محمدرضا کوثری

خشکسالی یک اختلال موقتی است که خصوصیات آن از منطقه ای با منطقه دیگر متفاوت است، از این رو نمی توان تعریف جامع و مطلق برای خشک سالی بیان نمود.در تحقیق حاضر، به منظور معرفی یک روش مناسب جهت پیش بینی خشکسالی برای یک ماه آتی، چهار روش هوش مصنوعی شامل یادگیری عمیق (Deeplearning) (از شبکه الکس نت که یکی از شبکه های کانولوشن می باشد استفاده شده است)، الگوریتم K نزدیک ترین همسایه (KNN)، ماشین برداد پشتیبان چند طبقه (SVM-MultiClass) و درخت تصمیم (Decision Tree) در نظر گرفته شد. داده های بارندگی 11 ایستگاه سینوتیک استان یزد طی دوره آماری 29 ساله (1988 تا 2017) به صورت ماهانه به عنوان داده های آزمایشی مورد استفاده قرار گرفتند. شاخص بارش استاندارد شده (SPI) برای نشان دادن وضعیت خشکسالی از نظر شدت و مدت در مقیاس های زمانی 1، 3، 6، 9، 12 و 24 ماهه محاسبه گردید. در ابتدا داده های بارش به عنوان ورودی شبکه های عصبی و کلاس بندی SPI به عنوان خروجی شبکه ها قرار داده شد. 80 درصد داده ها برای آموزش و20 درصد داده ها برای تست شبکه ها به کار گرفته شد. نتایج نشان داد که تمامی شبکه ها توانایی پیش بینی خشکسالی را داشته اند، بر اساس معیار ارزیابی macro-f1 شبکه Deeplearning در مقیاس زمانی 1 ماهه با 71/22 درصد، ناکارآمدترین روش و Decision Tree با 65/64 درصد، کارآمدترین روش بوده اند، اما با افزایش مقیاس زمانی، شبکه Deeplearning عملکرد خود را بهبود بخشید، به طوریکه در مقیاس زمانی 24 ماهه با 35/65 درصد، بهترین عملکرد مربوط به شبکه Deeplearning و بعد از آن، شبکه SVM-MultiClass با 40/57 درصد، قرار گرفت.

خشکسالی به عنوان پدیده ای طبیعی واجتناب ناپذیر، در مناطق مختلف اقلیمی، به ویژه  مناطق خشک به فراوانی رخ می دهد.برای تعیین شدت و وسعت خشکسالی از شاخص های خشکسالی استفاده می شود که به طور مستقیم از داده های هواشناسی از جمله بارندگی محاسبه می شوند. در نبود داده های مذکور، فنآوری سنجش از دور، ابزاری مفید در پایش خشکسالی به شمار می رود. استان یزد با قرار گرفتن در فلات مرکزی ایران و محاصره شدن به وسیله کویرها و بیابان های مرکزی، تاثیر زیادیبر تشدید و وقوع خشکسالی دراین منطقه دارد. در این تحقیق بر اساس داده های 25 ایستگاه سینوپتیک استان یزد طی دوره آماری20 ساله (1990-2010) به محاسبه شاخص های هواشناسیSPI و RDI در سری زمانی 3، 6 و 18 ماهه و با کمک تصاویر ماهواره ای سنجنده مودیس که از سال 2000 تا 2010 دریافت شد. به محاسبه شاخص های سنجش از دوری VCIو LST پرداخته شد و پس از درون یابی شاخص های هواشناسی به بررسی همبستگی بین آن ها پرداخته شد. نتایج نشان دهنده همبستگی نسبتا پایین شاخص ها بود به تکرار محاسبه همبستگی با کمک داده های نقطه ای ایستگاه ها پرداخته شد که نتایج نهایی حاکی از همبستگی مناسب بین شاخص هاست، به طوری که SPI وVCIدر حدود 5/0 تا 3/61 درصد و LST وRDI بین 7/25 تا 1/82 به دست آمد. بر اساس نتایج به دست آمده شاخص های سنجش از دوری جایگزین مناسبی برای شاخص های هواشناسی در مطالعات مربوط به خشکسالی هستند.