آزادی, سارا؛ سعید، سلطانی؛ منیره، فرامرزی؛ علیرضا، سلطانی تودشکی؛ سعید، پورمنافی. (2015). ارزیابی شاخص خشکسالی پالمر در حوزههای ایران مرکزی. علوم آب و خاک (Isfahan University of Technology)، 19(72)، 305–19.doi: 10.18869/acadpub.jstnar.19.72.26.
اکبری, مرتضی؛ حمیدرضا، کریم زاده؛ رضا، مدرس؛ بهاره، چکشی. (2007). ارزیابی و طبقه بندی بیابانزایی با فناوری سنجش از دور و سیستم اطلاعات جغرافیایی (مطالعه موردی : منطقه خشک شمال اصفهان). تحقیقات مرتع و بیابان ایران، 14(2)، 124–42. https://ijrdr.areeo.ac.ir/article_105597.html
اونق, مجید؛ نفیسه، رمضانی؛ عبدالرسول، سلمان ماهینی؛ عادل، سپهر. (2020). ارزیابی خطر بیابانزایی استان خراسان شمالی با استفاده از مدلهای IMDPA و MICD. مهندسی اکوسیستم بیابان، 9(26)، 29–42. doi: 10.22052/deej.2020.9.26.21.
بخشنده مهر, لیلا؛ سعید، سلطانی؛ عادل، سپهر. (2013). ارزیابی وضعیت فعلی بیابان زایی و اصلاح مدل مدالوس در دشت سگزی اصفهان. نشریه علمی - پژوهشی مرتع و آبخیزداری، 66(1)، 27–41. doi: 10.22059/jrwm.2013.35326.
جهانشاهی, افشین؛ علیرضا، مقدم نیا؛ حسن، خسروی. (2015). ارزیابی شدت بیابانزایی با استفاده از مدل IMDPA (مطالعة موردی: دشت شهر بابک، استان کرمان). نشریه علمی - پژوهشی مرتع و آبخیزداری، 68(2)، 247–67. doi: 10.22059/jrwm.2015.54927.
حبیبی پور, اعظم؛ حسن، اکبری؛ علی، طالبی. (2014). بررسی وضعیت بیابانزایی با استفاده از مدل IMDPA با تأکید بر معیارهای فرسایش آبی و بادی (مطالعه موردی: منطقه بهاباد استان یزد). جغرافیا و برنامه ریزی محیطی، 25(2)، 151–68. https://gep.ui.ac.ir/article_18666.html
حلبیان, امیرحسین؛ زهره، جمشیدیان. (2019). وا کاوی تغییرات بیابان زایی با تأ کید بر اقلیم بارش در استان قم. مدیریت بحران، 7(2)، 105–19. https://www.joem.ir/article_35226.html
حیدری علمدارلو, اسماعیل؛ حسن، برابادی؛ پویان، دهقان رحیم آبادی؛ حسن، خسروی؛ جواد، رفیع شریف آباد. (2022). ارزیابی راهکارهای کنترل پدیده بیابانزایی با استفاده از مدل SWOT در دشت یزد- اردکان. مدیریت جامع حوزه های آبخیز، 2(1)، 1–14. doi: 10.22034/iwm.2022.550355.1025.
سیلاخوری, اسماعیل؛ مجید، اونق؛ امیر، سعدالدین؛ اسماعیل، فیله کش. (2014). مقایسه کارآیی مدل های ایرانی ارزیابی خطر بیابان زایی IMDPA و MICD (مطالعه موردی: منطقه سبزوار). مجله پژوهشهای حفاظت آب و خاک، 21(4)، 1–28. https://jwsc.gau.ac.ir/article_2023.html
شایان, سیاوش؛ محمد، شریفی. (1385). مدل به عنوان تکنیکی در ژئومورفولوژی. تحقیقات جغرافیایی، 80(21)، 102–20. https://www.sid.ir/paper/384320/fa
صالحی، اصغر؛ پریسا، کرباسی. (2021). نقش عوامل انسان ساخت در بیابانزایی شرق اصفهان. برنامه ریزی فضایی، 11(3)، 24–1. doi: 10.22108/sppl.2021.126373.1546.
