ارزيابي روش‌ هاي پيش ‌بيني شاخص تركيبي خشكسالي كشاورزي (CDI) براساس تصاوير ماهواره‌اي با روش هاي يادگيري عميق و يادگيري ماشين

با توجه به بحران خشكيدگي درياچه اروميه، مطالعه وضعيت پوشش‌ گياهي و خشكسالي كشاورزي محدوده حوضه آبريز درياچه اروميه كه يكي از شش حوضه اصلي ايران محسوب مي‌شود، از اهميت قابل توجهي برخوردار است. در اين مطالعه ابتدا يك شاخص تركيبي خشكسالي CDI (Combined Drought Index) مبتني بر شاخص‌هاي وضعيت پوشش گياهي (VCI)، وضعيت دمايي گياهي (TCI) و شاخص تنش آبي محصول (CWSI) با‌ استفاده از داده‌هاي سنجنده MODIS قرار‌گرفته در ماهواره TERRA معرفي و محاسبه گرديد. سپس با روش‌هاي درخت تصميم-طبقه‌بندي و درخت رگرسيون (DT-CART)، ماشين‌بردار پشتيان (SVM) و حافظه كوتاه مدت، بلند مدت (LSTM) و حافظه كوتاه مدت دو جهته (BiLSTM)، شاخص تركيبي خشكسالي (CDI) معرفي و تخمين زده شد. در فرآيند مدل‌سازي شاخص تركيبي خشكسالي، محصولات شاخص‌هاي پوشش گياهي، تبخير-‌‌تعرق، تبخير-تعرق پتانسيل، دماي سطح زمين در روز و دماي سطح زمين در شب برگرفته از سنجنده MODIS به‌عنوان ورودي مدل‌ها استفاده شد. درنهايت بررسي عملكرد مدل‌ها براساس تركيب‌هاي متفاوتي از ورودي مدل‌ها بااستفاده از معيارهاي ارزيابي شامل ضريب همبستگي، جذر ميانگين مربعات خطا و ضريب ناش ساتكليف و همچنين به كمك نمودارهاي كلوروگرام، تيلور و ويلوني بصورت بصري انجام‌شد. نتايج نشان‌داد كه متغير‌هاي دماي سطح زمين در روز، دماي سطح زمين در شب و تبخير-تعرق موثرترين متغيرها براي مدل‌سازي شاخص تركيبي خشكسالي (CDI) و مطالعه خشكسالي كشاورزي مي‌باشند. همچنين مدل CART با ضريب همبستگي 0.96، ميانگين جذر مربعات خطا برابر با 0.029 و ضريب ناش ساتكليف 0.92 به‌عنوان بهترين مدل انتخاب گرديد. نتايج بدست آمده نشان‌داد كه روش‌هاي يادگيري ماشين و يادگيري عميق ابزاري توانمند در مدل‌سازي و پيش‌بيني شاخص تركيبي خشكسالي (CDI) بوده و در بررسي و ارزيابي خشكسالي كشاورزي به‌خصوص در حوضه‌هاي فاقد آمار با اطمينان كافي مي‌تواند مورد استفاده قرار گيرد.