بررسی ارتباط میان خشک‌سالی کشاورزی و هواشناسی در شمال غرب ایران با استفاده از شبکه عصبی پرسپترون چند لایه (MLP)

نوع مقاله : پژوهشی

نویسندگان

1 دانش‌آموخته کارشناسی ارشد/ مدیریت منابع آب، دانشکده مهندسی عمران، دانشگاه آزاد اسلامی علوم و تحقیقات، تهران، ایران

2 دانش‌آموخته کارشناسی ارشد/ مهندسی سیستم، دانشکده مهندسی برق، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران

3 استادیار/ پژوهشکده حفاظت آب وخاک و آبخیزداری، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران

چکیده

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.

کلیدواژه‌ها

موضوعات


باعقیده، محمد، علیجانی، بهلول، و رضیاییان، پرویز (1390). بررسی امکان استفاده از شاخص پوشش گیاهی NDVI در تحلیل خشکسالی‌های استان اصفهان. مطالعات جغرافیایی مناطق خشک، 1(4)، 1-16.‎
جان‌بزرگی، محمد، حنیفیه‌پور، مهین، و خسروی، حسن (1400). تغییرات زمانی خشک‌سالی هواشناسی-هیدرولوژیکی (مطالعه موردی: استان گیلان). مدیریت و مدل‌سازی آب و خاک، 1(2)، 1-13. doi:10.22098/mmws.2021.1215
جهانگیر، محمدحسین، حسین‌دوست، محمدصادق، و ارست، مینا (1400). ارزیابی وضعیت خشک‌سالی استان گیلان با استفاده از شاخص کچ–بایرام (KBDI) در انطباق با شاخص درصد نرمال بارندگی (PNPI). مدل‌سازی و مدیریت آب و خاک، 1(4)، 57-67.‎ doi:10.22098/mmws.2021.9407.1038
جهانگیر، محمدحسین، اصغری کلشانی، فاطمه، و ستاریان اصیل، کتایون (1401). مطالعۀ تطبیقی شاخص‌های خشک‌سالی هواشناسی (SPI) و هیدرولوژیک (SSI) بر اساس بهترین تابع توزیع تجمعی برای حوضۀ آبریز ارومیه. مدل‌سازی و مدیریت آب و خاک، 2(4)، 53-63.‎ doi:10.22098/mmws.2022.10810.1089
زارع ابیانه، حمید، محبوبی، علی‌اکبر، و نیشابوری، محمدرضا (1383). بررسی وضعیت خشکسالی و روند آن در منطقه همدانی بر‌ اساس شاخص‌های آماری خشکسالی. پژوهش و سازندگی، 3(2)، 2-7.‎
عبادی نهاری، زهرا، عرفانیان، مهدی، و کاظم پورچورسی، سیما (1398). ارائه یک روش نوین برای ارزیابی و پایش جامع خشک‌سالی حوضه آبریز دریاچه ارومیه با استفاده از شاخص تلفیقی خشک‌سالی. تحقیقات کاربردی علوم جغرافیایی، 17(4)، 243-257.
قاسمی، پوریا.، کرباسی، مسعود، زمانی نوری، علیرضا، و سرائی تبریزی، مهدی (1390). SPEI 12 کاربرد مدل ترکیبی شبکة عصبی مصنوعی و الگوریتم‌های بهینه‌سازی فراابتکاری در پیش‌بینی. مدیریت آب و آبیاری، 11(2)، 173-188. doi:10.22059/jwim.2021.318390.859
قرمزچشمه، باقر، زند، م.، کوثری، م.ر.، کارگر، ه.، شکری، ا.، علیوردلو، م.، و نوروزی، خ. (1401). بررسی و ارزیابی خشک‌سالی مرتعی در استان لرستان. پژوهشکده حفاظت خاک و آبخیزداری، گزارش پروژه تحقیقاتی، 91 صفحه.
کریمی، مهشید، و شاهدی، کاکا (1398). بررسی خشک‌سالی هواشناسی هیدرولوژیکی و کشـاورزی بـا اسـتفاده از شـاخص‌هـای خشک‌سالی. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 9(2)، 144-158.
محمدرضایی، مریم، سلطانی، سعید، و مدرس، رضا (1401). تأثیر شاخص‌های دمایی انسو بر خشک‌سالی هواشناسی در نیمۀ غربی ایران. مدل‌سازی و مدیریت آب و خاک، 2(2)، 13-27.‎ doi:10.22098/mmws.2022.9632.1053
میرمحمدحسینی، طاهره سادات، قرمزچشمه، باقر، حسینی، سید عباس، و شرافتی، احمد (1400). ارزیابی ارتباط بین خشک‌سالی هواشناسی و پوشش گیاهی زمین‌های دیم در استان لرستان. پژوهش‌های آبخیزداری، 34(2)، 77-90. doi:10.22092/wmej.2020.342647.1332
‎ناطقی، سعید، نوحه­گر، احمد، احسانی، امیرهوشنگ، و بذرافشان، ام‌البنین (1395). بررسی تغییرات پوشش‌گیاهی بر‌اساس شاخص‌های گیاهی با استفاده از سنجش از دور. تحقیقات مرتع و بیابان ایران، 24(4)، 778-790.‎ doi:10.22092/ijrdr.2017.114889
یونسی، محبوبه، شهرکی، نادیا، معروفی، صفر، و نوذری، حامد (1395). پیش‌بینی خشکسالی با استفاده از مدل تلفیقی شبکه عصبی مصنوعی- موجک و مدل سری زمانی ARIMA. علوم و مهندسی آبیاری، 41(2)، 167-181. doi:10.22055/jise.2018.13669
 
