ارزیابی روش های پیش بینی شاخص ترکیبی خشکسالی کشاورزی (CDI) براساس تصاویر ماهواره ای با روشهای یادگیری عمیق و یادگیری ماشین

باتوجه به بحران خشکیدگی دریاچه ارومیه، مطالعه وضعیت پوشش گیاهی و خشکسالی کشاورزی محدوده حوضه آبریز دریاچه ارومیه که یکی از شش حوضه اصلی ایران محسوب می شود، از اهمیت قابل توجهی برخوردار است. در این مطالعه ابتدا یک شاخص ترکیبی خشکسالی CDI (Combined Drought Index) مبتنی بر شاخص های وضعیت پوشش گیاهی (VCI)، وضعیت دمایی گیاهی (TCI) و شاخص تنش آبی محصول (CWSI) با استفاده از داده های سنجنده MODIS قرار گرفته در ماهواره TERRA معرفی و محاسبه گردید. سپس با روش های 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 مدل سازی شاخص ترکیبی خشکسالی، محصولات شاخص های پوشش گیاهی، تبخیر- تعرق، تبخیر-تعرق پتانسیل، دمای سطح زمین در روز و دمای سطح زمین در شب برگرفته از سنجنده MODIS به عنوان ورودی مدل ها استفاده شد. درنهایت بررسی عملکرد مدل ها براساس ترکیب های متفاوتی از ورودی مدل ها 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 نشان داد که متغیر های دمای سطح زمین در روز، دمای سطح زمین در شب و تبخیر-تعرق موثرترین متغیرها برای مدل سازی شاخص ترکیبی خشکسالی (CDI) و مطالعه خشکسالی کشاورزی می باشند. همچنین مدل CART با ضریب همبستگی ۹۶/۰، میانگین جذر مربعات خطا برابر با ۰۲۹/۰ و ضریب ناش ساتکلیف ۹۲/۰ به عنوان بهترین مدل انتخاب گردید. نتایج بدست آمده نشان داد که روش های یادگیری ماشین و یادگیری عمیق ابزاری توانمند در مدل سازی و پیش بینی شاخص ترکیبی خشکسالی (CDI) بوده و در بررسی و ارزیابی خشکسالی کشاورزی به خصوص در حوضه های فاقد آمار با اطمینان کافی می تواند مورد استفاده قرار گیرد.

کلیدواژه ها:

حافظه کوتاه مدت بلند مدت ، درخت تصمیم ، سنجش از دور ، شاخص خشکسالی ، ماشین بردار پشتیبان