تركيب شبكه‌ عصبي و تبديل موجك به منظور پيش‌بيني خشك‌سالي كشور ايران با استفاده از داده‌هاي ماهواره‌اي ماديس و TRMM

خشك­سالي را مي­توان به عنوان يكي از بحران­هاي طبيعي در هر منطقه­اي نام برد. در اين پژوهش يكي از عوامل مهم در خشك­سالي يعني پوشش گياهي مد نظر قرار گرفته شده­است. بدين منظور از تصاوير محصول ماهانه پوشش گياهي و پوشش برف سنجنده ماديس و محصول بارش ماهواره TRMM از سال 2009 تا سال 2018 براي منطقه مورد مطالعاتي كشور ايران استفاده شده­است. بعد از پيش‌پردازش­هاي اوليه با استفاده از روش شبكه عصبي مصنوعي و نيز روش تركيبي شبكه عصبي و تبديل موجك، به پيش­بيني شاخص نرمالايز شده تفاوت پوشش گياهي پرداخته­ شده­است. بعد از آموزش دو الگوريتم با استفاده از سري زماني اين شاخص و نيز سري زماني ميزان پوشش برف و بارش از سال 2009 تا سال 2017، شاخص نرمالايز ­شده­ تفاوت پوشش گياهي براي دوازده ماه از سال 2018 پيش‌بيني شده است­ كه در نهايت با مقادير واقعي آن مورد ارزيابي قرار گرفته ­است. نتايج و دقت پيش­بيني براي اين دو الگوريتم متفاوت بوده و در كل روش تركيبي شبكه عصبي و تبديل موجك داراي دقت بالاتري نسبت به روش شبكه عصبي بوده ­است؛ به طوري كه ميانگين دوازده ماه سال 2018 برابر با خطاي جذر ميانگين مربعات 055/0 و ضريب تشخيص 804/0 بوده­است. همچنين نتايج نشان داده­است كه در هر دو روش دقت شاخص مذكور در ماه­هاي ابتدايي سال 2018 نسبت به ماه­هاي انتهايي بهتر است؛ از اين رو مي­توان از اين روش براي پيش­بيني اين شاخص كه يكي از پارامترهاي خشك­سالي محسوب مي­شود؛ استفاده نمود.

The drought can be described as a natural disaster in each region. In this study, one of the important factors in drought, vegetation, has been considered. For this purpose, monthly vegetation cover images and snow cover data of MODIS and TRMM satellite precipitation product from 2009 to 2018 were used for the study area of Iran. After initial preprocessing, we have used artificial neural network method and hybrid neural network and wavelet transform method to predict the normalized difference vegetation index (NDVI). After training the two algorithms using the time series of (NDVI) index as well as the time series of snow cover and precipitation from 2009 to 2017, the (NDVI) index is predicted for twelve months from 2018, which is finally estimated with real values. The results and prediction accuracy for these two algorithms are different and in general the combined neural network and wavelet transform method has higher accuracy compare to the neural network method so that the twelve average of 2018 is equal to the root mean square error of 0.055 and coefficient of determination was 0.804. The results also show that in both methods the accuracy of the index in the early months of 2018 is better than the end months. Therefore, this method can be used to predict this index, as one of the drought parameters.