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 65، 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 | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,516 تعداد دریافت فایل اصل مقاله: 525 |
||