References
 
Alahacoon, N., & Edirisinghe, M. (2022). A comprehensive assessment of remote sensing and traditional based drought monitoring indices at global and regional scale. Geomatics, Natural Hazards and Risk, 13(1), 762–799. doi:10.1080/19475705.2022.2044394
Baaghideh, M., Alijani, B., & Raziaian, P. (2011). Evaluating the possibility of using the NDVI index to analyze and monitor droughts in Esfahan Province. Journal of Arid Regions Geographic Studies, 1(4), 1-16. [In Persian]
Ebadi Nehari, Z., Erfanian, M., & Porchorsi Sima, K. (2018). Presenting a new method for the comprehensive evaluation and monitoring of drought in the Urmia Lake catchment area using the integrated drought index. Journal of Geographical Sciences, 23(68), 243-257. [In Persian]
D’Odorico, P., Gonsamo, A., Damm, A., & Schaepman, M.E. (2013). Experimental evaluation of sentinel-2 spectral response functions for NDVI time-series continuity. IEEE Transactions on Geoscience and Remote Sensing, 51(3), 1336–1348. doi: 10.1109/TGRS.2012.2235447
Dutta, D., Kundu, A., & Patel, N.R. (2013). Predicting agricultural drought in eastern Rajasthan of India using NDVI and standardized precipitation index. Geocarto International, 28(3), 192–209. doi:10.1080/10106049.2012.679975
Gandhi, G.M., Parthiban, S., Thummalu, N., & Christy, A. (2015). NDVI: Vegetation change detection using remote sensing and GIS - A Case Study of Vellore District. Procedia Computer Science, 57, 1199–1210. doi:10.1016/j.procs.2015.07.415
Ghasemi, P., Karbasi, M., Nouri, A.Z., & Tabrizi, M.S. (2021). SPEI 12 Application of combined artificial neural network model and meta- heuristic optimization algorithms in predicting. Water and Irrigation Management, 11(2), 173-188. doi:10.22059/jwim.2021.318390.859 [In Persian]
Ghermezecheshme, B., Zand, M., Kothari, M.R., Kargar, H., Shokri, A., Aliwardlo, M., & Nowrozi, Kh. (2021). Investigation and evaluation of pasture drought in Lorestan province. Soil Conservation and Watershed Research Institute. Research Project Report, 91 pages. [In Persian]
Jahangir, M., Asghari Kalshani, F., & Satarian Asil, K. (2022). Comparative study of meteorological (SPI) and hydrological (SSI) drought indices based on the best cumulative distribution function for Urmia catchment. Soil and Water Modeling and Management, 2(4), 53-63. doi:10.22098/mmws.2022.10810.1089 [In Persian]‎
Jahangir, M., Hosseindoost, M., & Arast, M. (2021). Assessment of drought condition in Guilan Province using the Keetch–Byram Drought Index (KBDI) in accordance with the Percent of Normal Precipitation Index (PNPI). Water and Soil Management and Modeling, 1(4), 57-67. doi:10.22098/mmws.2021.9407.1038 [In Persian]
Janbozorgi, M., Hanifepour, M., & Khosravi, H. (2021). Temporal changes in meteorological-hydrological drought (Case study: Guilan Province). Water and Soil Management and Modelling, 1(2), 1-13. doi:10.22098/mmws.2021.1215  [In Persian]
Hao, Z., Singh, V.P., & Xia, Y. (2018). Seasonal Drought Prediction: Advances, Challenges, and Future Prospects. Reviews of Geophysics, 56(1), 108–141. doi:10.1002/2016RG000549
He, Y., Wetterhall, F., Cloke, H.L., Pappenberger, F., Wilson, M., & Freer, J. (2009). Tracking the uncertainty in flood alerts driven by grand. Meteorological Applications, 101, 91–101. doi:10.1002/met.132
Jalili, M., Gharibshah, J., Ghavami, S.M., Beheshtifar, M., & Farshi, R. (2014). Nationwide prediction of drought conditions in Iran based on remote sensing data. IEEE Transactions on Computers, 63(1), 90–101. doi:10.1109/TC.2013.118
Jang, O.J., Moon, H.T., & Moon, Y.I. (2022). Pronóstico de sequías para tomadores de decisiones utilizando análisis de balance hídrico y redes neuronales profundas. Water, 14(12), 1922.
Karimi, M., & Shahedi, K. (2018). Investigation of meteorological, hydrological and agricultural drought using drought indices (Case study: Gharehsou watershed). Remote Sensing and Geographical Information System in Natural Resources, 9(2), 144-158. [In Persian]
Ke, Y., Im, J., Lee, J., Gong, H., & Ryu, Y. (2015). Characteristics of Landsat 8 OLI-derived NDVI by comparison with multiple satellite sensors and in-situ observations. Remote Sensing of Environment, 164, 298–313. doi:10.1016/j.rse.2015.04.004