ضیائیان فیروزآبادی، پرویز؛ لیلا، حسینجانی؛ حمیدرضا، تلخابی. (2014). آشکارسازی تغییرات حوضه کویر میقان با استفاده از تصاویر ETM+, TM ,MSS و داده های اقلیمی در دوره 2011-1973. تحقیقات کاربردی علوم جغرافیایی، 13(31)، 173–89. http://jgs.khu.ac.ir/article-1-1683-fa.html
فخرآبادی، امیر؛ محمد، سلیقه؛ مهری، اکبری؛ محمد حسین، ناصرزاده. (2019). ارزیابی شدت بیابانزایی در دشت کاشان. تحقیقات جغرافیایی، 34(4)، 527–38. doi: 10.29252/geores.34.4.527.
فیضی کوشکی, فاطمه؛ مرتضی، اکبری؛ هادی، معماریان؛محمود، اعظمی راد. (2019). شناسایی و رتبه بندی مهمترین عوامل بیابان زایی در استان خراسان رضوی با استفاده از روش دلفی. جغرافیا و مخاطرات محیطی، 8(3):205–25. doi:10.22067/geo.v0i0.84127 .
کمالی مسکونی، احسان؛ محمدامین، کمالی؛ علی، خنامانی. (1399). بررسی و تهیه نقشه بیابانزایی بر اساس مدل ایرانی ارزیابی پتانسیل بیابانزایی(IMDPA) با تأکید بر دو معیار خاک و پوشش گیاهی (مطالعه موردی: فاریاب-استان کرمان). علوم و تکنولوژی محیط زیست، 12(12)، 163. http://sanad.iau.ir/fa/Journal/jest/Article/837862
گلدی زاده، فائزه؛ غلامرضا، روشن؛ عبدالعظیم، قانقرمه. (2023). پایش تغییرات زمانی-مکانی بیابان زایی در حوضه گاوخونی بر مبنای معیارهای اقلیمی. پژوهشهای تغییرات آب و هوایی، 4(13)، 55–68. doi: 10.30488/ccr.2023.396869.1133.
مصباحزاده، طیبه؛ فرشاد، سلیمانی ساردو. (2019). پیشبینی بیابانزایی دشت کرمان با تکیه بر معیار اقلیم در سال 1409 با استفاده از مدل IMDPA. ترویج و توسعه آبخیزداری، 6(23)، 50–57. https://www.wmji.ir/article_254771.html
مقصودی، مهران؛ مهین، پیره. (1401). شناسایی مناطق آسیبپذیر در مقابل بیابانزایی با استفاده از شاخص DVI (مطالعه موردی: استان کرمان). پژوهش های فرسایش محیطی، ۱۲ (۳) :۱-۱۷
میجانی، کرامت؛ رسول، مهدوی؛ حمید، غلامی؛ مرضیه، رضایی. (2022). پایش و مدلسازی شدت بیابانزایی با استفاده ازتصاویر ماهواره لندست (مطالعه موردی حوزه آبخیز یزدانآباد زرند). نشریه علمی پژوهشی مهندسی آبیاری و آب ایران، 13(2)، 446–62. doi: 10.22125/iwe.2022.162688.
