داود جمینی

آرسنیک یکی از فلزات سنگین است که می تواند به شیوه های مختلفی از جمله آلودگی منابع آب و خاک، به صورت مستقیم و غیرمستقیم محیط زیست یک منطقه را با تهدیدهای جدی مواجه نماید. شهرستان بیجار از فضاهای جغرافیایی واقع در استان کردستان است که محیط آن به لحاظ آلودگی به آرسنیک، در وضعیت نامناسبی قرار دارد. با توجه به اهمیت مبحث تاب آوری در مقابله با انواع مخاطرات، سنجش وضعیت تاب آوری ساکنان در معرض آلودگی و پیشبینی عوامل موثر بر ارتقای تاب آوری می تواند نقش مهمی را در کاهش مخاطرات ناشی از آرسنیک ایفا نماید. از این رو هدف اصلی پژوهش حاضر سنجش و پیش‌بینی تاب آوری جوامع در معرض آلودگی آرسنیک در شهرستان بیجار است. جامعه آماری پژوهش را ساکنان شش روستای شهرستان (روستاهای نجف آباد، باشوکی، ابراهیم آباد، بابانظر، گوندک، علی آباد) تشکیل می دهد که نسبت به دیگر روستاها در معرض آلودگی آرسنیک بیشتری قرار گرفته اند و در میان آن ها 150 نفر به عنوان نمونه آماری در نظر گرفته شده اند. ابزار اصلی پژوهش جهت جمع آوری داده ها، پرسشنامه محقق ساخته است که روایی و پایایی آن با رعایت اصول پژوهش های میدانی تایید شده است. جهت تجزیه و تحلیل داده‌ها، از نرم افزار SPSS و الگوریتم های یادگیری ماشین (NBTree، Bayesian network، Naïve Bayes و Random Forest) استفاده شده است. نتایج پژوهش نشان داد وضعیت تاب‌آوری در محدوده مطالعاتی اکثریت پاسخگویان (78 درصد) در سطوح زیاد و خیلی زیاد قرار گرفته است. نتایج بررسی اهمیت فاکتورهای موثر بر تاب‌آوری آرسنیک با روش IGR نشان داد مهم ترین فاکتورهای موثر بر تاب‌آوری به ترتیب اهمیت عبارت اند از: سن (0/343)، تحصیلات (0/271)، مخارج ماهیانه خانوار (0/232)، تعداد بیکاران (226/0)، آگاهی (0/181)، بعد خانوار (0/171)، مالکیت منابع سرمایه‌ای (0/17)، پیشامدهای اقتضایی (0/116) و شغل اصلی (0/108). نتایج مقایسه عملکرد الگوریتم های یادگیری ماشین برای پیش‌بینی تاب‌آوری در برابر آرسنیک نشان داد در میان الگوریتم های مورد بررسی، الگوریتم NBTree دارای بهترین عملکرد در پیش‌بینی تاب‌آوری در برابر آرسنیک بوده است.

شناسایی عوامل موثر در وقوع آتش‌ سوزی و پهنه‌ بندی حساسیت به وقوع آن یکی از ابزارهای اساسی جهت دستیابی به راه کارهای کنترل و مقابله با آتش‌ سوزی است. مدل‌سازی آتش‌سوزی جنگل برای شناسایی توزیع آتش‌سوزی جنگل‌ها بر اساس روش‌های علمی از اهمیت بسزایی برخوردار هستند. در این پژوهش، از تکنیک Information Gain Ratio (IGR) و شاخص میانگین شایستگی (Average Merit) جهت ارزیابی قدرت پیش‌بینی عوامل موثر بر وقوع آتش سوزی جنگل در شهرستان مریوان استفاده شد. نتایج این روش ها نشان داد که از میان 14 عامل موثر در نظر گرفته شده در ابتدا، تنها 12 عامل شامل میانگین سرعت باد، ارتفاع، رطوبت نسبی، بارش، میانگین حداکثر دما سالانه، فاصله از جاده، کاربری اراضی، تراکم جاده، فاصله از مناطق مسکونی، NDVI، تابش خورشیدی و شیب در وقوع آتش سوزی نقش داشته‌اند. همچنین، نتایج نشان داد دو عامل جهت شیب و شاخص رطوبت توپوگرافیک به دلیل مقدار میانگین شایستگی برابر صفر از مدل‌سازی نهایی حذف شدند. در این میان متغیرهای میانگین سرعت باد، ارتفاع و رطوبت نسبی نسب به سایر متغیرها بیشترین تاثیر را بر وقوع آتش سوزی داشتند. همچنین پس از آموزش هر سه مدل یادگیری ماشین به کاربرده شده شامل مدل‌های جنگل تصادفی، ماشین بردار پشتیبان و رگرسیون لجستیک، عملکرد آن‌ها در زمینه پتانسیل‌یابی وقوع آتش سوزی با استفاده از معیارهای آماری سنجیده شد. بنابراین از نظر نمونه‌های آموزشی، مدل جنگل تصادفی (0/98) نسبت به مدل ماشین بردار پشتیبان (0/931) دارای صحت بالاتری بود. مقدار شاخص حساسیت در مدل‌های جنگل تصادفی و ماشین بردار پشتیبان به ترتیب 0/982 و 0/934 بوده که این بدان معنی است که مدل جنگل تصادفی قادر است 98/1 درصد از پیکسل های آتش سوزی را به درستی به‌عنوان مناطق تحت سیطره آتش سوزی طبقه‌بندی نماید که نسبت به مدل ماشین بردار پشتیبان قدرت پیش‌بینی بالاتری داشته است. نقشه های تهیه شده بر اساس روش طبقه‌بندی شکست طبیعی (Natural Breaks) به پنج کلاس حساسیت خیلی کم، حساسیت کم، حساسیت متوسط، حساسیت زیاد و حساسیت خیلی زیاد طبقه بندی گردیدند. همچنین مساحت و درصد مساحت طبقات پتانسیل وقوع آتش سوزی برای هر سه مدل استخراج گردید. نتایج هر سه مدل برای پتانسیل وقوع آتش سوزی نشان داد که بخش غربی و جنوبی غربی نسبت به سایر بخش های شهرستان مریوان دارای پتانسیل خطر آتش سوزی بالاتری می باشد. برای اعتبارسنجی هر سه مدل از روش منحنی ROC استفاده گردید. نتایج نشان داد که از میان مدل جنگل تصادفی، ماشین بردار پشتیبان و رگرسیون لجستیک، بیشترین صحت به مدل‌ ماشین بردار پشتیبان (0/997) اختصاص داشته است.