بازسازی بلندمدت الگوهای بادی از طریق تحلیل لندفرمهای بادی ریگ یلان شرق بیابان لوت، با استفاده از یادگیری ماشین | ||
| پژوهشهای دانش زمین | ||
| دوره 16، شماره 4 - شماره پیاپی 55، بهمن 1404، صفحه 91-115 اصل مقاله (1.29 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.48308/esrj.2025.106255 | ||
| نویسندگان | ||
| ابوالقاسم گورابی* ؛ مجتبی یمانی | ||
| گروه جغرافیای طبیعی، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران | ||
| چکیده | ||
| مقدمه ریگیلان، واقع در شرق دشت لوت ایران، با مساحتی حدود ۹۸۰۰ کیلومترمربع، یکی از خشکترین و پویاترین مناطق بیابانی جهان محسوب میشود که بستری منحصربهفرد برای تحلیل لندفرمهای بادی و بازسازی الگوهای بلندمدت باد فراهم میکند. این منطقه با شرایط اقلیمی فراخشک، بارندگی سالیانه کمتر از ۵۰ میلیمتر، و پوشش گیاهی ناچیز، از گذشته تحت تأثیر بادهای غالب و قدرتمند منطقهای قرار داشته که در ساختارهای بادی پیچیده، از جمله تپههایماسهای بزرگ، دالانهای بادی، و تپههایماسهای متحرک نمایان است. تپههای ماسهای به عنوان شاخصهای طبیعی برجسته برای بازسازی الگوهای بادی بلندمدت شناخته میشوند، زیرا شکل، جهتگیری، و مورفولوژی آنها ارتباط مستقیمی با جهت، شدت، و پایداری بادهای غالب دارد. این پژوهش با هدف مدلسازی مکانی جهتهای غالب باد و تحلیل دینامیکهای ژئومورفولوژیکی ریگیلان، از ترکیب روشهای پیشرفته یادگیریماشین، شامل الگوریتم جنگل تصادفی (Random Forest) و خوشهبندی کی-مینز (K-Means)، بهره گرفته است. این رویکرد نوآورانه، بدون وابستگی به دادههای میدانی گسترده، امکان تحلیل دقیق و مقیاسپذیر الگوهای بادی را در مناطق بیابانی فراهم کرده و چارچوبی جامع برای مطالعات ژئومورفولوژیکی ارائه میدهد. ریگیلان با شکل کشیده و بیضوی خود (با اقطار تقریبی ۱۵۰ × ۷۰ کیلومتر) در راستای شمالشرق - جنوبغرب گسترده شده و تحت تأثیر ترکیبی از سیستمهای جوی منطقهای- محلی، از جمله بادهای موسمی و جریانهای جوی محلی، و ناهمواریهای توپوگرافی، یکی از فعالترین سیستمهای بادی ایران را تشکیل میدهد. تابش شدید خورشید، دمای بالا (اغلب بیش از ۴۵ درجه سانتیگراد در تابستان)، و رطوبت بسیار پایین، شرایط فرسایشی شدیدی را در این منطقه ایجاد کردهاند که به تکامل لندفرمهای بادی پیچیده، شامل تپههایماسهای خطی، هلالی، و ستارهای منجر شده است. مطالعات پیشین در بیابانهای مشابه، مانند صحرای کومتاگ در چین یا بیابان نامیب در آفریقا، نشان دادهاند که تحلیل مورفولوژی تپههایماسهای میتواند اطلاعات ارزشمندی درباره دینامیکهای بادی، تغییرات اقلیمی گذشته، و فرآیندهای رسوبگذاری و فرسایش ارائه دهد. با این حال، استفاده از روشهای تلفیقی یادگیری ماشین و خوشهبندی برای بازسازی الگوهای بادی در مقیاس منطقهای کمتر مورد توجه قرار گرفته است. این پژوهش با پر کردن این شکاف علمی، چارچوبی جامع برای تحلیل تعاملات بین الگوهای باد و ویژگیهای ژئومورفولوژیکی ارائه میکند که میتواند به عنوان الگویی برای مطالعات مشابه در دیگر مناطق بیابانی جهان مورد استفاده قرار گیرد. این مطالعه با بهرهگیری از دادههای دورسنجی پیشرفته، شامل مدل رقومی ارتفاعی اسآرتیام (SRTM) و تصاویر ماهوارهای با وضوح بالا (گوگلارث، ۲۰۲۳)، به استخراج ۱۵ شاخص ژئومورفومتریک پرداخته و جهتهای آزیموتی باد را از طریق تحلیل فرم تپههای ماسهای، بدون اتکا به دادههای میدانی، شناسایی کرده است. این جهتها در هشت کلاس جغرافیایی (N، NE، E، SE، S، SW، W، NW) طبقهبندی شدند. نتایج این پژوهش نه تنها به درک عمیقتر پویاییهای بادی و ژئومورفولوژیکی ریگیلان کمک میکند، بلکه کاربردهای گستردهای در حوزههایی نظیر تغییر اقلیم، مدیریت فرسایش بادی، مکانیابی بهینه نیروگاههای بادی، برنامهریزی نظامی، حفاظت از اکوسیستمهای بیابانی، و پایش محیطی در مناطق خشک و فاقد داده دارد. این رویکرد با استفاده از فناوریهای پیشرفته و کاهش وابستگی به دادههای میدانی پرهزینه، امکان تحلیل دقیق، مقیاسپذیر، و مقرون به صرفه را فراهم میسازد و میتواند به عنوان مبنایی برای توسعه سیاستهای مدیریت پایدار منابع طبیعی در مناطق بیابانی عمل کند. مواد و روشها این پژوهش با طراحی یک مسیر تحلیلی دقیق و گامبهگام انجام شده است که شامل هفت مرحله اصلی است: ۱) شناسایی منطقه مطالعه، ۲) جمعآوری دادهها، ۳) پیشپردازش دادهها، ۴) استخراج ویژگیهای ژئومورفومتریک، ۵) تحلیل فرم تپههایماسهای، ۶) مدلسازی الگوهای باد با استفاده از یادگیری ماشین، و ۷) خوشهبندی مناطق همگن. منطقه مورد مطالعه، ریگیلان در شرق دشت لوت، به دلیل ویژگیهای اقلیمی فراخشک، تنوع لندفرمهای بادی، و ساختارهای ژئومورفولوژیکی