ارزیابی روش‌های داده‌کاوی مکانی و یادگیری ماشین جهت شناسایی منابع مستعد گردوغبار در خاورمیانه

پاپی, رامین; عطارچی, سارا; درویشی بلورانی, علی; نیسانی سامانی, نجمه

ارزیابی روش‌های داده‌کاوی مکانی و یادگیری ماشین جهت شناسایی منابع مستعد گردوغبار در خاورمیانه

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ دانشجوی دکتری سنجش ازدور و سیستم اطلاعات جغرافیایی، دانشکده جغرافیا، دانشگاه تهران

² کارشناس GIS، سازمان نقشه‌برداری کشور،تهران، ایران

³ گروه سنجش از دور و GIS، دانشکده جغرافیا، دانشگاه تهران

⁴ دانشیار گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده جغرافیا، دانشگاه تهران

چکیده

شناسایی منابع مستعد گردوغبار یکی از اقدامات ضروری‌ در راستای مقابله با این پدیده است. اخیرا توجه گسترده‌ای به استفاده از روش‌های یادگیری ماشین جهت شناسایی منابع مستعد گردوغبار معطوف شده است. با این حال، استفاده از داده‌کاوی مکانی مبتنی بر قواعد انجمنی مغفول مانده است. بر همین اساس، در این مطالعه کارآیی روش داده‌کاوی اپریوری و سه روش یادگیری ماشین به منظور شناسایی منابع مستعد گردوغبار در منطقه خاورمیانه ارزیابی شده است. در روش اپریوری با استفاده از سه شاخص support ،confidence و lift، قواعد انجمنی تکرارپذیر، اطمینان‌پذیر و منطقی استخراج شدند. با تلفیق وزنی این قواعد، منابع مستعد گردوغبار شناسایی شدند. برای آموزش مدل‌ها از کانون مولد گردوغبار شناسایی شده به وسیله تفسیر چشمی تصاویر مادیس استفاده شد. بر اساس نتایج، شبکه عصبی مصنوعی با 88.3 درصد، الگوریتم اپریوری با 83.7 درصد، جنگل تصادفی با 80.1 درصد، ماشین بردار پشتیبان با 77.9 درصد به ترتیب بالاترین صحت را در شناسایی منابع مستعد گردوغبار دارند. علی‌رغم صحت بالاتر شبکه عصبی مصنوعی، اما روش اپریوری در شناسایی نواحی بدون پتانسیل گردوغبار و همچنین شناسایی روابط میان پارامترهای محیطی و گردوغبار به صورت قواعد قابل درک و شفاف، برتری دارد. به طورکلی نتایج مطالعه حاضر نشان داد که الگوریتم اپریوری به عنوان یک روش داده‌کاوی مبتنی بر قواعد انجمنی در شناسایی منابع مستعد گردوغبار کارآمد است.

کلیدواژه‌ها