کاربرد سنجش از دور و یادگیری ماشین برای تشخیص کانون‌های گرد و خاک در استان خوزستان

بحرینی، ف.؛ پناهی، ف.؛ جعفری، م. و ملکیان، آ. (1397). شناسایی مناطق آسیب‌پذیر پوشش‌گیاهی به خشکسالی با استفاده از سنجش از دور (مطالعه موردی: استان بوشهر). مجله منابع طبیعی ایران (مدیریت مرتع و آبخیزداری)، ۷1 (2)، 341-354.

بروغنی، م.؛ میرچولی، ف. و محمدی، م. (1401). پهنه‌بندی آسیب‌پذیری گرد و غبار با استفاده از تصاویر ماهواره‌ای و مدل‌های یادگیری ماشین. مطالعات جغرافیایی مناطق خشک، 13(47)، 1-13.

رایگانی، ب.؛ براتی قهفرخی، س. خوشنوا، ا. (1398). شناسایی کانون‌های تولید گرد و غبار به کمک داده‌های دورسنجی: یک رویکرد جامع. مرتع و آبخیزداری (منابع طبیعی ایران)، 72(1)، 83–105.

رنگزن، ک.؛ زراسوندی، ع. ر.؛ عبدالخانی، ع. و مجردی، ب. (1393). مدلسازی آلودگی هوا با استفاده از تصاویر سنجنده مودیس: مطالعه موردی توده‌های گرد و غبار استان خوزستان. زمین‌شناسی کاربردی پیشرفته، 4(4)، 38–45.

رشیدی، م. ج.؛ فلاح، ا. و شتایی جویباری، ش. (1402). ارزیابی و مقایسه کرنل‌های الگوریتم ماشین بردار پشتیبان برای تشخیص گونه‌های کنار و گون با بهره‌گیری از تصاویر رقومی هوایی UltraCam-D (مطالعه موردی سازند میشان منطقه تنگ ارم استان بوشهر). در بیست و ششمین همایش انجمن زمین‌شناسی ایران، ارومیه.

زنگنه، ا. (1398). پیش‌بینی مکانی-زمانی داده‌های سنجش از دور با استفاده از یادگیری عمیق. پایان‌نامه کارشناسی ارشد. به راهنمایی هدی مشایخی و سعیده فردوسی. شاهرود: دانشگاه صنعتی شاهرود.

نظری سامانی، ع. ‌ا.؛ زهتابیان، غ. و علم‌بیگی، ا. (1399). تعیین چارچوب مفهومی ریسک گرد و غبار بر مبنای سنجش تاب‌آوری (بررسی موردی: جنوب‌غرب کشور). پژوهش‌های راهبردی در علوم کشاورزی و منابع طبیعی،5(1)، 33–44.

Ahmady‑Birgani, H. (2025). Conceptualizing dust emission areas and hotspots over the Aeolian landforms via remote‑sensing aerosol algorithms: case study, Lake Urmia, a major hypersaline lake in the Middle East. Geoscience Letters, 12, Article 28.

Belgiu, M., & Drăguţ, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24–31.

Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.

Biau, G., & Scornet, E. (2016). A random forest guided tour. Test, 25(2), 197–227.

Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32.

Chen, C., Liaw, A., & Breiman, L. (2004). Using random forest to learn imbalanced data (Research Report). University of California, Berkeley.

Cutler, D. R., Edwards Jr., T. C., Beard, K. H., Cutler, A., Hess, K. T., Gibson, J., & Lawler, J. J. (2007). Random forests for classification in ecology. Ecology, 88(11), 2783–2792.

Gandham, H., Dasari, H. P., Saharwardi, M. S., Karumuri, A., & Hoteit, I. (2023). Dust sources over the Arabian Peninsula. Environmental Research Letters, 18(9), Article 094053.

Han, J., Kamber, M., & Pei, J. (2011). Data mining: concepts and techniques (3rd ed.). Elsevier.

Jafari, R., Amiri, M., Asgari, F., & Tarkesh, M. (2022). Dust source susceptibility mapping based on remote sensing and machine learning techniques. Ecological Informatics, 72, 101872.

Liaw, A., & Wiener, M. (2002). Classification and regression by randomForest. R News, 2(3), 18–22.