Al-Bakri, J. T., Brown, L., Gedalof, Z., Berg, A., Nickling, W., Khresat, S., Salahat, M., & Saoub, H. (2016). Modelling desertification risk in the north-west of Jordan using geospatial and remote sensing techniques. Geomatics, Natural Hazards and Risk, 7(2), 531–549. https://doi.org/10.1080/19475705.2014.945102
Bao, W., Gong, A., Zhao, Y., Chen, S., Ba, W., & He, Y. (2022). High-Precision Population Spatialization in Metropolises Based on Ensemble Learning: A Case Study of Beijing, China. Remote Sensing, 14(15), 3654. https://doi.org/10.3390/rs14153654
Benassi, F., Cividino, S., Cudlin, P., Alhuseen, A., Lamonica, G. R., & Salvati, L. (2020). Population trends and desertification risk in a Mediterranean region, 1861-2017. Land Use Policy, 95, 104626. https://doi.org/10.1016/j.landusepol.2020.104626
Boali, A., Asgari, H. R., Mohammadian Behbahani, A., Salmanmahiny, A., & Naimi, B. (2024). Remotely sensed desertification modeling using ensemble of machine learning algorithms. Remote Sensing Applications: Society and Environment, 34, 101149. https://doi.org/10.1016/j.rsase.2024.101149
Chen, T., Song, C., Fan, C., Gao, X., Liu, K., Li, Z., Cheng, J., & Zhan, P. (2022). Remote sensing modeling of environmental influences on lake fish resources by machine learning: A practice in the largest freshwater lake of China. Frontiers in Environmental Science, 10. https://doi.org/10.3389/fenvs.2022.944319
Chen, W., Pourghasemi, H. R., Zhang, S., & Wang, J. (2019). 21—A Comparative Study of Functional Data Analysis and Generalized Linear Model Data-Mining Techniques for Landslide Spatial Modeling. In H. R. Pourghasemi & C. Gokceoglu (Eds.), Spatial Modeling in GIS and R for Earth and Environmental Sciences (pp. 467–484). Elsevier. https://doi.org/10.1016/B978-0-12-815226-3.00021-1
Chen, W., Xie, X., Wang, J., Pradhan, B., Hong, H., Bui, D. T., Duan, Z., & Ma, J. (2017). A comparative study of logistic model tree, random forest, and classification and regression tree models for spatial prediction of landslide susceptibility. CATENA, 151, 147–160. https://doi.org/10.1016/j.catena.2016.11.032
Chen, W., Zhang, S., Li, R., & Shahabi, H. (2018). Performance evaluation of the GIS-based data mining techniques of best-first decision tree, random forest, and naïve Bayes tree for landslide susceptibility modeling. Science of The Total Environment, 644, 1006–1018. https://doi.org/10.1016/j.scitotenv.2018.06.389
Chicco, D., & Jurman, G. (2023). The Matthews correlation coefficient (MCC) should replace the ROC AUC as the standard metric for assessing binary classification. BioData Mining, 16(1), 4. https://doi.org/10.1186/s13040-023-00322-4
Dabija, A., Kluczek, M., Zagajewski, B., Raczko, E., Kycko, M., Al-Sulttani, A. H., Tardà, A., Pineda, L., & Corbera, J. (2021). Comparison of Support Vector Machines and Random Forests for Corine Land Cover Mapping. Remote Sensing, 13(4), Article 4. https://doi.org/10.3390/rs13040777
D’Odorico, P., Bhattachan, A., Davis, K. F., Ravi, S., & Runyan, C. W. (2013). Global desertification: Drivers and feedbacks. Advances in Water Resources, 51, 326–344. https://doi.org/10.1016/j.advwatres.2012.01.013
Duniway, M. C., Pfennigwerth, A. A., Fick, S. E., Nauman, T. W., Belnap, J., & Barger, N. N. (2019). Wind erosion and dust from US drylands: A review of causes, consequences, and solutions in a changing world. Ecosphere, 10(3), e02650. https://doi.org/10.1002/ecs2.2650
Egidi, G., Quaranta, G., Salvia, R., Salvati, L., Včeláková, R., & Cudlín, P. (2022). Urban sprawl and desertification risk: Unraveling the latent nexus in a Mediterranean country. Journal of Environmental Planning and Management, 65(3), 441–460. https://doi.org/10.1080/09640568.2021.1886913
