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   

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

1. AghaKouchak, A., Farahmand, A., Melton, F.S., Teixeira, J., Anderson, M.C., Wardlow, B.D., & Hain, C. R. (2015). Remote sensing of drought: Progress, challenges and opportunities. Reviews of Geophysics, 53(2), 452-480. https://doi.org/10.1002/2014RG000456
2. Arslan, N., & Sekertekin, A. (2019). Application of long short-term memory neural network model for the reconstruction of MODIS Land Surface Temperature images. Journal of Atmospheric and Solar-Terrestrial Physics, 194, 105100. https://doi.org/10.1016/j.jastp.2019.105100
3. Babajafari, H., Paimazd, Sh., Moghadasi, M., & Hosseinivardanjani, M. (2022). Assessment monitoring spatio-temporal of drought lake Urmia basin using ETDI remote sensing index and SPI ground index. Journal of Water and Soil Science, 26(3), 281-302
4. Balti, H., Abbes, A.B., Mellouli, N., Farah, I.R., Sang, Y., & Lamolle, M. (2020). A review of drought monitoring with big data: Issues, methods, challenges and research directions. Ecological Informatics, 60, 101136. https://doi.org/10.1016/j.ecoinf.2020.101136
5. Boser, B.E., Guyon, I.M., & Vapnik, V.N. (1992). A training algorithm for optimal margin classifiers. Proceedings of the fifth annual workshop on Computational learning theory, https://doi.org/10.1145/130385.130401
6. Breiman, L., Friedman, J., Stone, C.J., & Olshen, R.A. (1984). Classification and regression trees. CRC press.
7. Crisóstomo de Castro Filho, H., Abílio de Carvalho Júnior, O., Ferreira de Carvalho, O.L., Pozzobon de Bem, P., dos Santos de Moura, R., Olino de Albuquerque, , Rosa Silva, C., Guimarães Ferreira, P.H., Fontes Guimarães, R., & Trancoso Gomes, R.A. (2020). Rice crop detection using LSTM, Bi-LSTM, and machine learning models from Sentinel-1 time series. Remote Sensing, 12(16), 2655. https://doi.org/10.3390/rs12162655
8. Cunha, R.L., Silva, B., & Netto, M.A. (2018). A scalable machine learning system for pre-season agriculture yield forecast. 2018 IEEE 14^th International Conference on e-Science (e-Science), https://doi.org/1109/eScience.2018.00131
9. Dang, C., Liu, Y., Yue, H., Qian, J., & Zhu, R. (2020). Autumn crop yield prediction using data-driven approaches:-support vector machines, random forest, and deep neural network methods. Canadian Journal of Remote Sensing, 1-20. https://doi.org/10.1080/07038992.2020.1833186
10. Elbeltagi, A., Kumari, N., Dharpure, J.K., Mokhtar, A., Alsafadi, K., Kumar, M., Mehdinejadiani, B., Ramezani Etedali, H., Brouziyne, Y., & Towfiqul Islam, A.R.M. (2021). Prediction of combined terrestrial evapotranspiration index (CTEI) over large river basin based on machine learning approaches. Water, 13(4), 547. https://doi.org/10.3390/w13040547
11. Fan, Y., Qian, Y., Xie, F.-L., & Soong, F.K. (2014). TTS synthesis with bidirectional LSTM based recurrent neural networks. Fifteenth annual conference of the international speech communication association.
12. Guzmán, S.M., Paz, J.O., Tagert, M.L.M., Mercer, A.E., & Pote, J.W. (2018). An integrated SVR and crop model to estimate the impacts of irrigation on daily groundwater levels. Agricultural Systems, 159, 248-259. https://doi.org/10.1016/j.agsy.2017.01.017
13. Heim Jr, R.R., & Brewer, M.J. (2012). The global drought monitor portal: The foundation for a global drought information system. Earth Interactions, 16(15), 1-28. https://doi.org/10.1175/2012EI000446.1
14. Hintz, J.L., & Nelson, R.D. (1998). Violin plots: A box plot-density trace synergism. The American Statistician, 52(2), 181-184.
15. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9(8), 1735-1780. https://doi.org/1162/neco.1997.9.8.1735
16. Hu, Y., & Dong, Y. (2018). An automatic approach for land-change detection and land updates based on integrated NDVI timing analysis and the CVAPS method with GEE support. ISPRS Journal of Photogrammetry and Remote Sensing, 146, 347-359. https://doi.org/10.1016/j.isprsjprs.2018.10.008
17. Jackson, R.D., Kustas, W.P., & Choudhury, B.J. (1988). A reexamination of the crop water stress index. Irrigation Science, 9, 309-317.
18. Karimzadegan, S., Behmanesh, J., & Rezaie, H. (2018). Application of bayesian network and LS-SVM methods in predicting water surface level of Urmia Lake. Journal of Water and Soil Conservation, 25(3), 2018.
19. Kazempour Choursi, S., Erfanian, M., & Ebadi Nehari, Z. (2019). Evaluation of MODIS and TRMM satellite data for drought monitoring in the Urmia lake basin. Journal of Geography and Environmental Planning, 30(2), 74.
20. Kogan, F.N. (1995). Droughts of the late 1980s in the United States as derived from NOAA polar-orbiting satellite data. Bulletin of the American Meteorological Society, 76(5), 655-668. https://doi.org/10.1175/1520-0477
21. Komasi, M., & Sharghi, S. (2020). Drought forecasting using wavelet-support vector machine and standardized precipitation index (Case study: Urmia Lake-Iran). Journal of Environmental Science and Technology, 22(7), 83-101.
22. Khosravi, I., Akhundzadeh, M., & Khoshgovtar, M. (2015). Modeling and forecasting the time series of drought indicators with machine learning methods in order to manage risks (case study: Eastern region of Isfahan). Environmental Risk Management, 2(1), 51-65. (In Persian with English abstract)
23. LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.
24. Li, X., Yuan, W., & Dong, W. (2021). A machine learning method for predicting vegetation indices in China. Remote Sensing, 13(6), 1147. https://doi.org/10.3390/rs13061147
25. Maroufpoor, S., Maroufpoor, E., Bozorg-Haddad, O., Shiri, J., & Yaseen, Z.M. (2019). Soil moisture simulation using hybrid artificial intelligent model: Hybridization of adaptive neuro fuzzy inference system with grey wolf optimizer algorithm. Journal of Hydrology, 575, 544-556. https://doi.org/10.1016/j.jhydrol.2019.05.045
26. Mohammadi, H., Nasiri Kashani, K., Maleki, S., & Rostami, H. (2018). Identify and prioritize he factors affecting on the drying of Urmia Lake with Integrated Fuzzy DEMATEL; Analytic Network Process (F.D.ANP). Emergency Management, 7(1), 13-26.
27. Nash, J.E., & Sutcliffe, J.V. (1970). River flow forecasting through conceptual models part I—A discussion of principles. Journal of Hydrology, 10(3), 282-290. https://doi.org/10.1016/0022-1694(70)90255-6
28. Nay, J., Burchfield, E., & Gilligan, J. (2018). A machine-learning approach to forecasting remotely sensed vegetation health. International Journal of Remote Sensing, 39(6), 1800-1816. https://doi.org/10.1080/01431161.2017.1410296
29. Niasati, Z., Ebadi, H., & Kayani, A. (2021). Estimation of reference evaporation and transpiration using remote sensing data in Hamadan Bahar Plain. Iran Water Research, 15(4), 45- (In Persian with English abstract)
30. Prodhan, F.A., Zhang, J., Hasan, S.S., Sharma, T.P.P., & Mohana, H.P. (2022). A review of machine learning methods for drought hazard monitoring and forecasting: Current research trends, challenges, and future research directions. Environmental Modelling & Software, 149, 105327.
