12119

پايش خشكسالي با استفاده از ارائه ي ك شاخص تركيبي مبتني بر تصاوير ماهوارهاي ، مطالعه موردي حوضه استان آذربايجان شرق ي

1398

دكتر برات مجردي و دكتر عباس افشار

دكتر حسين عليزاده

خشكسالي در مرحله اول با كاهش بارش آغاز ميشود كه از اين نوع خشكسالي در مرحله اول به عنوان خشكسالي هواشناسي ياد ميشود و با افزايش دما و ادامه روند كاهشي بارش، ميزان تبخير و تعرق نيز افزايش پيدا ميكند. باتوجه ب ه پيچيدگي بالاي پديده خشكسالي، سنجش ازدور توانايي بالايي در ارائه اطلاعات گسترده زماني و مكاني براي شناسايي خشكسالي ارائه ميدهد كه منجر به ايجاد حجم بالاي دادهها در پايش اين پديده ميشود. در اين مطالعه با استفاده از روشهاي يادگير يماشين كه خود زيرمجموعه شاخص هوشمصنوعي است مناسبترين تركيب شاخصهاي سنجش ازدوري در مقايسه با شاخص استاندارد بارش ( SPI ( ارائه ميشود. در اين مطالعه شاخصهاي سنجش ازدوري و دادههاي بارش ماهانه ايستگا ههاي سينوپتيك منطقه در بازه زماني 10 ساله به ترتيب با استفاده از سامانه گوگل ارث انجين و سازمان هواشناسي كشور تهيه ش دهاند. سپس از تهيه نقشه رستري، وضعيت خشكسالي در استان آذربايجان شرقي براي سال هاي 1391 تا 1400 تشريح شد، كه بر اساس طبقهبن دي مقادير SPI ، دو سال 1400 و سال 1396 جزء خشكترين سال ها و سال 1397 سالي با وضعيت نسبت اً مناسب، شناسايي گردي د. در بخش سنجش ازدور عواملي همچون بارش، محصول GPM ، دماي سطح زمين و شاخص وضعيت پوشش گياهي، محصول سنجنده ماديس، شاخص تبخير و تعرق و برگا ب و شاخص وضعيت رطوبت خاك به ترتيب محصول تهيه شده از سايت WaPOR و پايگاه داده FLDAS به عنوان مؤثرترين عوامل، به عنوان متغي رهاي مستقل تهيه ش ده و درنهايت مقادير شاخص SPI به عنوان متغير وابسته در كنار داد ههاي قبلي به عنوان ماتريس ورودي مدل لحاظ ش دهاند. از مدلهاي رگرسيون چن دمتغيره، جنگل تصادفي و رگرسيون بردار پشتيبان براي برسي ارتباط ميان عوامل معرفي شده استفاده شد تا بتوان مدلي براي نظارت گسترده در منطقه ارائه شود. مدل پايش خشكسالي براي استان آذربايجان شرقي آزموده شد. مدل جنگل تصادفي داراي مقادير ضريب تبيين 0.748 و مقدار ضريب مجذور ميانگين مربعات خطا بين مقادير واقعي و پيشبيني شده 0.483 براي مقياس سه ماهه شاخص استاندارد بارش ميباش د. مدل جنگل تصادفي نسبت به نتايج الگوريتم رگرسيون بردار پشتيبان و رگرسيون خطي با مقادير ضريب تبيين 0.633 و مقدار مجذور ميانگين مربعات خطا 0.474 داراي مقادير بيشتري ميباش د. نتايج نشان داد كه مدل تركيبي پايش خشكسالي هواشناسي از عملكرد نسبتاً مناسبي برخوردار ميباشد. همچنين نتايج مدل تركيبي جنگل تصادفي م قادير ضريب تبيين و مجذور ميانگين مربعات خطا بهتري نسبت به شاخص مقياسبندي شده خشكسالي ميباشند. در اين مطالعه روشي براي وابستگي كمتر به دادههاي زميني ارائه شده است.

9/30/2021 12:00:00 AM

79143

1402/03/27

Drought monitoring using presentation based on satellite images, a case study of East Azerbaijan province.

پايش خشكسالي، رگرسيون بردار پشتيبان، جنگل تصادفي، تصاوير سنجش ازدور

Drought Monitoring, Support Vector Regression, Random Forest, Remote Sensing Images