Feng, K., Wang, T., Liu, S., Kang, W., Chen, X., Guo, Z., & Zhi, Y. (2022). Monitoring Desertification Using Machine-Learning Techniques with Multiple Indicators Derived from MODIS Images in Mu Us Sandy Land, China. Remote Sensing, 14(11), 2663. https://doi.org/10.3390/rs14112663
Feng, Q., Ma, H., Jiang, X., Wang, X., & Cao, S. (2015). What Has Caused Desertification in China? Scientific Reports, 5(1), 15998. https://doi.org/10.1038/srep15998
Geist, H. J., & Lambin, E. F. (2004). Dynamic Causal Patterns of Desertification. BioScience, 54(9), 817–829. https://doi.org/10.1641/0006-3568(2004)054[0817:DCPOD]2.0.CO;2
Han, J., Wang, J., Chen, L., Xiang, J., Ling, Z., Li, Q., & Wang, E. (2021). Driving factors of desertification in Qaidam Basin, China: An 18-year analysis using the geographic detector model. Ecological Indicators, 124, 107404. https://doi.org/10.1016/j.ecolind.2021.107404
Hashem Geloogerdi, S., Vali, A., & Sharifi, M. R. (2023). Desertification simulation using wavelet and box-jenkins time series analysis based on TGSI and albedo remote sensing indices. Journal of Arid Environments, 219, 105069. https://doi.org/10.1016/j.jaridenv.2023.105069
Hong, H., Pradhan, B., Jebur, M. N., Bui, D. T., Xu, C., & Akgun, A. (2015). Spatial prediction of landslide hazard at the Luxi area (China) using support vector machines. Environmental Earth Sciences, 75(1), 40. https://doi.org/10.1007/s12665-015-4866-9
Hu, Y., Han, Y., & Zhang, Y. (2020). Land desertification and its influencing factors in Kazakhstan. Journal of Arid Environments, 180, 104203. https://doi.org/10.1016/j.jaridenv.2020.104203
Huang, J., Zhang, G., Zhang, Y., Guan, X., Wei, Y., & Guo, R. (2020). Global desertification vulnerability to climate change and human activities. Land Degradation & Development, 31(11), 1380–1391. https://doi.org/10.1002/ldr.3556
Jafari, R., & Abedi, M. (2021). Remote sensing-based biological and nonbiological indices for evaluating desertification in Iran: Image versus field indices. Land Degradation & Development, 32(9), 2805–2822. https://doi.org/10.1002/ldr.3958
Kavzoglu, T., & Teke, A. (2022). Predictive Performances of Ensemble Machine Learning Algorithms in Landslide Susceptibility Mapping Using Random Forest, Extreme Gradient Boosting (XGBoost) and Natural Gradient Boosting (NGBoost). Arabian Journal for Science and Engineering, 47(6), 7367–7385. https://doi.org/10.1007/s13369-022-06560-8
Lackóová, L., Kaletová, T., & Halászová, K. (2023). Are Drought and Wind Force Driving Factors of Wind Erosion Climatic Erosivity in a Changing Climate? A Case Study in a Landlocked Country in Central Europe. Land, 12(4), Article 4. https://doi.org/10.3390/land12040757
Li, S., Zheng, Y., Luo, P., Wang, X., Li, H., & Lin, P. (2007). Desertification in western Hainan Island, China (1959 to 2003). Land Degradation & Development, 18(5), 473–485. https://doi.org/10.1002/ldr.787
Mihi, A., Ghazela, R., & Wissal, D. (2022). Mapping potential desertification-prone areas in North-Eastern Algeria using logistic regression model, GIS, and remote sensing techniques. Environmental Earth Sciences, 81(15), 385. https://doi.org/10.1007/s12665-022-10513-7
Mohamed, E. S. (2013). Spatial assessment of desertification in north Sinai using modified MEDLAUS model. Arabian Journal of Geosciences, 6(12), 4647–4659. https://doi.org/10.1007/s12517-012-0723-2
Nguyen, P. T., Tuyen, T. T., Shirzadi, A., Pham, B. T., Shahabi, H., Omidvar, E., Amini, A., Entezami, H., Prakash, I., Phong, T. V., Vu, T. B., Thanh, T., Saro, L., & Bui, D. T. (2019). Development of a Novel Hybrid Intelligence Approach for Landslide Spatial Prediction. Applied Sciences, 9(14), Article 14. https://doi.org/10.3390/app9142824
Nhaila, H., Elmaizi, A., Sarhrouni, E., & Hammouch, A. (2022). Supervised classification methods applied to airborne hyperspectral images: Comparative study using mutual information. https://doi.org/10.1016/j.procs.2019.01.013