31. Qian, Y., Zhou, W., Yan, J., Li, W., & Han, L. (2015). Comparing machine learning classifiers for object-based land cover classification using very high resolution imagery. Remote Sensing, 7(1), 153-168. https://doi.org/10.3390/rs70100153
32. Rao, C. (1973). 10.1002/9780470316436, John Wiley and Sons, New York.
33. Rezaei Moghadam, M.H., Valizadehkamran, Kh., Rostamzadeh, H., & Rezaei, A. (2012) Evaluation of theefficiency of MODIS sensor data in estimating drought (Case study: Urmia Lake catchment). Geographyand Environmental Sustainability, 5: 37-52.
34. Reddy, D.S., & Prasad, P.R.C. (2018). Prediction of vegetation dynamics using NDVI time series data and LSTM. Modeling Earth Systems and Environment, 4(1), 409-419.
35. Rhif, M., Abbes, A.B., Martinez, B., & Farah, I.R. (2020). A deep learning approach for forecasting non-stationary big remote sensing time series. Arabian Journal of Geosciences, 13(22), 1-11.
36. Sattari, M.T., Apaydin, H., Ozturk, F., & Baykal, N. (2012). Application of a data mining approach to derive operating rules for the Eleviyan irrigation reservoir. Lake and Reservoir Management, 28(2), 142-152. https://doi.org/10.1080/07438141.2012.678927
37. Sharifipour, L., Ghanei-Bafghi, M., Kosari, M., & Sharifipour, S. (2021). Comparing the efficiency of four artificial intelligence methods in drought prediction. Scientific Journal System, 8(3), 139-156. (In Persian with English abstract)
38. Shamloo, N., Sattari, M.T., & Apaydin, H. (2022). Agricultural drought survey using MODIS-based image indices at the regional scale: case study of the Urmia Lake Basin, Iran. Theoretical and Applied Climatology, 149(1-2), 39-51.
39. Shen, R., Huang, A., Li, B., & Guo, J. (2019). Construction of a drought monitoring model using deep learning based on multi-source remote sensing data. International Journal of Applied Earth Observation and Geoinformation, 79, 48-57. https://doi.org/10.1016/j.jag.2019.03.006
40. Shao, Y., & Lunetta, R.S. (2012). Comparison of support vector machine, neural network, and CART algorithms for the land-cover classification using limited training data points. ISPRS Journal of Photogrammetry and Remote Sensing, 70, 78-87. https://doi.org/10.1016/j.isprsjprs.2012.04.001
41. Smith, L. (2002). A Tutorial on Principal Components Analysis. Page 1-26.
42. Taylor, K.E. (2001). Summarizing multiple aspects of model performance in a single diagram. Journal of Geophysical Research: Atmospheres, 106(D7), 7183-7192.https://doi.org/10.1029/2000JD900719
43. Tucker, C.J. (1979). Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment, 8(2), 127-150. https://doi.org/10.1016/0034-4257(79)90013-0
44. Vapnik, V.N. (1995). The nature of statistical learning. Theory.
45. Willmott, C.J., & Matsuura, K. (2005). Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Climate Research, 30(1), 79-82. https://doi.org/10.3354/cr030079
46. Winkler, K., Gessner, U., & Hochschild, V. (2017). Identifying droughts affecting agriculture in Africa based on remote sensing time series between 2000–2016: rainfall anomalies and vegetation condition in the context of ENSO. Remote Sensing, 9(8), 831. https://doi.org/10.3390/rs9080831
47. Yin, J., Zhan, X., Hain, C.R., Liu, J., & Anderson, M.C. (2018). A method for objectively integrating soil moisture satellite observations and model simulations toward a blended drought index. Water Resources Research, 54(9), 6772-6791. https://doi.org/10.1029/2017WR021959
48. Zhu, X.X., Tuia, D., Mou, L., Xia, G.-S., Zhang, L., Xu, F., & Fraundorfer, F. (2017). Deep learning in remote sensing: A comprehensive review and list of resources. IEEE Geoscience and Remote Sensing Magazine, 5(4), 8-36. https://doi.org/1109/MGRS.2017.2762307