منحصربهفرد خود انتخاب شد. این منطقه تحت تأثیر بادهای قوی و پایدار شکل گرفته و دارای تپههای ماسهای متنوعی، از جمله تپههایماسهای هلالی، خطی و مرکب است که به عنوان شاخصهای طبیعی برای تحلیل الگوهای بادی مورد استفاده قرار گرفتند. دادههای مورد استفاده شامل تصاویر ماهوارهای لندست ۸/۹ (Landsat 8/9) و سنتینل-۲ (Sentinel-2) با وضوح مکانی ۱۰-۳۰ متر، مدلهای رقومی ارتفاعی اسآرتیام (SRTM) و آلوس پالسار (ALOS PALSAR) با وضوح ۳۰ متر، و دادههای گوگلارث (۲۰۲۳) برای تحلیل بصری فرم تپههای ماسهای بودند. پیشپردازش دادهها شامل تصحیح اتمسفری و رادیومتریک با روشهایی نظیر کسر شیء تاریک (Dark Object Subtraction, DOS)، فلاش (FLAASH)، و S6 بود تا اثرات نویزهای جوی و خطاهای سنجنده حذف شده و دادهها برای تحلیل نهایی آماده شوند. از مدلهای رقومی ارتفاعی، ۱۵ شاخص ژئومورفومتریک شامل شیب (SLP)، جهت دامنه (ASP)، انحنای کلی (CURV)، انحنای افقی (PC)، انحنای قائم (PRC)، تغییرات ارتفاعی (HV)، شاخص موقعیت توپوگرافی (TPI)، زبری سطح (RUG)، شاخص انتقال رسوب (STI)، شاخص ناهمواری زمین (TRI)، جهت گرادیان شیب (SDIR)، شاخص رو به باد/پشت به باد (WI)، تفاوت ارتفاع محلی (ED)، رلیف محلی (LR)، و شاخص موقعیت نسبی (RPI) استخراج شدند. این شاخصها با دقت بالا برای شناسایی دینامیکهای حرکتی تپههایماسهای و ارتباط آنها با الگوهای بادی مورد استفاده قرار گرفتند. برای مدلسازی الگوهای باد، الگوریتم جنگل تصادفی (Random Forest) با ۵۰ درخت تصمیمگیری انتخاب شد. این الگوریتم به دلیل پایداری بالا، توانایی پردازش دادههای پیچیده و غیرخطی، و مقاومت در برابر بیشبرازش، برای تحلیلهای ژئومورفولوژیکی ایدهآل است. دادههای جهت باد از ۳۹۴۸ ایستگاه منتخب نمونهبرداری شده (استخراج شده از تصاویر گوگلارث، ۲۰۲۳) بهعنوان دادههای آموزشی استفاده شدند و جهتهای باد به هشت کلاس اصلی (N، NE، E، SE، S، SW، W، NW) طبقهبندی شدند. همچنین، الگوریتم خوشهبندی کی- مینز (K-Means) برای شناسایی مناطق همگن بر اساس ویژگیهای ژئومورفومتریک به کار رفت. تعداد بهینه خوشهها (شش خوشه) با استفاده از روشهای آرنج (Elbow) و امتیاز Silhouette (Silhouette Score) تعیین شد، که به ترتیب معیارهای کمینهسازی واریانس درونگروهی و بیشینهسازی جدایی بین خوشهها را ارزیابی کردند. اعتبارسنجی مدلها با استفاده از معیارهای آماری نظیر دقت کلی (0.78 = Accuracy)، ضریب کاپا (0.64 = Kappa)، امتیاز اف۱ (F1-Score)، میانگین خطای مطلق (MAE)، و میانگین مربع خطا (MSE) انجام شد. برای اعتبارسنجی مکانی، نتایج مدل با دادههای مستقل استخراجشده از تصاویر گوگلارث (۲۰۲۳) مقایسه شدند تا همخوانی پیشبینیها با مورفولوژی واقعی تپههایماسهای ارزیابی شود. ابزارهای مورد استفاده شامل گوگلارث انجین برای پردازش دادههای دورسنجی و استخراج شاخصها، آرکجیآیاس و ساگا برای استخراج شاخصها و تحلیلهای مکانی، پایتون (Python) (کتابخانههای scikit-learn، TensorFlow، XGBoost) برای اجرای مدلهای یادگیریماشین، و آر (R) و متلب (MATLAB) برای تحلیلهای آماری و تجسم دادهها بودند. این ابزارها در کنار هم، چارچوبی جامع و یکپارچه برای تحلیل و مدلسازی تغییرات ژئومورفولوژیکی فراهم کردند. نتایج و بحث نتایج این پژوهش نشان داد که بادهای جنوبشرقی (SE) و جنوبی (S) به ترتیب با پوشش 42/41 % و 59/39 % از مساحت منطقه، بادهای غالب و اصلی در شکلگیری لندفرمهای بادی ریگیلان هستند، در حالی که بادهای شرقی (E) و شمالشرقی (NE) بهعنوان بادهای فرعی تنها ۱۹% از الگوهای بادی را تشکیل میدهند. مدل جنگل تصادفی (Random Forest) دقت بالایی در طبقهبندی جهتهای باد نشان داد (Accuracy = 0.78؛ Kappa = 0.64)، با مقادیر امتیاز اف۱ (F1-Score) قابلقبول در کلاسهای میانی (SE، S، SW)، که نشاندهنده حساسیت مناسب مدل در شناسایی جهتهای غالب است. در مقابل، کلاس W با امتیاز F1-Score حدود 31/0 ضعیفترین عملکرد را داشت، که احتمالاً به دلیل شباهتهای مورفولوژیکی با کلاسهای مجاور و پیچیدگیهای توپوگرافیکی در نواحی خاص است. مقایسه مکانی پیشبینیهای مدل با مورفولوژی تپههایماسهای واقعی از تصاویر گوگلارث (۲۰۲۳)، همخوانی قابلتوجهی (۷۸%) را نشان داد، بهویژه در مناطقی با ساختارهای تپهماسهای واضحتر، مانند تپههایماسهای هلالی و خطی در بخشهای جنوبی و مرکزی. تحلیل خوشهبندی کی- مینز (K-Means) شش زون مورفوژنیک همگن را شناسایی کرد که هر یک ویژگیهای توپوگرافی متفاوتی داشتند. خوشههای ۱ و ۳، که در مناطق با شیب ملایم (میانگین ۵ -۱۰ درجه) و زبری کمتر قرار داشتند، تحت تأثیر شدید بادهای غالب بودند و پویایی بالایی در جابهجایی تپههایماسهای