استخدام الذكاء الاصطناعي في نمذجة خرائط التدهور البيئي لمحافظة صلاح الدين
DOI:
https://doi.org/10.25130/jfa.conf.10.1.9الكلمات المفتاحية:
خرائط التدهور البيئي، التصنيف الآلي، خوارزميات الذكاء الاصطناعيالملخص
تهدف الدراسة إلى نمذجة وتحليل خرائط التدهور البيئي في محافظة صلاح الدين باستخدام تقنيات الذكاء الاصطناعي، من خلال استكشاف العلاقة بين درجة حرارة سطح الأرض (LST) ومؤشر الغطاء النباتي الطبيعي (NDVI) ومؤشر الهطول المطري (SPI) المستخرجين من بيانات الأقمار الصناعية، واعتمدت الدراسة على مرئيات فضائية من القمر الصناعي Landsat-8 للمدة (2014 – 2024)، وتم تنفيذ المعالجة والتحليل داخل منصة Google Earth Engine (GEE) ، واستخدمت الدراسة خوارزميات الذكاء الاصطناعي (Random Forest ) للتنبؤ بخرائط التدهور البيئي لعام 2025 وتصنيف المناطق المتأثرة بيئيا استنادا إلى العلاقة العكسية بين المؤشرات، إذ تشير القيم المرتفعة لـ LST والمنخفضة لـ NDVI و SPIإلى مناطق تشهد تدهورا نباتيا حادا، وأظهرت النتائج وجود ارتباط عكسي قوي بين ( (LST - SPIوNDVI ، مما يعكس تأثير الإجهاد الحراري على تدهور الغطاء النباتي، كما أثبتت النماذج الذكية كفاءتها في تحديد البؤر الساخنة للتدهور بدقة عالية، ما يجعلها أداة فعالة لتحديد المناطق المتدهورة بيئياً في منطقة الدراسة .
التنزيلات
المراجع
1 - A Review of Practical AI for Remote Sensing in Earth Sciences. (2023). MDPI.
2 - Wikipedia contributors. (2024). Normalized Difference Vegetation Index. In Wikipedia. Retrieved from https://en.wikipedia.org/wiki/Normalized_difference_vegetation_index
3 - Li, Y., Wang, H., Chen, L., & Xu, J. (2024). WWPASFS-BiGRU: A hybrid attention-based BiGRU model optimized with waterwheel plant algorithm and adaptive fractal search for NDVI prediction. Journal of Big Data Analytics in Agriculture, 10(2), 115–134. https://link.springer.com/article/10.1007/s41060-024-00640-8
4 - Liu, S., Wang, S., & Zhang, L. (2025). Daily Land Surface Temperature Reconstruction in Landsat Cross-Track Areas Using Deep Ensemble Learning With Uncertainty Quantification. arXiv. https://arxiv.org/abs/2502.14433
5 - Bouaziz, S., Hafiane, A., Canals, R., & Nedjai, R. (2025). FuseTen: A Generative Model for Daily 10 m Land Surface Temperature Estimation from Spatio-Temporal Satellite Observations. arXiv. https://arxiv.org/abs/2507.23154
6 - AghaKouchak, A., & Farahmand, A. (2019). A machine learning model for drought tracking and forecasting using satellite precipitation data. Environmental Research Letters, 14(12), 124039.
7 - Rivera, R., & García, J. (2018). Meta-Analysis in Using Satellite Precipitation Products for Drought Monitoring. Remote Sensing, 10(11), 1816.
8 - Liu, S., Wang, S., & Zhang, L. (2025). Daily Land Surface Temperature Reconstruction in Landsat Cross-Track Areas Using Deep Ensemble Learning With Uncertainty Quantification. arXiv. https://arxiv.org/abs/2502.14433
9 - Bouaziz, S., Hafiane, A., Canals, R., & Nedjai, R. (2025). FuseTen: A Generative Model for Daily 10 m Land Surface Temperature Estimation from Spatio-Temporal Satellite Observations. arXiv. https://arxiv.org/abs/2507.23154
10- Das, P., & Singh, S. P. (2025). Shannon Diversity Index (H) as an ecological indicator of environmental pollution: A GIS approach. Environmental Pollution, 300, 118-126. https://doi.org/10.1016/j.envpol.2025.118
11- Kruskal, W. H., & Wallis, W. A. (1952). Use of ranks in one-criterion variance analysis. Journal of the American Statistical Association, 47(260), 583–621. https://doi.org/10.1080/01621459.1952.10483441
12- SciPy Community. (2024). scipy.stats.kruskal — SciPy v1.16.1 Manual. Retrieved September 5, 2025, from https://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.kruskal.html
13- نجيب عبدالرحمن الزيدي، عبير يحيى الساكني، سعد ثامر ابراهيم الحمداني، تطبيقات في الخرائط البيئية، ط1، دار الابداع للطباعة والنشر والتوزيع ، العراق – صلاح الدين – تكريت ، 2025 ، ص 19 .
14- سعد ثامر ابراهيم ، نجيب عبدالرحمن محمود، مشكلات التمثيل الحجمي في الخرائط الموضوعية الكمية، بحث منشور، مجلة آداب الفراهيدي-كلية الآداب- جامعة تكريت، مجلد 12،عدد42، العراق،2020، ص 156.
