توسعه مدل پیش بینی خشکسالی با استفاده از پیوند از دور

خشک سالی پدیده ی اقلیمی مخربی است که باعث خسارات قابل توجهی در محیط طبیعی و زندگی بشر می شود. بدین منظور پیش بینی خشک سالی نقش مهمی در کنترل و مدیریت سیستم های منابع آب و کاهش خسارات ناشی از آن مخصوصا در زمینه تولید محصولات کشاورزی دارد. از آنجاییکه استفاده از روش های معمول و داده های بارندگی برای پیش بینی خشکسالی چندان موفقیت آمیز نبوده است. مدلی برای پیش بینی خشکسالی ارایه شده که بر اساس شاخص پوشش گیاهی ‭NDVI (Normalized Difference Vegetation Index) ‬بدست آمده از تصاویر ماهواره ای، سیگنال های اقلیمی موثر بر منابع آب و شبکه عصبی پایه گذاری شده است. شبکه عصبی بکار گرفته شده، شبکه عصبی پیش خور چند لایه که برای پیش بینی ‭NDVI ‬به عنوان پوشش گیاهی، بوده است. از شاخص های اقلیمی ‭SOI (Southern Oscillation Index) ‬و ‭NAO (North Atlantic Oscillation) ‬که تاثیر آنها بر بارندگی و جریان رودخانه ها در این منطقه مشخص شده، به عنوان ورودی این مدل استفاده شده است. در این مدل از دو روش ‭NM (Normal Method) ‬و روش ‭MWM Moving (Windows Method) ‬استفاده شده است. این مدل برای حوضه دریاچه ارومیه در شمال غرب ایران بکار گرفته شده است. عملکرد دو روش با استفاده از آماره های R2 و ‭RMSE ‬مورد بررسی قرارگرفت. نتایج این تحقیق قابلیت ‭NDVI ‬حاصل از تصاویر ماهواره ای و توانایی شبکه عصبی در شبیه سازی روابط بین شاخص های ‭SOI ‬و ‭NAO ‬با پوشش گیاهی به منظور پیش بینی خشکسالی را در این منطقه نشان می دهد. پیش بینی پوشش گیاهی فصل بهار با استفاده از شاخص های ‭SOI ‬و ‭NAO ‬بهار قبل، از نتایج بسیار ارزنده این تحقیق است. از نتایج دیگر این تحقیق برتری روش ‭MWM ‬نسبت به روش ‭NM ‬در پیش بینی خشکسالی در این حوضه است. در حالی که به طور معمول از روش ‭NM ‬برای پیش بینی استفاده می شود. واژگان کلیدی: تصاویر ماهواره ای، خشک سالی، شبکه عصبی، پیش بینی،‭SOI ‬،‭NAO ‬،‭NDVI .