پیوندها
اخبار و اعلانات
آمار
| تعداد نشریات | 50 |
| تعداد شماره‌ها | 1,872 |
| تعداد مقالات | 19,702 |
| تعداد مشاهده مقاله | 11,510,444 |
| تعداد دریافت فایل اصل مقاله | 7,588,493 |
پیشبینی شاخص ترکیبی خشکسالی کشاورزی (CDI) براساس تصاویر ماهوارهای با روشهای یادگیری | ||
| آب و خاک | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 01 مهر 1402 اصل مقاله (3.72 M) | ||
| نوع مقاله: مقالات پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22067/jsw.2023.82798.1293 | ||
| نویسندگان | ||
| نازیلا شاملو1؛ محمدتقی ستاری* 2؛ خلیل ولیزاده کامران3؛ حالیت آپ آیدین4 | ||
| 1گروه علوم و مهندسی آب، دانشگاه تبریز، تبریز ایران | ||
| 2دانشکاه تبریز | ||
| 3گروه سنجش از دور و GIS، دانشکده برنامه ریزی و علوم محیطی ، دانشگاه تبریز | ||
| 4دانشکده کشاورزی دانشگاه آنکارا | ||
| 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) معرفی و محاسبه گردید. سپس بااستفاده از داده‌های سنجنده MODIS قرارگرفته در ماهواره TERRA و روشهای درخت تصمیم - طبقه بندی و درخت رگرسیون (DT-CART)، ماشین بردار 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 انجام شد. 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 0.96،RMSE برابر با 0.029 و ضریب ناش ساتکلیف 0.92 به عنوان بهترین مدل انتخاب گردید. نتایج بدست آمده نشانداد که روشهای یادگیری ماشین و عمیق ابزاری توانمند در مدلسازی و پیشبینی شاخص ترکیبی خشکسالی (CDI) بوده و در بررسی و ارزیابی خشکسالی کشاورزی به خصوص در حوضههای فاقد آمار با اطمینان کافی می‌تواند مورد استفاده قرارگیرد. | ||
| کلیدواژه‌ها | ||
| خشکسالی کشاورزی؛ شاخص ترکیبی خشکسالی (CDI)؛ تصاویر ماهوارهای؛ یادگیری عمیق و یادگیری ماشینی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 32 تعداد دریافت فایل اصل مقاله: 28 |
||