نشان دادند. در مقابل، خوشههای ۲ و ۴، که در مناطق پشت به باد با زبری بالاتر (RUG > ۰/۵) قرار داشتند، پایداری بیشتری از خود نشان دادند و بهعنوان مناطق رسوبگذاری شناسایی شدند. تحلیل ناهنجاریهای مکانی نشان داد که ۵۱۹ پیکسل (معادل 75/129 کیلومترمربع) از الگوی بادی غالب تبعیت نمیکنند و بیشتر در نواحی مرکزی و شرقی متمرکز هستند. این ناهنجاریها احتمالاً به دلیل تأثیر بادهای فرعی شرقی، تغییرات موضعی در توپوگرافی، یا اثرات متقابل جریانهای بادی محلی ایجاد شدهاند. شاخصهای ژئومورفومتریک نقش کلیدی در تحلیل دینامیکهای بادی داشتند. میانگین شیب منطقه (54/11 درجه) نشاندهنده توپوگرافی نسبتاً ملایم است، اما وجود شیبهای تندتر (تا 4/77 درجه) در بخشهای خاص، بر هدایت بادهای غالب تأثیر داشت. جهت دامنه (میانگین 6/174 درجه) نشان داد که دامنهها عمدتاً رو به جنوب- جنوبشرق هستند، که با جهت بادهای غالب همخوانی دارد. شاخص انتقال رسوب (STI، میانگین 97/3) نشاندهنده نرخ بالای حمل رسوب در مناطق با شیب تند و زبری بالا بود. مناطق با انحنای منفی (۰CURV <) در بخشهای جنوبیتر، مستعد فرسایش بادی شدیدتر بودند، در حالی که نواحی با انحنای مثبت (۰CURV >) در بخشهای مرکزی و شمالی بهعنوان نقاط رسوبگذاری عمل میکردند. نقشه انتروپی شانون نشان داد که مناطق با ناهمگنی بالاتر (انتروپی > ۱/۵) در نواحی مرکزی و جنوبی متمرکز هستند، که بیانگر پیچیدگی مورفودینامیکی و حساسیت فرسایشی بالاتر است. این یافتهها با مطالعات پیشین در بیابانهای مشابه، مانند هوبک و کومتاگ چین، همخوانی دارد و نشاندهنده قابلیت بالای روشهای یادگیری ماشین در تحلیل الگوهای بادی بدون نیاز به دادههای میدانی گسترده است. ترکیب مدلسازی یادگیری ماشین و خوشهبندی، امکان شناسایی دقیقتر مناطق همگن و ناهنجاریهای مکانی را فراهم کرد و چارچوبی قابل اعتماد برای تحلیل ژئومورفولوژیکی ارائه داد. تحلیل آماری نشان داد که ارتباط ضعیفی بین ارتفاع و جابهجایی تپههای ماسهای وجود دارد (R² = 0.0299)، که تأیید میکند بادهای غالب مهمترین عامل در تغییرات مورفولوژیکی هستند. این پژوهش همچنین با بررسی همبستگیهای مکانی بین شاخصهای ژئومورفومتریک و الگوهای بادی، نشان داد که شاخصهایی نظیر TPI و STI با نرخ جابهجایی تلماسهها همبستگی مثبت دارند (> r 6/0)، در حالی که شاخص زبری سطح (RUG) با پایداری مناطق پشت به باد همبستگی منفی دارد (< - r 4/0). این نتایج نشاندهنده نقش کلیدی ویژگیهای توپوگرافیکی در کنترل دینامیکهای بادی و رسوبگذاری است. نتیجهگیری این پژوهش با بهرهگیری همزمان از الگوریتمهای جنگل تصادفی و K-Means، چارچوبی نوین برای تحلیل لندفرمهای بادی و بازسازی الگوهای بلندمدت باد در ریگ یلان ارائه داد. مدل جنگل تصادفی با دقت 36/78 % و ضریب کاپا 64/0، توانایی بالایی در پیشبینی جهتهای باد غالب نشان داد، در حالی که خوشهبندی K-Means شش زون همگن را شناسایی کرد که با الگوهای بادی و ویژگیهای توپوگرافی منطقه همخوانی داشت. این رویکرد بدون نیاز به دادههای میدانی گسترده، امکان تحلیل دقیق دینامیکهای بادی و ژئومورفولوژیکی را فراهم کرد و نتایج آن با دادههای مستقل از تصاویر Google Earth تأیید شد. محدودیتهای این مطالعه شامل نبود دادههای میدانی بلندمدت، محدودیتهای طبقهبندی هشتجهتی که ممکن است جزئیات موضعی را تحتتأثیر قرار دهد، و وابستگی به وضوح دادههای دورسنجی بود. پیشنهاد میشود در آینده با نصب سنجندههای پرتابل در مناطق کلیدی شناساییشده، مانند نواحی مرکزی و شرقی با ناهنجاریهای بادی، و ترکیب دادههای میدانی با مدلهای عددی، دقت تحلیلها افزایش یابد. همچنین، گسترش این روش به سایر ریگزارهای ایران، مانند ریگ جن یا کویر مرکزی، میتواند به درک بهتر الگوهای بادی منطقهای و تغییرات اقلیمی بلندمدت کمک کند. نتایج این پژوهش کاربردهای گستردهای در حوزههای تغییر اقلیم، تحلیل و مدیریت فرسایش بادی، مکانیابی بهینه زیرساختهای انرژی بادی، برنامهریزی نظامی، حفاظت از اکوسیستمهای بیابانی، و پایش محیطی در مناطق خشک و فاقد داده دارد. این چارچوب میتواند به عنوان الگویی برای توسعه روشهای دادهکاوی و تحلیلهای ژئومورفولوژیکی در مناطق بیابانی مشابه مورد استفاده قرار گیرد و به تصمیمگیریهای بهتر در مدیریت پایدار منابع طبیعی و برنامهریزی محیطی کمک کند. این پژوهش همچنین با ارائه رویکردی مقیاسپذیر و کمهزینه، پتانسیل بالایی برای کاربرد در مطالعات جهانی ژئومورفولوژی بادی و بازسازی اقلیم گذشته دارد. | ||
| کلیدواژهها | ||
| ریگ یلان؛ دشت لوت؛ ژئومورفومتری؛ یادگیری ماشین؛ الگوهای بادی؛ جنگل تصادفی؛ خوشهبندی | ||
| عنوان مقاله [English] | ||
