مقایسه روش های ARIMA و شبکه عصبی در مدل سازی و پایش وضعیت خشکسالی با استفاده از داده های سری زمانی سنجش از دوری - مطالعه موردی: شهر اراک

سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 541

فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_SEPEHR-28-109_012

تاریخ نمایه سازی: 1 مرداد 1398

چکیده مقاله:

خشکسالی پدیده­ای طبیعی، تکراری و موقتی است که به سبب بارش اندک رخ می دهد و تقریبا تمامی مناطق اقلیمی جهان را تحتتاثیر خود قرار می دهد، بویژه مناطق نیمه خشک که بدلیل میزان پائین بارش سالانه و حساسیت به تغییرات اقلیمی مستعد وضعیت خشکسالی می باشند. خشکسالی می تواند بر سلامت انسان ها و همچنین وضعیت اقتصادی و سیاسی جامعه تاثیرگذار باشد. اطلاعات در مورد شدت، طول مدت و پوشش مکانی خشکسالی می تواند به کارشناسان درخصوص کاهش آسیب پذیری مناطقی که تحت تاثیر خشکسالی هستند، کمک کند. یکی از چالش های اصلی در مدل سازی خشکسالی در ایران که در بخش خشک کره زمین واقع شده است، عدم وجود داده های هواشناسی بلند مدت برای اکثر مناطق کشور می باشد. داده های سنجش از دوری می توانند اطلاعاتی را در خصوص وضعیت پوشش گیاهی در اختیار قرار دهند. در این مقاله مدل های آماری خطی اتورگرسیو- میانگین متحرک تجمعی (ARIMA) ومدلشبکهعصبیبرایمدل سازیخشکسالیبراساسداده هایسنجشازدوریمورداستفادهقرارگرفتهاست. بههمینمنظور،شاخصبارشاستانداردسازیشده (SPI) بااستفادهازداده هایهواشناسیبهعنوانمیزانشدتخشکسالیمورداستفادهقرارگرفت. تعدادیازویژگی هاشاملشاخصاختلافنرمالشدهپوششگیاهی (NDVI)،شاخصوضعیتپوششگیاهی (VCI) وشاخصپوششگیاهی- دمایی (TVX) کهازتصاویرMODIS استخراج شده است، بکار برده شدند. با استفاده از مدل ها، شاخص های بدست آمده مدل سازی شدند و خطاهای RMSEوMAE برای آنها محاسبه گردید. سپس همبستگی میان شاخص های سنجش از دوری NDVI، TVXوVCI و شاخص هواشناسیSPI بررسی شده و به ترتیب مقادیر 0546/0، 1475/0 و 0519/0 بدست آمد. در این میان، شاخص هایTVXو NDVI دارای بیشترین همبستگی با داده های SPI بودند. بنابراین ازشاخص های TVX،NDVI به همراه شاخص SPI می توان در پیش بینی وضعیت خشکسالی در منطقه مورد پژوهش استفاده نمود.

کلیدواژه ها:

شبکه عصبی ، ARIMA ، شاخص بارش استانداردسازی شده ، شاخص اختلاف نرمال شده پوشش گیاهی ، شاخص وضعیت پوشش گیاهی ، شاخص پوشش گیاهی- دمایی

نویسندگان

محمدمهدی خوشگفتار

باشگاه پژوهشگران جوان و نخبگان، واحد خمین، دانشگاه آزاد اسلامی، خمین، ایران

مهدی آخوندزاده هنزائی

استادیار دانشکده مهندسی نقشه برداری و اطلاعات مکانی، گروه سنجش از دور، پردیس دانشکده های فنی، دانشگاه تهران، تهران، ایران

