بررسي ارتباط ميان خشك‌سالي كشاورزي و هواشناسي در شمال غرب ايران با استفاده از شبكه عصبي پرسپترون چند لايه (MLP)

خشك‌سالي پديده‌اي طبيعي، تكراري و موقتي است كه به‌سبب بارش اندك رخ مي‌دهد و تقريباً تمامي مناطق اقليمي جهان را تحت تأثير قرار مي‌دهد. تعيين وقوع و روند خشك‌سالي مي‌تواند در مديريت برنامه‌ريزي سيستم‌هاي منابع آب نقش به‌سزايي داشته باشد. در دهه‌هاي اخير، شبكه‌هاي عصبي در مدل‌سازي و پيش‌بيني سري‌هاي زماني غير‌خطي كارائي مناسبي را نشان دادند. بر همين اساس هدف تحقيق حاضر، تعيين ارتباط ميان خشك‌سالي هواشناسي و كشاورزي در شمال غرب ايران و پيش‌بيني روند تغييرات پوشش گياهي است. ابتدا از داده‌هاي بارندگي ماهانه 88 ايستگاه هواشناسي وزارت نيرو به‌مدت 15 سال، 1395-1380، براي تجزيه و تحليل خشك‌سالي‌هاي هواشناسي در مقياس‌هاي زماني 1، 3، 6 و 12 ماهه استفاده شد. سپس با استفاده از سنجش از دور و تصاوير ماهواره لندست 8، شاخص اختلاف نرمال شده پوشش گياهي (NDVI) در سال‌هاي آبي 1390 تا 1395 مورد بررسي و محاسبه قرار گرفت. به‌منظور پيش‌بيني وضعيت پوشش گياهي از شاخص NDVI و شاخص خشك‌سالي هواشناسي SPI (شاخص بارش استاندارد شده) و الگوريتم شبكه عصبي پرسپترون (MLP) استفاده شد. طبق بررسي‌هاي انجام شده مشخص شد كه SPI در مقياس زماني ماهانه در محاسبه‌شدت ترسالي و خشك‌سالي‌ كارآمد است. هم‌چنين حداكثر ميزان تراكم پوشش گياهي مربوط به فروردين و اوايل ارديبهشت و در فصل بهار بوده و دوره بازگشت اين خشك‌سالي‌ها 5-6 ‌ساله تعيين شد. در نهايت، ارتباط ميان داده‌هاي NDVI پيش‌بيني شده و داده‌هاي ورودي (NDVI يك ماه قبل و SPI ماهانه) در گام‌هاي زماني متفاوت، يك تابع غيرخطي با ضريب همبستگي 0/81 خطاي 0/0265 براي داده‌هاي بارش ماهانه است. بدين‌معني‌كه 81 درصد داده‌ها قابل توجيه بودند. در نهايت مشخص شد كه ميان NDVI و SPI همبستگي بالايي وجود دارد و مي‌توان نتيجه گرفت كه SPI براي پيش‌بيني خشك‌سالي كشاورزي شاخص مناسبي است.