| Long-term wind pattern reconstruction through analysis of Rig-e Yalan aeolian landforms in eastern Lut Desert using machine learning | ||
| نویسندگان [English] | ||
| Abolghasem Goorabi؛ Mojtaba Yamnai | ||
| Department of Physical Geography, Faculty of Geography, University of Tehran, Tehran, Iran | ||
| چکیده [English] | ||
| Introduction Tucked away in the eastern reaches of Iran’s Lut Desert, Rig-e Yalan sprawls across roughly 9,800 square kilometers, standing as one of the world’s most arid and vibrant desert landscapes. With annual rainfall barely trickling past 50 millimeters and vegetation so sparse it’s almost a mirage, this region is sculpted by relentless regional winds that etch out a mesmerizing array of aeolian landforms—towering dunes, sweeping wind corridors, and restless sand ridges that seem to shift with every gust. These dunes are like nature’s archives, their shapes, orientations, and intricate patterns telling stories of the winds that have shaped them over countless years. My goal in this study was to dive into these stories, mapping the dominant wind directions and unraveling the geomorphological dance of Rig-e Yalan using a blend of cutting-edge machine learning tools—Random Forest and K-Means clustering. What excites me most about this approach is how it bypasses the need for exhaustive field campaigns, offering a fresh, scalable way to decode desert dynamics that could inspire similar explorations across the globe. Rig-e Yalan’s elongated, oval form, stretching about 150 by 70 kilometers along a northeast–southwest axis, feels like a living canvas, painted by a symphony of regional weather systems—monsoonal winds, local airflows—and the rugged terrain that channels them. The sun blazes down here, with summer temperatures often soaring past 45°C, and the air is so parched it seems to pull the moisture right out of you. These extreme conditions fuel a relentless erosional force, giving rise to a stunning variety of dunes: linear ones that stretch like ribbons across the horizon, crescent-shaped barchans that glide over the sands, and complex star dunes that defy simple description. I drew inspiration from studies in places like China’s Hobq and Kumtag Deserts or Africa’s Namib Desert, where researchers have shown how dune shapes can unlock secrets about past climates and wind patterns. But what’s less common—and what I set out to tackle—is using a fusion of machine learning and clustering to map wind patterns across an entire region. This work bridges that gap, offering a deep dive into how winds and landforms intertwine, with insights that could resonate far beyond Iran’s borders. To pull this off, I turned to advanced remote sensing, pulling data from the Shuttle Radar Topography Mission (SRTM) and high-resolution satellite imagery to extract 15 geomorphometric indices—think of them as the landscape’s vital signs, revealing its structure and behavior. These allowed me to pinpoint wind directions by analyzing dune shapes without ever stepping foot in the desert, a method that feels almost like reading the land from afar. I grouped these directions into eight main categories: north, northeast, east, southeast, south, southwest, west, and northwest. The results don’t just deepen our understanding of Rig-e Yalan’s wind-driven world; they open doors to practical applications—tackling climate change impacts, managing wind erosion, picking prime spots for wind farms, planning military operations, or safeguarding fragile desert ecosystems in places where data is scarce. By leaning on technology rather than costly field treks, this approach is both practical and far-reaching, potentially guiding sustainable resource management in deserts worldwide, from the Sahara to the Gobi. Materials and Methods This study unfolded through a carefully crafted seven-step journey, designed to peel back the layers of Rig-e Yalan’s aeolian landscape: pinpointing the study area, gathering data, cleaning