نوع مقاله : مقاله پژوهشی

نویسندگان

• آیات غریباوى ¹
• خلیل ولیزاده کامران ²
• ایرج تیموری ²
• بختیار فیضی زاده ²

¹ گروه gis دانشکده منابع طبیعى و علوم محیطى دانشگاه تبریز

² university of tabriz_tabriz_ir

چکیده

از جمله ابزارهای اساسی جهت شناسایی بحران های زیست محیطی در یک محدوده تهیه نقشه های ریسک اکولوژیک برای آن حدود جغرافیایی می باشد. هدف اصلی پژوهش حاضر ارزیابی و تحلیل ریسک اکولوژیک در استان سلیمانیه عراق بر اساس شاخص های (Albedo، GNDVI ، MNDVI ، MSI ، NBR ، NDGI ، AQI ، SAVI ، TCI ، TGSI ، VCI ، NDBI ، NDWI و NDSI ) می باشد. جمع آوری داده های مربوط به شاخص های پژوهش در محیط گوگل ارث انجین و از طریق کدنویسی از سنجنده مادیس استخراج شد. به منظور وزن دهی داده های پژوهش از روش کرتیک (CRITIC) استفاده شد و روش های جنگل تصادفی و k-means در یادگیری ماشین برای تقلیل شاخص های پژوهش و خوشه بندی بکار رفت. به منظور اطمینان از وجود تفاوت معنی دار بین خوشه های بدست آمده با روش K-means ، آزمون های آماری لوین، آنوا و آزمون تعقیبی Games-Howell اعمال شد. خوشه های این پژوهش مطابق با تحلیل های صورت گرفته در 5 گروه ریسک خیلی بالا تا ریسک خیلی کم طبقه بندی شدند. نتایج نشان دادند که 62 درصد از مساحت کل استان سلیمانیه عراق در وضعیتی با ریسک اکولوژیک متوسط تا خیلی کم قرار گرفته اند. تحلیل فضایی با لکه های داغ و متعاقب آن خود همبستگی فضایی موران نشان داد که توزیع فضایی خوشه های با ریسک اکولوژیک بالا نرمال نبوده و از الگوی خوشه ای تبعیت می کند. این یافته ها تاکیدی بر برنامه ریزی نظارت دقیق در استان سلیمانیه عراق دارد.

کلیدواژه‌ها

• ریسک اکولوژیک
• یادگیری ماشین
• جنگل تصادفی
• K means
• خودهمبستگی فضایی موران

موضوعات

• سنجش از دور و سیستم اطلاعات جغرافیایی

عنوان مقاله [English]

Analysis and Evaluation of Ecological Risk in Sulaymaniyah Province, Iraq Using Machine Learning Techniques and MODIS Sensor Images in 2023

نویسندگان [English]

• Ayat Gharibawy ¹
• Khalili Valizadeh Kamran ²
• iraj teimouri ²
• bakhtiyar feizizadeh ²

¹ University of Tabriz

² university of tabriz_tabriz_ir

چکیده [English]

One of the fundamental tools for identifying environmental crises in an area is to prepare ecological risk maps for that geographical region. The main goal of this research is to evaluate and analyze ecological risk in the Sulaymaniyah Province of Iraq based on selected indicators. The data related to the research indicators were collected in the Google Earth Engine environment and extracted from the MODIS sensor through coding. The CRITIC method was used for weighting the research data, and the Random Forest and k-means methods in machine learning were used for reducing and clustering the research indicators. To ensure the existence of significant differences between the clusters obtained by the k-means method, Levin's, ANOVA, and Games-Howell post hoc tests were applied. The clusters in this research were categorized into 5 groups ranging from very high to very low risk according to the analyses. The results showed that 62% of the total area of Sulaymaniyah Province in Iraq is in a moderate to very low ecological risk status. Spatial analysis with hot spots and subsequent Moran's spatial autocorrelation showed that the spatial distribution of high ecological risk clusters is not normal and follows a clustered pattern. These findings emphasize the need for meticulous monitoring planning in the Sulaymaniyah Province of Iraq.

کلیدواژه‌ها [English]

• Ecological risk
• machine learning
• random forest
• K means
• Moran spatial autocorrelation