Abstract:
خشکسالی پدیدهای پیچیده و مخاطرهآمیز در کل جهان بهویژه ایران بهشمار میآید. تعیین و پیشبینی شدت خشکسالی میتواند در مدیریت مخاطرات ناشی از آن مؤثر باشد. برای تعیین شدت خشکسالی از شاخصهایی استفاده شده که به دو دستۀ کلی شاخصهای هواشناسی و سنجش از دور تقسیم میشوند. مهمترین شاخص هواشناسی، شاخص بارش استانداردشده (SPI) و در شاخصهای سنجش از دور نیز، شاخصهای مستخرج از پوشش گیاهی (NDVI) و شاخص دمای سطح زمین (LST) بوده است. برای مدلسازی رفتار سری زمانی این شاخصها و همچنین پیشبینی مقادیر آیندۀ آنها، روشهای یادگیری ماشین توانستهاند کارایی زیادی از خود نشان دهند. این مقاله نیز قصد دارد کارایی چهار روش مهم یادگیری ماشین یعنی شبکۀ عصبی (NN)، رگرسیون بردار پشتیبان (SVR)، ماشین بردار پشتیبان کمترین مربعات (LSSVM) و همچنین یک سیستم فازی بر پایۀ شبکۀ عصبی تطبیقی (ANFIS) را برای مدلسازی شاخصهای هواشناسی و سنجش از دور منطقۀ شرقی اصفهان از سال 2000 تا 2014 و پیشبینی مقادیر آنها در 2015 و 2016 بررسی کند. دادههای بهکاررفته، سری زمانی NDVI و LST ماهوارۀ مادیس و سری زمانی دادۀ میزان بارش ماهواره TRMM منطقۀ مطالعاتی است. در ابتدا، سری زمانی شاخصهای وضعیت گیاهی (VCI) و شاخص پوشش گیاهی دمایی (TVX) از دادههای NDVI و LST و سری زمانی SPI-دوازدهماهه از دادههای مقدار بارش ساخته شده است. در ادامه رفتار این سه سری زمانی، توسط هر چهار روش یادشده مدلسازی شده که مطابق با نتایج، SVR بیشترین کارایی و NN کمترین کارایی را در بین این روشها داشته است. سرعت عملکرد LSSVM و سپس ANFIS نیز بیشتر از سایر روشها بوده است. در پایان، با طراحی یک سیستم استنتاج فازی (FIS)، وضعیت خشکسالی در دو فصل بهار و تابستان 2000 تا 2016 بررسی شده که نتایج نشان از نرمالبودن وضعیت بهار در همۀ سالها بهجز دو سال 2000 و 2011 و خشکسالی شدید تابستان در همۀ سالها بهجز چهار سال 2000، 2010، 2011 و 2014 داشته است. در واقع این پژوهش قصد داشت بهکمک روشهای یادگیری ماشین و استفاده از سری زمانی دادههای سنجش از دور و هواشناسی و تلفیق آنها در یک سیستم FIS، راهکاری را برای مدلسازی رفتار خشکسالی و پیشبینی و پایش آن در آینده ارائه دهد.
Machine summary:
مدلسازی و پیش بینی سری زمانی شاخص های خشکسالی با روش های یادگیری ماشین به منظور مدیریت مخاطرات (مطالعۀ موردی: منطقۀ شرقی اصفهان ) * / ایمان خسروی دانشجوی دکتری سنجش از دور، گروه مهندسی نقشه برداری، پردیس دانشـکده هـای فنـی، دانشگاه تهران ، ایران مهدی آخوندزاده (makhonz@ut.
این مقاله نیز قصد دارد کارایی چهار روش مهم یـادگیری ماشـین یعنـی شـبکۀ عصـبی (NN)، رگرسـیون بردار پشتیبان (SVR)، ماشین بردار پشتیبان کمترین مربعـات (LSSVM) و همچنـین یـک سیسـتم فـازی بـر پایـۀ شـبکۀ عصـبی تطبیقی (ANFIS) را برای مدلسازی شاخص هـای هواشناسـی و سـنجش از دور منطقـۀ شـرقی اصـفهان از سـال ٢٠٠٠ تـا ٢٠١٤ و پیش بینی مقادیر آنها در ٢٠١٥ و ٢٠١٦ بررسی کند.
در واقع این پژوهش قصد داشت به کمک روش هـای یـادگیری ماشـین و استفاده از سری زمانی داده های سنجش از دور و هواشناسی و تلفیـق آنهـا در یـک سیسـتم FIS، راهکـاری را بـرای مدلسـازی رفتـار خشکسالی و پیش بینی و پایش آن در آینده ارائه دهد.
در واقـع در ایـن پـژوهش قصـد داریـم بـا به کارگیری روش های مهم یادگیری ماشین و استفاده از سـری زمـانی داده هـای سـنجش از دور و هواشناسی و تلفیق آنها در سیستم FIS، راهکاری را برای مدلسازی رفتار خشکسالی و پیش بینـی و پایش وضعیت آن در حال و آینده ارائه دهیم .