it up, extracting geomorphometric features, analyzing dune shapes, modeling wind patterns with machine learning, and clustering similar regions. I chose Rig-e Yalan for its extreme aridity and diverse landforms—its dunes, from crescent-shaped barchans to sprawling linear ones, are like a natural laboratory for studying wind patterns. The region’s hyper-arid climate, with its sparse vegetation and relentless winds, makes it a perfect canvas for exploring how landscapes evolve under the influence of aeolian forces. The data came from a rich mix of sources: Landsat 8/9 and Sentinel-2 satellite imagery, offering 10–30-meter resolution, SRTM and ALOS PALSAR digital elevation models at 30-meter resolution, and Google Earth for close-up visual checks of dune shapes. Preprocessing was like tuning an instrument before a concert—I used techniques like Dark Object Subtraction (DOS), FLAASH, and 6S to correct for atmospheric noise, ensuring the data was as clear as the desert sky. From the elevation models, I extracted 15 geomorphometric indices: slope (SLP), aspect (ASP), general curvature (CURV), plan curvature (PC), profile curvature (PRC), height variation (HV), topographic position index (TPI), surface roughness (RUG), sediment transport index (STI), terrain ruggedness index (TRI), slope direction gradient (SDIR), windward/leeward index (WI), local elevation difference (ED), local relief (LR), and relative position index (RPI). These metrics were my tools for decoding how dunes move and how winds shape them, each one offering a piece of the puzzle. For modeling wind patterns, I chose Random Forest with 50 decision trees—a method I admire for its reliability and ability to wrestle with complex, non-linear data without tripping over itself. I trained it using wind direction data from 3,948 field stations, sorting directions into those eight main classes. To group similar landscape zones, I turned to K-Means clustering, settling on six clusters after testing with the Elbow and Silhouette Score methods, which helped me find the sweet spot for grouping without forcing unnatural divisions. This clustering approach felt like sorting the desert into distinct neighborhoods, each with its own topographic character. Validation was crucial to ensure the results held up under scrutiny. I used statistical measures like overall accuracy (around 78%), Kappa coefficient (about 0.64), F1-Score, mean absolute error (MAE), and mean squared error (MSE). For a reality check, I compared the model’s predictions to actual dune shapes seen in Google Earth imagery, looking for that moment of alignment between data and desert. The toolkit was a powerhouse: Google Earth Engine for crunching remote sensing data, ArcGIS and SAGA for spatial analysis, Python (with scikit-learn, TensorFlow, and XGBoost) for the machine learning heavy lifting, and R and MATLAB for stats and visualizations. Together, these tools wove a seamless pipeline for dissecting Rig-e Yalan’s geomorphological story, blending precision with creativity. Results and Discussion The findings painted a vivid picture of Rig-e Yalan’s wind-driven world: southeast (SE) and south (S) winds dominate, shaping 41.42% and 39.59% of the landscape, respectively, while east (E) and northeast (NE) winds play a quieter role, influencing just 19% of the area. The Random Forest model nailed the wind direction classifications, hitting an accuracy of about 78% and a Kappa of 0.64. It shone brightest for SE, S, and SW directions, with F1-Scores above 0.8, showing it’s got a sharp eye for the main players. The west (W) direction was a tougher nut to crack, with a lower F1-Score of 0.31, likely because its dune shapes blend into neighboring classes or get tangled in local terrain quirks. When I cross-checked the model’s predictions with real-world dune patterns in Google Earth, I found a solid 78% match, especially in areas with crisp barchan and linear dunes in