بررسی ارتباط میان خشک سالی کشاورزی و هواشناسی در شمال غرب ایران با استفاده از شبکه عصبی پرسپترون چند لایه (MLP)

خشک سالی پدیده ای طبیعی، تکراری و موقتی است که به سبب بارش اندک رخ می دهد و تقریبا تمامی مناطق اقلیمی جهان را تحت تاثیر قرار می دهد. تعیین وقوع و روند خشک سالی می تواند در مدیریت برنامه ریزی سیستم های منابع آب نقش به سزایی داشته باشد. در دهه های اخیر، شبکه های عصبی در مدل سازی و پیش بینی سری های زمانی غیر خطی کارائی مناسبی را نشان دادند. بر همین اساس هدف تحقیق حاضر، تعیین ارتباط میان خشک سالی هواشناسی و کشاورزی در شمال غرب ایران و پیش بینی روند تغییرات پوشش گیاهی است. ابتدا از داده های بارندگی ماهانه ۸۸ ایستگاه هواشناسی وزارت نیرو به مدت ۱۵ سال، ۱۳۹۵-۱۳۸۰، برای تجزیه و تحلیل خشک سالی های هواشناسی در مقیاس های زمانی ۱، ۳، ۶ و ۱۲ ماهه استفاده شد. سپس با استفاده از سنجش از دور و تصاویر ماهواره لندست ۸، شاخص اختلاف نرمال شده پوشش گیاهی (NDVI) در سال های آبی ۱۳۹۰ تا ۱۳۹۵ مورد بررسی و محاسبه قرار گرفت. به منظور پیش بینی وضعیت پوشش گیاهی از شاخص NDVI و شاخص خشک سالی هواشناسی SPI (شاخص بارش استاندارد شده) و الگوریتم شبکه عصبی پرسپترون (MLP) استفاده شد. طبق بررسی های انجام شده مشخص شد که SPI در مقیاس زمانی ماهانه در محاسبه شدت ترسالی و خشک سالی کارآمد است. هم چنین حداکثر میزان تراکم پوشش گیاهی مربوط به فروردین و اوایل اردیبهشت و در فصل بهار بوده و دوره بازگشت این خشک سالی ها ۵-۶ ساله تعیین شد. در نهایت، ارتباط میان داده های NDVI پیش بینی شده و داده های ورودی (NDVI یک ماه قبل و SPI ماهانه) در گام های زمانی متفاوت، یک تابع غیرخطی با ضریب همبستگی ۰/۸۱ خطای ۰/۰۲۶۵ برای داده های بارش ماهانه است. بدین معنی که ۸۱ درصد داده ها قابل توجیه بودند. در نهایت مشخص شد که میان NDVI و SPI همبستگی بالایی وجود دارد و می توان نتیجه گرفت که SPI برای پیش بینی خشک سالی کشاورزی شاخص مناسبی است.

بررسی ارتباط میان خشک سالی کشاورزی و هواشناسی در شمال غرب ایران با استفاده از شبکه عصبی پرسپترون چند لایه (MLP) Keywords:

پهنه بندی خشک سالی , شبکه عصبی پرسپترون , شمال غرب , SPI , NDVI