سیویلیکا را در شبکه های اجتماعی دنبال نمایید.

Login
PapersConferencesJournals

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

Publish place: Journal of Water and Soil، Vol: 37، Issue: 5
Publish Year: 1402
Type: Journal paper
Language: Persian
View: 180

This Paper With 21 Page And PDF Format Ready To Download

DOWNLOAD Paper

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

Export:

Link to this Paper:
https://civilica.com/doc/1895974

Document National Code:

JR_JSW-37-5_009

Index date: 28 January 2024

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

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.

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

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

نازیلا شاملو

گروه علوم و مهندسی آب، دانشگاه تبریز، تبریز، ایران

محمدتقی ستاری

گروه علوم و مهندسی آب، دانشگاه تبریز، تبریز، ایران

خلیل ولیزاده کامران

گروه سنجش از دور و GIS، دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز، تبریز، ایران

حالیت آپ آیدین

گروه مهندسی کشاورزی، دانشکده کشاورزی، دانشگاه آنکارا، آنکارا، ترکیه

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
AghaKouchak, A., Farahmand, A., Melton, F.S., Teixeira, J., Anderson, M.C., ...
Crisóstomo de Castro Filho, H., Abílio de Carvalho Júnior, O., ...
Guzmán, S.M., Paz, J.O., Tagert, M.L.M., Mercer, A.E., & Pote, ...
Hochreiter, S., & Schmidhuber, J. (۱۹۹۷). Long short-term memory. Neural ...
Karimzadegan, S., Behmanesh, J., & Rezaie, H. (۲۰۱۸). Application of ...
Kazempour Choursi, S., Erfanian, M., & Ebadi Nehari, Z. (۲۰۱۹). ...
Kogan, F.N. (۱۹۹۵). Droughts of the late ۱۹۸۰s in the ...
Khosravi, I., Akhundzadeh, M., & Khoshgovtar, M. (۲۰۱۵). Modeling and ...
Li, X., Yuan, W., & Dong, W. (۲۰۲۱). A machine ...
Nash, J.E., & Sutcliffe, J.V. (۱۹۷۰). River flow forecasting through ...
Qian, Y., Zhou, W., Yan, J., Li, W., & Han, ...
Rezaei Moghadam, M.H., Valizadehkamran, Kh., Rostamzadeh, H., & Rezaei, A. ...
Reddy, D.S., & Prasad, P.R.C. (۲۰۱۸). Prediction of vegetation dynamics ...
Rhif, M., Abbes, A.B., Martinez, B., & Farah, I.R. (۲۰۲۰). ...
Sattari, M.T., Apaydin, H., Ozturk, F., & Baykal, N. (۲۰۱۲). ...
Shen, R., Huang, A., Li, B., & Guo, J. (۲۰۱۹). ...
Taylor, K.E. (۲۰۰۱). Summarizing multiple aspects of model performance in ...
Willmott, C.J., & Matsuura, K. (۲۰۰۵). Advantages of the mean ...
نمایش کامل مراجع