Olagunju, T. E. (2015). Drought, desertification and the Nigerian environment: A review. Journal of Ecology and The Natural Environment, 7(7), 196–209. https://doi.org/10.5897/JENE2015
Park, S., & Kim, J. (2019). Landslide Susceptibility Mapping Based on Random Forest and Boosted Regression Tree Models, and a Comparison of Their Performance. Applied Sciences, 9(5), Article 5. https://doi.org/10.3390/app9050942
Saha, S., Saha, M., Mukherjee, K., Arabameri, A., Ngo, P. T. T., & Paul, G. C. (2020). Predicting the deforestation probability using the binary logistic regression, random forest, ensemble rotational forest, REPTree: A case study at the Gumani River Basin, India. Science of The Total Environment, 730, 139197. https://doi.org/10.1016/j.scitotenv.2020.139197
Sahin, E. K. (2020). Assessing the predictive capability of ensemble tree methods for landslide susceptibility mapping using XGBoost, gradient boosting machine, and random forest. SN Applied Sciences, 2(7), 1308. https://doi.org/10.1007/s42452-020-3060-1
Sahin, E. K., Colkesen, I., & Kavzoglu, T. (2018). A comparative assessment of canonical correlation forest, random forest, rotation forest, and logistic regression methods for landslide susceptibility mapping. Geocarto International, 35(4), 341–363. https://doi.org/10.1080/10106049.2018.1516248
Samantaray, S., Sahoo, A., & Agnihotri, A. (2023). Prediction of Flood Discharge Using Hybrid PSO-SVM Algorithm in Barak River Basin. MethodsX, 10, 102060. https://doi.org/10.1016/j.mex.2023.102060
Schratz, P., Muenchow, J., Iturritxa, E., Richter, J., & Brenning, A. (2019). Hyperparameter tuning and performance assessment of statistical and machine-learning algorithms using spatial data. Ecological Modelling, 406, 109–120. https://doi.org/10.1016/j.ecolmodel.2019.06.002
Tehrany, M. S., Pradhan, B., Mansor, S., & Ahmad, N. (2015). Flood susceptibility assessment using GIS-based support vector machine model with different kernel types. CATENA, 125, 91–101. https://doi.org/10.1016/j.catena.2014.10.017
Weerts, H. J. P., Mueller, A. C., & Vanschoren, J. (2020). Importance of Tuning Hyperparameters of Machine Learning Algorithms (arXiv:2007.07588). arXiv. https://doi.org/10.48550/arXiv.2007.07588
Wei, A., Yu, K., Dai, F., Gu, F., Zhang, W., & Liu, Y. (2022). Application of Tree-Based Ensemble Models to Landslide Susceptibility Mapping: A Comparative Study. Sustainability, 14(10), Article 10. https://doi.org/10.3390/su14106330
Wu, J., Chen, X.-Y., Zhang, H., Xiong, L.-D., Lei, H., & Deng, S.-H. (2019). Hyperparameter Optimization for Machine Learning Models Based on Bayesian Optimization. Journal of Electronic Science and Technology, 17(1), 26–40. https://doi.org/10.11989/JEST.1674-862X.80904120
Xiaodong, G., Jinren, N., Zhenshan, L., Ronggui, H., Xin, M., & Qing, Y. (2013). Quantifying the synergistic effect of the precipitation and land use on sandy desertification at county level: A case study in Naiman Banner, northern China. Journal of Environmental Management, 123, 34–41. https://doi.org/10.1016/j.jenvman.2013.02.033
Xu, D., Wang, Y., & Wang, J. (2024). A review of social-ecological system vulnerability in desertified regions: Assessment, simulation, and sustainable management. Science of The Total Environment, 931, 172604. https://doi.org/10.1016/j.scitotenv.2024.172604
Yang, Q., Jiang, Z., Ma, Z., Luo, W., Xie, Y., & Cao, J. (2013). Relationship between karst rocky desertification and its distance to roadways in a typical karst area of Southwest China. Environmental Earth Sciences, 70(1), 295–302. https://doi.org/10.1007/s12665-012-2127-8
Zhang, C., Wang, X., Li, J., & Hua, T. (2020). Identifying the effect of climate change on desertification in northern China via trend analysis of potential evapotranspiration and precipitation. Ecological Indicators, 112, 106141. https://doi.org/10.1016/j.ecolind.2020.106141.
)