نمایش مختصر رکورد

ارزیابی روش‌های پیش‌بینی شاخص ترکیبی خشکسالی کشاورزی (CDI) براساس تصاویر ماهواره‌ای با روشهای یادگیری عمیق و یادگیری ماشین

dc.contributor.authorشاملو, نازیلاfa_IR
dc.contributor.authorستاری, محمدتقیfa_IR
dc.contributor.authorولیزاده کامران, خلیلfa_IR
dc.contributor.authorآپ آیدین, حالیتfa_IR
dc.date.accessioned1403-12-20T18:34:47Zfa_IR
dc.date.accessioned2025-03-10T18:34:47Z
dc.date.available1403-12-20T18:34:47Zfa_IR
dc.date.available2025-03-10T18:34:47Z
dc.date.issued2023-11-22en_US
dc.date.issued1402-09-01fa_IR
dc.date.submitted2023-06-07en_US
dc.date.submitted1402-03-17fa_IR
dc.identifier.citationشاملو, نازیلا, ستاری, محمدتقی, ولیزاده کامران, خلیل, آپ آیدین, حالیت. (1402). ارزیابی روش‌های پیش‌بینی شاخص ترکیبی خشکسالی کشاورزی (CDI) براساس تصاویر ماهواره‌ای با روشهای یادگیری عمیق و یادگیری ماشین. آب و خاک, 37(5), 787-807. doi: 10.22067/jsw.2023.82798.1293fa_IR
dc.identifier.urihttps://dx.doi.org/10.22067/jsw.2023.82798.1293
dc.identifier.urihttps://jsw.um.ac.ir/article_44321.html
dc.identifier.urihttps://iranjournals.nlai.ir/handle/123456789/1109795
dc.description.abstractباتوجه به بحران خشکیدگی دریاچه ارومیه، مطالعه وضعیت پوشش‌گیاهی و خشکسالی کشاورزی محدوده حوضه آبریز دریاچه ارومیه که یکی از شش حوضه اصلی ایران محسوب می‌شود، از اهمیت قابل توجهی برخوردار است. در این مطالعه ابتدا یک شاخص ترکیبی خشکسالی CDI (Combined Drought Index) مبتنی بر شاخص‌های وضعیت پوشش گیاهی (VCI)، وضعیت دمایی گیاهی (TCI) و شاخص تنش آبی محصول (CWSI) با‌استفاده از داده‌های سنجنده MODIS قرار‌گرفته در ماهواره TERRA معرفی و محاسبه گردید. سپس با روش‌های درخت تصمیم-طبقه‌بندی و درخت رگرسیون (DT-CART)، ماشین‌بردار پشتیان (SVM) و حافظه کوتاه مدت، بلند مدت (LSTM) و حافظه کوتاه مدت دو جهته (BiLSTM)، شاخص ترکیبی خشکسالی (CDI) معرفی و تخمین زده شد. در فرآیند مدل‌سازی شاخص ترکیبی خشکسالی، محصولات شاخص‌های پوشش گیاهی، تبخیر-‌‌تعرق، تبخیر-تعرق پتانسیل، دمای سطح زمین در روز و دمای سطح زمین در شب برگرفته از سنجنده MODIS به‌عنوان ورودی مدل‌ها استفاده شد. درنهایت بررسی عملکرد مدل‌ها براساس ترکیب‌های متفاوتی از ورودی مدل‌ها بااستفاده از معیارهای ارزیابی شامل ضریب همبستگی، جذر میانگین مربعات خطا و ضریب ناش ساتکلیف و همچنین به کمک نمودارهای کلوروگرام، تیلور و ویلونی بصورت بصری انجام‌شد. نتایج نشان‌داد که متغیر‌های دمای سطح زمین در روز، دمای سطح زمین در شب و تبخیر-تعرق موثرترین متغیرها برای مدل‌سازی شاخص ترکیبی خشکسالی (CDI) و مطالعه خشکسالی کشاورزی می‌باشند. همچنین مدل CART با ضریب همبستگی 96/0، میانگین جذر مربعات خطا برابر با 029/0 و ضریب ناش ساتکلیف 92/0 به‌عنوان بهترین مدل انتخاب گردید. نتایج بدست آمده نشان‌داد که روش‌های یادگیری ماشین و یادگیری عمیق ابزاری توانمند در مدل‌سازی و پیش‌بینی شاخص ترکیبی خشکسالی (CDI) بوده و در بررسی و ارزیابی خشکسالی کشاورزی به‌خصوص در حوضه‌های فاقد آمار با اطمینان کافی می‌تواند مورد استفاده قرار گیرد.fa_IR
dc.languageفارسی
dc.language.isofa_IR
dc.relation.ispartofآب و خاکfa_IR
dc.relation.isversionofhttps://dx.doi.org/10.22067/jsw.2023.82798.1293
dc.subjectحافظه کوتاه مدت بلند مدتfa_IR
dc.subjectدرخت تصمیمfa_IR
dc.subjectسنجش از دورfa_IR
dc.subjectشاخص خشکسالیfa_IR
dc.subjectماشین بردار پشتیبانfa_IR
dc.subjectهواشناسی کشاورزیfa_IR
dc.titleارزیابی روش‌های پیش‌بینی شاخص ترکیبی خشکسالی کشاورزی (CDI) براساس تصاویر ماهواره‌ای با روشهای یادگیری عمیق و یادگیری ماشینfa_IR
dc.typeTexten_US
dc.typeمقالات پژوهشیfa_IR
dc.contributor.departmentگروه علوم و مهندسی آب، دانشگاه تبریز، تبریز، ایرانfa_IR
dc.contributor.departmentگروه علوم و مهندسی آب، دانشگاه تبریز، تبریز، ایرانfa_IR
dc.contributor.departmentگروه سنجش از دور و GIS، دانشکده برنامه‌ریزی و علوم محیطی، دانشگاه تبریز، تبریز، ایرانfa_IR
dc.contributor.departmentگروه مهندسی کشاورزی، دانشکده کشاورزی، دانشگاه آنکارا، آنکارا، ترکیهfa_IR
dc.citation.volume37
dc.citation.issue5
dc.citation.spage787
dc.citation.epage807
nlai.contributor.orcid0000-0002-3153-6807
nlai.contributor.orcid0000-0002-5139-2118
nlai.contributor.orcid0000-0002-9875-7321


فایل‌های این مورد

فایل‌هااندازهقالبمشاهده

فایلی با این مورد مرتبط نشده است.

این مورد در مجموعه‌های زیر وجود دارد:

نمایش مختصر رکورد