Li, S., Yao, Z., Liu, Z., Wang, R., Liu, M., & Adam, J.C. (2019). The spatio-temporal characteristics of drought across Tibet, China: derived from meteorological and agricultural drought indics. Theoretical and Applied Climatology, 137(3-4), 2409–2424. doi:10.1007/s00704-018-2733-9
Lillesand, T.M., & Kiefer, R.W. (1994). Remote sensing and image interpretation. 3rd edition. In Remote sensing and image interpretation.
Loukas, A., Vasiliades, L., & Tzabiras, J. (2008). Climate change effects on drought severity. Advances in Geosciences, 17, 23–29. doi:10.5194/adgeo-17-23-2008
Magallane, R., Tejada, C.E., Galván, J.I., Méndez, S. de J., García-Domínguez, A., & Gamboa-Rosales, H. (2022). Narx neural networks models for prediction of standardized precipitation index in Central Mexico. Atmosphere, 13(8), 1254. doi:10.3390/atmos13081254
McKee, T.B., Doesken, N.J., & Kleist, J. (1993) The relationship of drought frequency and duration to time scales. 8th Conference on Applied Climatology, Anaheim, Pp.179-184.
Mitter, H., Schmid, E., & Schneider, U.A. (2014). Modelling impacts of drought and adaptation scenarios on crop production in Austria. Journal of the Austrian Society of Agricultural Economics, 24, 223-232.
Mohammadrezaei, M., Soltani, S., & Modares, R. (2022). The effect of Enso temperature indices on meteorological drought in the western half of Iran. Soil and Water Modeling and Management, 2(2), 13-27 . doi:10.22098/mmws.2022.9632.1053 [In Persian]  
Modarres, R., & Sarhadi, A. (2009). Rainfall trends analysis of Iran in the last half of the twentieth century. Journal of Geophysical Research Atmospheres, 114(3), 1–9. doi:10.1029/2008JD010707
Mokhtari, R., & Akhoondzadeh, M. (2019). Neural network method for drought modeling using satellite data. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences-ISPRS Archives, 42(4/W18), 749-753. doi:10.5194/isprs-archives-XLII-4-W18-749-2019
Mirmohammadhosseini, T., Hosseini, S.A., Ghermezcheshmeh, B., & Sharafati, A. (2021a). Impact of meteorological drought on vegetation in non-irrigated lands. Quarterly Journal of the Hungarian Meteorological Service, 125(3), 463-476. doi:10.28974/idojaras.2021.3.6
Mirmohammad Hosseini, T., Karmazecheshme, B., Hosseini, A., & Shrafati, A. (2021b). An assessment of the relationships between meteorological drought index and vegetation condition in dry farming in the Province of Lorestan. Watershed Management Research, 34(2), 77-90. [In Persian] doi:10.22092/wmej.2020.342647.1332
Nateghi, S., Nohegar, A., Ehsani, A.H., & Bazrafshan, O. (2017). Evaluating the vegetation changes upon vegetation index by using remote sensing. Iranian Journal of Rangeland and Research24(4), 778-790. doi:10.22092/ijrdr.2017.114889 [In Persian]
Sharafati, A., Nabaei, S., & Shahid, S. (2020). Spatial assessment of meteorological drought features over different climate regions in Iran. International Journal of Climatology, 40(3), 1864–1884. doi:10.1002/joc.6307
Tian, Y., Xu, Y.P., & Wang, G. (2018). Agricultural drought prediction using climate indices based on support vector regression in Xiangjiang River basin. Science of the Total Environment, 622–623, 710–720. doi:10.1016/j.scitotenv.2017.12.025
Vicente-Serrano, S.M., Beguería, S., & López-Moreno, J. I. (2010). A multiscalar drought index sensitive to global warming: The standardized precipitation evapotranspiration index. Journal of Climate, 23(7), 1696-1718. doi:10.1175/2009JCLI2909.1
Younesi, M., Shahraki, N., Marofi, S., & Nozari, H. (2018).‌ Artificial wavelet neural network integrated model (WA-ANN) and time series model (ARIMA). Irrigation Science and Engineering, 41(2), 167-181. doi: 10.22055/jise.2018.13669 [In Persian]
Zare Abianeh, H., Mehboubi, A., & Nishaburi, M. (2004). Investigating the drought situation and its trend in Hamedani region based on drought statistical indicators. Pajouhesh Va Sazandgi, 3(2), 2-7. [In Persian]
Zambrano, F., Vrieling, A., Nelson, A., Meroni, M., & Tadesse, T. (2018). Prediction of drought-induced reduction of agricultural productivity in Chile from MODIS, rainfall estimates, and climate oscillation indices. Remote Sensing of Environment, 219(25), 15-30.  doi:10.1016/j.rse.2018.10.006