ایمان خسروی

دانشجوی دکتری دانشکده مهندسی نقشه برداری و اطلاعات مکانی، گروه سنجش از دور، پردیس دانشکده های فنی، دانشگاه تهران، تهران، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :
  • آخوندزاده، م.؛ (1384). تهیه نقشه های حرارتی سطح زمین با ...
  • توسعه مدل تلفیقی غیرخطی پیش بینی خشکسالی مبتنی بر شبکه عصبی مصنوعی و تبدیلات موجک: مطالعه موردی: زیرحوضه سد زاینده رود [مقاله کنفرانسی]
  • جلیلی، ش.؛ مرید، س.؛ ضیائیان فیروزآبادی، پ.؛ (1387). مقایسه عملکرد ...
  • جویباری، ی.؛ (1393). تهیه نقشه ضریب گسیل و دما با ...
  • سلیمانی، ع.؛ (1389). تحلیل خطرپذیری خشکسالی. پایان نامه کارشناسی ارشد، ...
  • کارآموز، م.؛ رسولی، ک.؛ نظیف، س.؛ (1385). تدوین ترکیبی خشکسالی ... [مقاله کنفرانسی]
  • محمودی کهن، ف.؛ (1389). مطالعه قابلیت شاخص های گیاهی ماهواره ...
  • Barua, S.; Perera, B.J.C.; Ng, A.W.M. and Tran, D.; (2010). ...
  • Bhuiyan, C.; Singh, R.P. and Kogan, F.N.; (2006). Monitoring Drought ...
  • Box, G.E.P. and Jenkins, G.M.; (1976). Time Series Analysis: Forecasting ...
  • Dastorani, M.T. Afkhami, H. and Borroni, B.; (2011). Application of ...
  • Durdu, O.F.; (2010). Application of Linear Stochastic Models for Drought ...
  • Fernandez, C.; Vega, J.A.; Fonturbel, T. and Jimenez, E.; (2008). ...
  • Fernando, D.A.K. and Jayawardena, A.W.; (1994). Generation and forecasting of ...
  • Han, P.; Wang, P.X.; Zhang, S.Y. and Zhu, D.H.; (2010). ...
  • Han, P.; Wang, P.; Tian, M.; Zhang, S. and Liu, ...
  • Hopfner, C. and Scherer, D.; (2011). Analysis of Vegetation and ...
  • Hu, W.B.; Tong, S.L.; Mengersen, K. and Connell, D.; (2007). ...
  • Jalili, M.; Gharibshah, J.; Ghavami, S.M.; Beheshtifar, M.R. and Farshi, ...
  • Jain, S.K.; Keshri, R.; Goswami, A. and Sarkar, A.; (2010). ...
  • Keskin, M.E.; Terzi, O.; Taylan, E.D. and Kucukyaman, D.; (2011). ...
  • Kinyanjui, M.J.; (2011). NDVI-Based Vegetation Monitoring in Mau Forest Complex, ...
  • Kriegler F.J.; Malila W.A.; Nalepka R.F. and Richardson W.; (1969). ...
  • Kogan, F.N.; (1997). Global Drought Watch From Space , Bull. ...
  • Lambin, E.F. and Ehrlich, D.; (1996). The surface temperature-vegetation index ...
  • Li, B. and Tao, S.; (2002). Relations between AVHRR NDVI ...
  • Lotsch, A.; Friedl, M.A. and Anderson, B.T.; (2003). Coupled Vegetation-Precipitation ...
  • McKee, T. B.; Doesken, N.J. and Kleist, J.; (1995). Drought ...
  • McKee, T. B., Doesken, N.J. and Kleist, J.; (1993). The ...
  • Mishra, A.K.; Desai, V.R.; (2006). Drought Forecasting Using Feed-Forward Recursive ...
  • Modarres, R.; (2006). Streamflow drought time series forecasting , Stochastic ...
  • Orhan, O.; Ekercin, S. and Dadaser-Celik, F.; (2014). Use of ...
  • Rouse, J. W.; Haas, R.H.; Schell, J. A. and Deering, ...
  • Rulinda, C.M.; (2007). Mining Drought from Remote Sensing Images , ...
  • Rulinda, C.M.; Dilo, A.; Bijker, W. and Steina, A.; (2012). ...
  • Sharma, A.; (2006). Spatial Data Mining for Drought Monitoring: An ...
  • Tucker, C.J. and Choudhury, B.J.; (1987). Satellite Remote Sensing of ...
  • Weerts, A.H.; Schellekens, J. and Weiland, F.S.; (2010). Real-Time Geospatial ...
  • Yurekli, K.; Kurunc, K. and Ozturk, F.; (2005). Application of ...
  • Zhang, G.P.; (2003). Time series forecasting using a hybrid ARIMA ...
  • نمایش کامل مراجع