خلاصة:
Dust storms are a severe form of air pollution that poses significant threats to the environment and human health. To deal with this phenomenon, it is crucial to comprehend the mechanisms accountable for dust generation. This can be achieved by utilizing machine learning in dust source susceptibility mapping. Although dust activities vary spatiotemporally due to the constantly changing atmosphere, few papers have addressed dust source susceptibility mapping considering Earth system frameworks such as wet and dry periods. Also, while optimizing hyperparameters is crucial for improving machine learning performance, many studies have neglected this aspect in this particular application. To address this research gap, the objective of this study was to create a framework for mapping the susceptibility of hazardous hotspot dust sources (HDS) during wet and dry periods (based on the changes in water bodies) using a fine-tuned random forest (RF) model with teaching learning-based optimization (TLBO) and student psychology based optimization (SPBO) optimizers. To achieve this, the study analyzed 10,392 identified HDS, along with various environmental influential factors between 2000 and 2020 in the transnational shared Tigris-Euphrates Basin, which is a significant source of dust in the Middle East and globally. The results showed that RF-TLBO performed slightly better than RF-SPBO, with an average mean absolute error (MAE) of 0. 146, average root mean squared error (RMSE) of 0. 194, and average Willmott index (WI) of 0. 761, compared to RF-SPBO's average MAE of 0. 148, average RMSE of 0. 195, and average WI of 0. 757. The TLBO tuned RF with a lower number of trees and a lower maximum depth value, making it a simpler model. We utilized RF-TLBO and observed more areas that are more susceptible to hazardous dust sources during dry periods, confirming the meaningful relationship between wet and dry periods and hazardous dust susceptibility. Higher susceptibilities were found near water bodies and marshlands, indicating the significant impact of fluctuating water bodies on the generation of hazardous dust sources. The Gini index results also show that vegetation cover, elevation, wind speed, and soil texture have a high impact on land susceptibility to be a hazardous dust source.
طوفانهای گردوغبار یکی از شدیدترین نوع الودگی هوا هستند و تهدیدات جدی را برای سلامت، محیطزیست و انسان به همراه دارند. برای مقابله با این پدیده، درک مکانیسمهای تولید گردوغبار بسیار حیاتی است. این امر با استفاده از یادگیری ماشین در تحلیل حساسیت کانونهای گردوغبار و تعیین سطح مخاطرهامیز بودن انها به دست میاید. اگرچه فعالیتهای گردوغبار ارتباط بسیار بالایی با تغییر مداوم مکانی و زمانی پارامترهای جوی و محیطی دارد، بااینحال مطالعات معدودی به تحلیل حساسیت کانونهای گردوغبار با در نظر گرفتن نوسانات اقلیمی مانند دورههای مرطوب و خشک پرداختهاند. همچنین، درحالیکه بهینهسازی فرا ابتکاری پارامترها برای بهبود عملکرد یادگیری ماشین بسیار مهم است، بسیاری از مطالعات از ان صرفنظر کردهاند. برای پر کردن خلاءهای پژوهشی مرتبط با این موضوع، هدف از این مطالعه ارايه یک چارچوب برای تحلیل حساسیت کانونهای مخاطرهامیز مستعد گردوغبار در دورههای خشک و مرطوب (بر اساس تغییرات بدنههای ابی) با استفاده از یک مدل جنگل تصادفی (RF) بهبود یافته با بهینهسازی مبتنی بر اموزش و یادگیری (TLBO) و بهینهسازی مبتنی بر روانشناسی دانشاموز (SPBO) میباشد. برای دستیابی به این هدف، این مطالعه 10392 کانون گردوغبار شناساییشده را همراه با عوامل موثر محیطی بین سالهای 2000 تا 2020 در حوضه مشترک فرامرزی دجله و فرات، که ازجمله مهمترین کانونهای گردوغبار در خاورمیانه و در سطح جهانی است، تحلیل کرد. نتایج نشان داد که RF-TLBO با متوسط خطای مطلق میانگین (MAE) 0.146، متوسط خطای جذر میانگین مربعات (RMSE) 0.194 و متوسط ضریب ویلموت (WI) 0.761 در مقایسه با متوسط MAE برابر 0.148، متوسط RMSE برابر 0.195 و متوسط WI برابر 0.757 کمی بهتر از RF-SPBO عمل کرد. TLBO تنظیم مدل RF را با تعداد درختان کمتر و نیز حداکثر عمق کمتر و بهصورت مدلی سادهتر انجام داد. بر همین اساس ما از RF-TLBO استفاده کردیم و نواحی کانونی مستعد گردوغبار را در طول دورههای خشک با سطح بالاتری از مخاطرهامیز بودن نسبت به دورههای مرطوب شناسایی کردیم. این مشاهده ارتباط معنیداری بین دورههای مرطوب و خشک و مستعد بودن برای ایجاد طوفانهای مخاطرهامیز را تایید میکند. سطح بالای مخاطرهامیز بودن کانونهای نزدیک منابع ابی و باتلاقها نشاندهنده تاثیر قابلتوجه تغییرات پهنههای ابی بر تولید منابع گردوغبار مخاطرهامیز است. نتایج شاخص Gini همچنین نشان میدهد که پوشش گیاهی، ارتفاع، سرعت باد و بافت خاک تاثیر بیشتری بر مخاطرهامیز بودن کانونهای مستعد تولید گردوغبار دارند.