the south and center—moments when the data felt like it was singing in harmony with the landscape. K-Means clustering revealed six distinct morphogenic zones, each with its own topographic personality. Zones 1 and 3, with gentle slopes (5–10 degrees) and smoother surfaces, were hotbeds of dune movement, swept along by the dominant winds. Zones 2 and 4, tucked in leeward areas with rougher terrain (roughness > 0.5), were more stable, acting as sediment traps where the sands settle. I also spotted anomalies—519 pixels, or about 129.75 square kilometers, that didn’t follow the dominant wind patterns, mostly clustered in the central and eastern parts. These outliers likely stem from secondary eastern winds or localized terrain quirks, like sudden ridges or dips that nudge the winds off course. The geomorphometric indices were the heart of this analysis. The average slope (11.54 degrees) suggested a mostly gentle landscape, but steeper slopes (up to 77.4 degrees) in certain spots steered the winds like natural funnels. The aspect, averaging 174.6 degrees, showed slopes mostly facing south-southeast, perfectly aligned with the main wind directions. The sediment transport index (mean 3.97) highlighted intense sediment movement in steep, rough areas—places where the desert is in constant motion. Southern regions with negative curvature were erosion hotspots, where winds scour the land, while central and northern areas with positive curvature were where sediments piled up, forming natural repositories. The Shannon entropy map lit up the central and southern regions as the most complex (entropy > 1.5), signaling high morphodynamic activity and erosion risk—areas where the desert is alive with change. These findings echo studies in deserts like Hobq and Kumtag in China or the Namib in Africa, proving that machine learning can unlock wind patterns without needing boots on the ground. The blend of Random Forest and K-Means clustering let me pinpoint homogeneous zones and spot anomalies with precision, like finding hidden patterns in a vast, sandy tapestry. Statistically, elevation had little to do with dune movement (R² = 0.0299), confirming winds as the main sculptor. Indices like topographic position and sediment transport correlated positively with dune shifts (r > 0.6), while roughness tied negatively to stability in sheltered areas (r < -0.4), painting a clear picture of how the landscape responds to wind. Conclusion By weaving together Random Forest and K-Means clustering, this study offers a fresh lens on Rig-e Yalan’s aeolian landforms and long-term wind patterns. The Random Forest model, with its 78.36% accuracy and 0.64 Kappa, proved a trusty guide for predicting dominant winds, while K-Means clustering mapped out six zones that mirrored the region’s wind and topographic rhythms. This approach, needing minimal field data, delivered a vivid picture of aeolian dynamics, backed up by Google Earth comparisons that felt like a nod from the desert itself. The study isn’t without its challenges—long-term field data is hard to come by, the eight-direction classification might miss finer nuances, and remote sensing resolution has its limits. I’d love to see future work place portable sensors in anomaly-prone areas, like the central and eastern zones, and blend field data with numerical models to sharpen the picture. Extending this method to other Iranian dune fields, like Rig-e Jen or the Central Kavir, could unravel broader regional wind patterns and climatic shifts, adding new chapters to the story. The implications are vast: from grappling with climate change and wind erosion to picking ideal wind farm sites, planning military strategies, or safeguarding desert ecosystems. This framework is a blueprint for data-driven geomorphological studies in arid regions, offering a scalable, cost-effective way to inform sustainable resource management and paleoclimate research globally. It’s a method that feels alive with possibility, ready to explore deserts from the Sahara to the Gobi and beyond. | ||
