TY - JOUR ID - 1988 TI - بررسی ارتباط میان خشک‌سالی کشاورزی و هواشناسی در شمال غرب ایران با استفاده از شبکه عصبی پرسپترون چند لایه (MLP) JO - مدل سازی و مدیریت آب و خاک JA - MMWS LA - fa SN - AU - واحدی, نیلوفر AU - مشایخی, علیرضا AU - قرمز چشمه, باقر AD - دانش‌آموخته کارشناسی ارشد/ مدیریت منابع آب، دانشکده مهندسی عمران، دانشگاه آزاد اسلامی علوم و تحقیقات، تهران، ایران AD - دانش‌آموخته کارشناسی ارشد/ مهندسی سیستم، دانشکده مهندسی برق، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران AD - استادیار/ پژوهشکده حفاظت آب وخاک و آبخیزداری، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران Y1 - 2023 PY - 2023 VL - 3 IS - 3 SP - 163 EP - 179 KW - پهنه بندی خشک‌سالی KW - شبکه عصبی پرسپترون KW - شمال غرب KW - SPI KW - NDVI DO - 10.22098/mmws.2023.11847.1175 N2 - خشک‌سالی پدیده‌ای طبیعی، تکراری و موقتی است که به‌سبب بارش اندک رخ می‌دهد و تقریباً تمامی مناطق اقلیمی جهان را تحت تأثیر قرار می‌دهد. تعیین وقوع و روند خشک‌سالی می‌تواند در مدیریت برنامه‌ریزی سیستم‌های منابع آب نقش به‌سزایی داشته باشد. در دهه‌های اخیر، شبکه‌های عصبی در مدل‌سازی و پیش‌بینی سری‌های زمانی غیر‌خطی کارائی مناسبی را نشان دادند. بر همین اساس هدف تحقیق حاضر، تعیین ارتباط میان خشک‌سالی هواشناسی و کشاورزی در شمال غرب ایران و پیش‌بینی روند تغییرات پوشش گیاهی است. ابتدا از داده‌های بارندگی ماهانه 88 ایستگاه هواشناسی وزارت نیرو به‌مدت 15 سال، 1395-1380، برای تجزیه و تحلیل خشک‌سالی‌های هواشناسی در مقیاس‌های زمانی 1، 3، 6 و 12 ماهه استفاده شد. سپس با استفاده از سنجش از دور و تصاویر ماهواره لندست 8، شاخص اختلاف نرمال شده پوشش گیاهی (NDVI) در سال‌های آبی 1390 تا 1395 مورد بررسی و محاسبه قرار گرفت. به‌منظور پیش‌بینی وضعیت پوشش گیاهی از شاخص NDVI و شاخص خشک‌سالی هواشناسی SPI (شاخص بارش استاندارد شده) و الگوریتم شبکه عصبی پرسپترون (MLP) استفاده شد. طبق بررسی‌های انجام شده مشخص شد که SPI در مقیاس زمانی ماهانه در محاسبة شدت ترسالی و خشک‌سالی‌ کارآمد است. هم‌چنین حداکثر میزان تراکم پوشش گیاهی مربوط به فروردین و اوایل اردیبهشت و در فصل بهار بوده و دوره بازگشت این خشک‌سالی‌ها 5-6 ‌ساله تعیین شد. در نهایت، ارتباط میان داده‌های NDVI پیش‌بینی شده و داده‌های ورودی (NDVI یک ماه قبل و SPI ماهانه) در گام‌های زمانی متفاوت، یک تابع غیرخطی با ضریب همبستگی 0/81 خطای 0/0265 برای داده‌های بارش ماهانه است. بدین‌معنی‌که 81 درصد داده‌ها قابل توجیه بودند. در نهایت مشخص شد که میان NDVI و SPI همبستگی بالایی وجود دارد و می‌توان نتیجه گرفت که SPI برای پیش‌بینی خشک‌سالی کشاورزی شاخص مناسبی است. UR - https://mmws.uma.ac.ir/article_1988.html L1 - https://mmws.uma.ac.ir/article_1988_41284d17de28b546ac1ff0bab4f18e4d.pdf ER -