ارزیابی روشهای پیشبینی شاخص ترکیبی خشکسالی کشاورزی (CDI) براساس تصاویر ماهوارهای با روشهای یادگیری عمیق و یادگیری ماشین | ||
| آب و خاک | ||
| مقاله 9، دوره 37، شماره 5 - شماره پیاپی 91، آذر و دی 1402، صفحه 787-807 اصل مقاله (1.25 M) | ||
| نوع مقاله: مقالات پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22067/jsw.2023.82798.1293 | ||
| نویسندگان | ||
| نازیلا شاملو1؛ محمدتقی ستاری* 1؛ خلیل ولیزاده کامران2؛ حالیت آپ آیدین3 | ||
| 1گروه علوم و مهندسی آب، دانشگاه تبریز، تبریز، ایران | ||
| 2گروه سنجش از دور و GIS، دانشکده برنامهریزی و علوم محیطی، دانشگاه تبریز، تبریز، ایران | ||
| 3گروه مهندسی کشاورزی، دانشکده کشاورزی، دانشگاه آنکارا، آنکارا، ترکیه | ||
| چکیده | ||
| باتوجه به بحران خشکیدگی دریاچه ارومیه، مطالعه وضعیت پوششگیاهی و خشکسالی کشاورزی محدوده حوضه آبریز دریاچه ارومیه که یکی از شش حوضه اصلی ایران محسوب میشود، از اهمیت قابل توجهی برخوردار است. در این مطالعه ابتدا یک شاخص ترکیبی خشکسالی CDI (Combined Drought Index) مبتنی بر شاخصهای وضعیت پوشش گیاهی (VCI)، وضعیت دمایی گیاهی (TCI) و شاخص تنش آبی محصول (CWSI) بااستفاده از دادههای سنجنده MODIS قرارگرفته در ماهواره TERRA معرفی و محاسبه گردید. سپس با روشهای درخت تصمیم-طبقهبندی و درخت رگرسیون (DT-CART)، ماشینبردار پشتیان (SVM) و حافظه کوتاه مدت، بلند مدت (LSTM) و حافظه کوتاه مدت دو جهته (BiLSTM)، شاخص ترکیبی خشکسالی (CDI) معرفی و تخمین زده شد. در فرآیند مدلسازی شاخص ترکیبی خشکسالی، محصولات شاخصهای پوشش گیاهی، تبخیر-تعرق، تبخیر-تعرق پتانسیل، دمای سطح زمین در روز و دمای سطح زمین در شب برگرفته از سنجنده MODIS بهعنوان ورودی مدلها استفاده شد. درنهایت بررسی عملکرد مدلها براساس ترکیبهای متفاوتی از ورودی مدلها بااستفاده از معیارهای ارزیابی شامل ضریب همبستگی، جذر میانگین مربعات خطا و ضریب ناش ساتکلیف و همچنین به کمک نمودارهای کلوروگرام، تیلور و ویلونی بصورت بصری انجامشد. نتایج نشانداد که متغیرهای دمای سطح زمین در روز، دمای سطح زمین در شب و تبخیر-تعرق موثرترین متغیرها برای مدلسازی شاخص ترکیبی خشکسالی (CDI) و مطالعه خشکسالی کشاورزی میباشند. همچنین مدل CART با ضریب همبستگی 96/0، میانگین جذر مربعات خطا برابر با 029/0 و ضریب ناش ساتکلیف 92/0 بهعنوان بهترین مدل انتخاب گردید. نتایج بدست آمده نشانداد که روشهای یادگیری ماشین و یادگیری عمیق ابزاری توانمند در مدلسازی و پیشبینی شاخص ترکیبی خشکسالی (CDI) بوده و در بررسی و ارزیابی خشکسالی کشاورزی بهخصوص در حوضههای فاقد آمار با اطمینان کافی میتواند مورد استفاده قرار گیرد. | ||
| کلیدواژهها | ||
| حافظه کوتاه مدت بلند مدت؛ درخت تصمیم؛ سنجش از دور؛ شاخص خشکسالی؛ ماشین بردار پشتیبان | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 5,760 تعداد دریافت فایل اصل مقاله: 2,509 |
||