28425

پايش خشكسالي با استفاده از ارائه يك شاخص خشكسالي تركيبي مبتني بر داده هاي سنجش از دوري

كارشناسي ارشد

مهندسي عمران- مهندسي آب - منابع آب

1398

1401/9/26

دكتر عباس افشار - دكتر برات مجردي

دكتر حسين عليزاده

دانشكده مهندسي عمران

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 به 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 يادگيري‌ماشين كه خود زيرمجموعه شاخص هوش‌مصنوعي است مناسب‌ترين تركيب شاخص‌هاي سنجش از‌دوري در مقايسه با شاخص استاندارد بارش (SPI) ارائه مي¬شود. در اين مطالعه شاخص‌هاي سنجش ازدوري و داده‌هاي بارش ماهانه ايستگاه‌هاي سينوپتيك منطقه در بازه زماني 10 ساله به ترتيب با استفاده از سامانه گوگل ارث انجين و سازمان هواشناسي كشور تهيه شده‌اند. سپس از تهيه نقشه رستري، وضعيت خشكسالي در استان آذربايجان شرقي براي سال هاي 1391 تا 1400 تشريح شد، كه بر اساس طبقه‌بندي مقادير SPI، دو سال 1400 و سال 1396 جزء خشك‌ترين سال ها و سال 1397 سالي با وضعيت نسبتاً مناسب، شناسايي گرديد. 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 برگاب و شاخص وضعيت رطوبت خاك به ترتيب محصول تهيه شده از سايت WaPOR و پايگاه داده FLDAS به عنوان مؤثرترين عوامل، به عنوان متغير‌هاي مستقل تهيه شده و درنهايت مقادير شاخص SPI به عنوان متغير وابسته در كنار داده‌هاي قبلي به عنوان ماتريس ورودي مدل لحاظ شده‌اند. از مدل‌هاي رگرسيون چند‌متغيره، 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 مي‌باشد. 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 مي‌باشد. نتايج نشان داد كه مدل تركيبي پايش خشكسالي هواشناسي از عملكرد نسبتاً مناسبي برخوردار مي‌باشد. همچنين نتايج مدل تركيبي جنگل تصادفي مقادير 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.

1402/03/27

Drought monitoring by using and providing a composite drought index based on remote sensing data

12/17/2023 12:00:00 AM

Drought in the first stage begins with a decrease in precipitation, and this type of drought in the first stage is referred to as meteorological drought, and as the temperature increases and the precipitation continues to decrease, the amount of evaporation and transpiration also increases. Due to the high complexity of the drought phenomenon, remote sensing offers a high ability to provide extensive temporal and spatial information to identify drought, which leads to the creation of a large volume of data for monitoring this phenomenon. In this study, by using machine learning methods, which is a subset of the artificial intelligence index, the most appropriate combination of remote sensing indices compared to the standard precipitation index (SPI) is presented. In this study, distance measurement indices and monthly rainfall data of regional synoptic stations in 10 years were prepared using Google Earth Engine and the National Meteorological Organization, respectively. Then, from the preparation of a raster map, the drought situation in East Azarbaijan province for the years 1391 to 1400 was explained, based on the classification of SPI values, the two years 1400 and 1396 were among the driest years, and 1397 was identified as a year with a relatively favorable situation. In the remote sensing section, factors such as precipitation, GPM product, land surface temperature and vegetation condition index, Madis sensor product, evaporation and transpiration index, and soil moisture condition index, respectively, the product prepared from the WaPOR website and the FLDAS database as the most effective The factors are prepared as independent variables. Finally, the values of the SPI index are included as the dependent variable along with the previous data as the input matrix of the model. Multivariate regression, random forest, and support vector regression models were used to examine the relationship between the introduced factors to provide a model for widespread monitoring in the region. The drought monitoring model was tested for East Azerbaijan province. The random forest model has a coefficient of explanation of 0.748 and the value of the mean square error between the actual and predicted values is 0.483 for the three-month scale of the standard precipitation index. The random forest model has more values than the results of the support vector regression algorithm and linear regression with the values of the explanatory coefficient of 0.633 and the mean squared error of 0.474. The results showed that the combined meteorological drought monitoring model has a relatively good performance. Also, the results of the combined random forest model are better than the scaled drought index. In this study, a method for less dependence on ground data is presented.

پايش خشكسالي , رگرسيون بردار پشتيبان , جنگل تصادفي , تصاوير سنجش از دور

Drought Monitoring , Vector Support Regression , Random Forest , remote sensing images

Amir Abbas Abbasi Alamdari

Dr. Abbas Afshar - Dr. Barat Mojaradi