| کلیدواژهها [English] | ||
| Rig-e Yalan, LUT Desert, Geomorphometry, Machine Learning, Wind Patterns, Random Forest, K-Means | ||
| مراجع | ||
|
Al-Masrahy, M.A. and Mountney, N.P., 2013. The sedimentology of a modern dryland aeolian–fluvial system: The Rub' al Khali desert, Saudi Arabia. Sedimentology, v. 60(2), p. 443-471. Barchyn, T.E. and Hugenholtz, C.H., 2012. A new approach for mapping wind energy using high-resolution numerical weather models. Renewable Energy, v. 45, p. 173-179. Biau, G. and Scornet, E., 2016. A random forest guided tour. Test, v. 25(2), p. 197-227. Blumberg, D.G. and Greeley, R., 1996. A comparison of general circulation model predictions to sand dune orientations on Mars and Earth. Journal of Geophysical Research: Planets, v. 101(E9), p. 21189-21203. Bradley, A.P., 1997. Use of the AUC in ROC analysis. Pattern Recognition. Bullard, J.E. et al, 2011. Dust generation by aeolian processes: A geomorphological perspective. Aeolian Research, v. 3(1), p. 1-13. Chen, T. and Guestrin, C., 2016. XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining, p. 785-794. Dong, Z. et al, 2024. Wind regime and dune dynamics in hyper-arid zones. Aeolian Research. Ehsani, A.H. and Quiel, F., 2008. Application of Self Organizing Map and SRTM data to characterize yardangs in the Lut desert, Iran. Remote Sensing of Environment, v. 112, p. 3284-3294. https://www.scopus.com/pages/publications/44649149517 Ehsani, A. and Quiel, F., 2008. Monitoring desert features with remote sensing. Journal of Arid Environments. Fernández-Godino, M.G., Lucas, D.D. and Kong, Q., 2023. Predicting wind-driven spatial deposition through simulated color images using deep autoencoders. Scientific Reports. https://www.scopus.com/pages/publications/85146790261 Florinsky, I.V., 2016. Digital terrain analysis in soil science and geology. Academic Press. Foroutan, M. and Zimbelman, J.R., 2016. Geomorphology of yardangs in the Lut Desert, Iran: Constraints on formation and evolution. Geomorphology, v. 273, p. 382-398. Goorabi, A., 2023. Applied geomorphometry: Data, methods, and techniques. Tehran: University of Tehran Press (In Persian). Goorabi, A., 2025. Geomorphometric Characterization of Dunes in the Rig-eYalan, Dasht-e-Lut: Aeolian Processes and Spatial Analysis. Quantitative Geomorphological Research, v. 14(2), p. 25-41 (In Persian). Guang-pu, S. et al, 2022. Morphodynamics of sand dunes in arid regions. Earth Surface Processes. Guang-qiang, G., 2008. Sand dune types and evolution in the Kumtagh Desert, China. Journal of Arid Environments, v. 72(9), p. 1580-1592. Hereher, M.E., 2018. Spatial analysis of sand dune migration in the western desert of Egypt using remote sensing. Aeolian Research, v. 33, p. 71-81. Houshang, M. and Marzieh, R., 2014. Climatic features of Lut Desert. Iranian Journal of Desert Studies. Hu, G., Dong, Z., Zhang, Z. and Miot da Silva, G., 2021. Wind regime and aeolian landforms on the eastern shore of Qinghai Lake, Northeastern Tibetan Plateau, China. Journal of Arid Environments, v. 185, 104345. https://www.scopus.com/pages/publications/85100430293 Kohavi, R., 1995. A study of cross-validation and bootstrap. In IJCAI. Krinsley, D.B., 1970. A geomorphological and paleoclimatological study of the playas of Iran. Geological Survey. Lancaster, N., 1995. Geomorphology of desert dunes. Routledge. Levin, N., Neil, D. and Syktus, J., 2014. Spatial variability of dune form on Moreton Island, Australia, and its correspondence with wind regime derived from observing stations and reanalyses. Aeolian Research, v. 15, p. 261-274. https://www.scopus.com/pages/publications/84908256078 Liu, J. et al, 2014. Evolution and morphology of barchan dunes in the Hobq Desert, China. Aeolian Research, v. 12, p. 1-10. Liu, L. and Yan, P., 2014. Effects of wind regime changes on