پیشبینی خشکسالی با استفاده از شبکه عصبی کلاس مبنا به وسیله شاخص های سنجش از دور و داده های زمینی در ایران

خشکسالی یک پدیده طبیعی و تکرارپذیر است که در یک زمان و مکان مشخص قابل تعریف می باشد و تاثیرات سویی بر سلامت انسان ها و مسایل اجتماعی و اقتصادی دارد. پایش این پدیده و بررسی احتمال وقوع آن با استفاده از داده های زمینی در عین عدم وجود اطلاعات کافی به دلیل زمانبر بودن، هزینهی بالا، توزیع نامناسب ایستگاه های هواشناسی و وجود گپ بین آنها در برخورد با مطالعات در ابعاد کلان، نتایج قابل اطمینان را نخواهند داشت. با استفاده از تصاویر ماهوارهای که هم به لحاظ پهنه و هم قابل دسترس بودن داده (به صورت رایگان) مناسب می باشند، میتوان به اطلاعات وسیعی در رابطه با پوشش گیاهی و شرایط آن دست یافت. در این تحقیق از شبکه عصبی مصنوعی برای مدل کردن و پیشبینی خشکسالی در ایران به وسیله تصاویر ماهوارهای استفاده شده است. برای این منظور از شاخص خشکسالی SPI (شاخص استاندارد شده بارش) برای بیان خشکسالی استفاده شد. شاخص های اختلاف نرمال شده پوشش گیاهی (NDVI) شاخص تغییرات NDVI و (NDVI-DEV ) شاخص وضعیت پوشش گیاهی VCI و شاخص وضعیت دما (TCI) از تصاویر سنجنده NOAA-AVHRR محاسبه و استخراج شد. این شاخص ها به عنوان ورودی وارد مدل شدند و مقادیر SPI محاسبه شدند. قبل از ورود داده به مدل تقسیم بندی پیکسلها با استفاده از شاخص های ماهوارهای شد که NDVI بالاترین دقت را برای این تقسیمبندی در نهایت ارایه داد. با استفاده از این روش شبکه بالاترین دقت را در ماه ژوین سال 2006 و پایین ترین دقت را در ماه می سال 2008 و به ترتیب برابر با 86 و 94 و 14 و 9 درصد ارایه داد.

کلیدواژه ها:

سنجش از دور ، پیشبینی خشکسالی ، شاخص استاندارد شده بارش ، شاخصهای پوشش گیاهی ، شبکه عصبی مصنوعی ، ایران