ارزیابی روش های داده کاوی مکانی و یادگیری ماشین جهت شناسایی منابع مستعد گردوغبار در خاورمیانه

شناسایی منابع مستعد گردوغبار یکی از اقدامات ضروری در راستای مقابله با این پدیده است. اخیرا توجه گسترده ای به استفاده از روش های یادگیری ماشین جهت شناسایی منابع مستعد گردوغبار معطوف شده است. با این حال، استفاده از داده کاوی مکانی مبتنی بر قواعد انجمنی مغفول مانده است. بر همین اساس، در این مطالعه کارآیی روش داده کاوی 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، اطمینان پذیر و منطقی استخراج شدند. با تلفیق وزنی این قواعد، منابع مستعد گردوغبار شناسایی شدند. برای آموزش مدل ها از کانون مولد گردوغبار شناسایی شده به وسیله تفسیر چشمی تصاویر مادیس استفاده شد. بر اساس نتایج، شبکه عصبی مصنوعی با ۸۸.۳ درصد، الگوریتم اپریوری با ۸۳.۷ درصد، جنگل تصادفی با ۸۰.۱ درصد، ماشین بردار پشتیبان با ۷۷.۹ درصد به ترتیب بالاترین صحت را در شناسایی منابع مستعد گردوغبار دارند. علی رغم 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 داده کاوی مبتنی بر قواعد انجمنی در شناسایی منابع مستعد گردوغبار کارآمد است.

کلیدواژه ها:

داده کاوی مکانی ، یادگیری ماشین ، منابع مستعد گردوغبار ، سنجش از دور