنی‌بر مدل‌های یادگیری ماشین برای مدیریت پایدار فرسایش بادی

Abstract

این پژوهش با هدف توسعۀ روشی دقیق و جامع برای ارزیابی آسیب‌پذیری خاک در برابر فرسایش بادی انجام شد. فرسایش بادی به‌عنوان یک مسئلۀ مهم زیست‌محیطی، می‌تواند منجر به عواقب جبران‌ناپذیری مانند از دست دادن خاک، تخریب زیستگاه‌ها و آلودگی منابع آب شود. برای کاهش اثرات مخرب این پدیده، نقشه‌برداری دقیق از حساسیت اراضی به فرسایش بادی امری ضروری است. با تلفیق مدل‌سازی فضایی و یادگیری ماشین، طیف گسترده‌ای از مدل‌های آماری پیشرفته و الگوریتم‌های یادگیری ماشین مورد بررسی قرار گرفت. برای ارزیابی فرسایش بادی در منطقۀ مورد مطالعه، روشی چندمرحله‌ای به کار گرفته شد. نقشه‌های توپوگرافی، پوشش گیاهی، خاک و داده‌های زمین‌شناسی با استفاده از سیستم اطلاعات جغرافیایی یکپارچه شدند. درمجموع 25 متغیر محیطی مورد تجزیه‌وتحلیل قرار گرفت که 23 متغیر براساس ضریب تورم واریانس کمترین میزان هم‌خطی را دارا بودند؛ برای مدل‌سازی انتخاب شدند. طیف وسیعی از الگوریتم‌های یادگیری ماشین اعمال شد و درنهایت مدل اجماعی به‌عنوان دقیق‌ترین مدل شناخته شد و به‌طور مؤثر مناطق مستعد فرسایش بادی را پیش‌بینی کرد. متغیرهای محیطی مؤثر که اهمیت بالایی در ایجاد فرسایش داشتند شامل تراکم زهکشی، گروه‌های هیدرولوژیکی، فراوانی سنگ و قلوه‌سنگ، درصد خاک بدون پوشش گیاهی، شیب، میانگین دمای هوا و پوشش گیاهی که به‌ترتیب 22/12، 52/11، 90/9، 91/7، 25/7، 66/6 و 31/5 درصد بودند. نقشه‌های تولیدشده می‌توانند به‌عنوان ابزاری ارزشمند برای برنامه‌ریزی و اجرای اقدامات کنترل فرسایش مورد استفاده قرار گیرند. Conclusion: The significance of this research lies in its ability to empower natural resource planners and managers to accurately identify critical areas susceptible to erosion. By utilizing this information, targeted management practices, such as afforestation, windbreak establishment, mulching, and proper rangeland management, can be strategically implemented in vulnerable areas. These measures not only mitigate wind erosion and conserve soil but also contribute to improved air quality, enhanced biodiversity, and ecosystem sustainability. Machine learning models offer numerous advantages for wind erosion assessment. These models provide a powerful tool for accurate and generalizable prediction and monitoring of soil erosion. Furthermore, they enable the evaluation of the impact of climate change and land use changes on wind erosion, facilitating long-term strategic planning for sustainable water and soil resource management. Additionally, these models can optimize the costs of implementing management measures and enhance their effectiveness. In conclusion, this study demonstrates the significant potential of machine learning models in assessing and managing wind erosion. By employing these models, a deeper understanding of complex wind erosion processes can be achieved, enabling the design and implementation of effective and adaptive management strategies to conserve natural resources and protect the environment.