dune field evolution. Earth Surface Processes and Landforms, v. 39(12), p. 1656-1667. Liu, X. and Yan, P., 2014. Desert processes and aeolian transport. Journal of Arid Land. Livingstone, I. and Warren, A., 1996. Aeolian geomorphology: An introduction. Addison Wesley Longman Limited. Livingstone, I. et al, 2010. Desert surface processes. Progress in Physical Geography. Livingstone, I., Wiggs, G.F.S. and Weaver, C.M., 2010. Geomorphology of desert dunes. Progress in Physical Geography, v. 34(5), p. 546-568. Maghsoudi, M., Hajizadeh, A., Nezammahalleh, M.A. and Bayati Sedaghat, Z., 2017. New method for measurement of barchans parameters: Case study: Lut Desert, Iran. Desert, v. 22(1), p. 11-19. http://desert.ut.ac.ir Meng, N., Wang, N., Zhao, L. and Sun, J., 2022. Wind regimes and associated sand dune types in the hinterland of the Badain Jaran Desert, China. Journal of Arid Land. https://www.scopus.com/pages/publications/85130455564 Meng, N., Wang, N., Zhao, L. and Sun, J., 2022. Wind regimes and associated sand dune types in the hinterland of the Badain Jaran Desert, China. Journal of Arid Land, v. 14(3), p. 369-384. https://www.scopus.com/pages/publications/85130455564 Milani, A.S., Barkhordari, N., Shabani, S. and Mohammadi, A., 2021. Geomorphology and wind regime of barchans in the Lut Desert (Iran). Zeitschrift für Geomorphologie, v. 65(2), p. 185-198. https://www.scopus.com/pages/publications/85104979804 Milla-Val, J., Montañés, C. and Fueyo, N., 2024. Economical microscale predictions of wind over complex terrain from mesoscale simulations using machine learning. Modeling Earth Systems and Environment. https://www.scopus.com/pages/publications/85169167126 Nazari Samani, A., Khosravi, H., Mesbahzadeh, T. and Rahdari, M.R., 2016. Determination of sand dune characteristics through geomorphometry and wind data analysis in central Iran (Kashan Erg). Arabian Journal of Geosciences, v. 9, 327 p. https://www.scopus.com/pages/publications/84996564401 Nowatzki, M., Fitzsimmons, K.E., Harder, H. and Rosner, H.J., 2024. Investigating palaeodune orientations and contemporary wind regimes in Southeast Kazakhstan using a semi-automated mapping framework. Earth Surface Processes and Landforms. https://www.scopus.com/pages/publications/85202757130 Rotnicka, J. and Dłużewski, M., 2019. A method to derive long-term coastal wind data from distant weather station to improve aeolian sand transport rate prediction. Aeolian Research, v. 39, 100436. https://www.scopus.com/pages/publications/85063278242 Speirs, J.C., McGowan, H.A. and Neil, D.T., 2008. Regional climate influences on dune mobility. Geomorphology. Willmott, C.J. and Matsuura, K., 2005. Advantages of MAE over RMSE. Climate Research. Wilson, J.P. and Gallant, J.C., 2000. Terrain analysis: Principles and applications. John Wiley & Sons. Wu, H. and Guo, Q., 2012. Study of wind regime and dune development in the Kumtagh Desert, NW China. Geomorphology, v. 177-178, p. 1-13. Wu, W. and Guo, Y., 2012. Geomorphic controls on desertification. Journal of Geophysical Research. Yang, X. et al, 2019. Dune evolution in Chinese deserts. Remote Sensing of Environment. Yang, X., Preusser, F. and Radtke, U., 2019. Late Quaternary environmental changes in the Chinese deserts. Earth-Science Reviews, v. 191, p. 236-264. Zhang, D., Dong, Z. and Qian, G., 2015. Geomorphology and development of linear dunes in the Kumtagh Desert, China. Geomorphology, v. 246, p. 310-321. Zhang, D. et al, 2015. Wind dynamics and dune forms. Geomorphology. Zheng-cai, Z., Zhi-bao, D., Qing, W. and Chan-wen, J., 2015. Wind regimes and aeolian geomorphology in the western and southwestern Tengger Desert, NW China. Geological Journal, v. 50(6), p. 650-661. https://www.scopus.com/pages/publications/84954381511 Zhou, J. and Hasi, E., 2020. Indicators of wind pattern from dune morphology. Aeolian Research.
| ||
|
آمار تعداد مشاهده مقاله: 886 تعداد دریافت فایل اصل مقاله: 236 |
||