توسعه یک روش کارآمد مبتنی بر آموزش ماشین و داده های زمینی و ماهواره ای برای پیش بینی و پهنه بندی خشکسالی کشاورزی در ایران
خشکسالی یکی از خطرناکترین وقایع طبیعی برای هر کشور به حساب میآید. به همین علت نظارت و پیشبینی این پدیده در دنیای امروز از اهمیت بسیار بالایی برخوردار است. در این پژوهش، از شاخص خشکسالی SPEI که از معروفترین شاخصهای خشکسالی به شمار میرود، برای پیشبینی خشکسالی استفاده شده است. برای محاسبه این شا...
Saved in:
| Main Authors: | , |
|---|---|
| Format: | Article |
| Language: | fas |
| Published: |
Ferdowsi University of Mashhad
2025-03-01
|
| Series: | مهندسی عمران فردوسی |
| Subjects: | |
| Online Access: | https://civil-ferdowsi.um.ac.ir/article_45941_5262159c99a9467d06d81e90b09d33fa.pdf |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1850151437572505600 |
|---|---|
| author | ماهان عزیزی علی عباسی |
| author_facet | ماهان عزیزی علی عباسی |
| author_sort | ماهان عزیزی |
| collection | DOAJ |
| description | خشکسالی یکی از خطرناکترین وقایع طبیعی برای هر کشور به حساب میآید. به همین علت نظارت و پیشبینی این پدیده در دنیای امروز از اهمیت بسیار بالایی برخوردار است. در این پژوهش، از شاخص خشکسالی SPEI که از معروفترین شاخصهای خشکسالی به شمار میرود، برای پیشبینی خشکسالی استفاده شده است. برای محاسبه این شاخص، ترکیبی از دادههای زمینی و سنجش از دور مورداستفاده قرار گرفته است. با توجه به وزن مختلف هر کدام از این دادهها در محاسبه شاخص خشکسالی، ابتدا پارامترهای مؤثر توسط روشهای انتخاب پارامتر مؤثر مانند روش فیلتر و روش لاسو برگزیده شده و به عنوان پارامترهای ورودی مدل در نظر گرفته شدند. سپس با استفاده از 4 روش یادگیری ماشین شامل جنگل تصادفی تصحیح بایاس شده، جنگل تصادفی، ماشین بردار پشتیبان و پرسپترون چندلایه شاخص خشکسالی محاسبه شده است. برای اعتبارسنجی نتایج هر کدام از این مدلها، از شاخصهای RMSE، R2، MSE و MAE استفاده شده و سپس بر اساس مقادیر این شاخصها، مدل جنگل تصادفی تصحیح بایاس شده با مقادیر R^2=0.9858 و RMSE=0.1190 برای خوشه 1 و R^2=0.9809 و RMSE=0.1375 برای خوشه 2 به عنوان مدل دارای بهترین عملکرد انتخاب شده است. در نهایت از نتایج مدل بهینه برای تهیه نقشههای پهنهبندی خشکسالی به منظور شناسایی و طبقهبندی مناطق مستعد به شرایط خشکسالی استفاده گردید. این نقشهها میتوانند اطلاعات ارزشمندی را در رابطه با توزیع و شدت خشکسالی در مناطق مختلف در اختیار ذینفعان و متخصصان قرار دهند. |
| format | Article |
| id | doaj-art-8fdcc0812eaa4bba95f8b220cd2b83f3 |
| institution | OA Journals |
| issn | 2783-2805 2783-199X |
| language | fas |
| publishDate | 2025-03-01 |
| publisher | Ferdowsi University of Mashhad |
| record_format | Article |
| series | مهندسی عمران فردوسی |
| spelling | doaj-art-8fdcc0812eaa4bba95f8b220cd2b83f32025-08-20T02:26:15ZfasFerdowsi University of Mashhadمهندسی عمران فردوسی2783-28052783-199X2025-03-0138112810.22067/jfcei.2024.88855.131145941توسعه یک روش کارآمد مبتنی بر آموزش ماشین و داده های زمینی و ماهواره ای برای پیش بینی و پهنه بندی خشکسالی کشاورزی در ایرانماهان عزیزی0علی عباسی1گروه عمران، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران.گروه عمران، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران.خشکسالی یکی از خطرناکترین وقایع طبیعی برای هر کشور به حساب میآید. به همین علت نظارت و پیشبینی این پدیده در دنیای امروز از اهمیت بسیار بالایی برخوردار است. در این پژوهش، از شاخص خشکسالی SPEI که از معروفترین شاخصهای خشکسالی به شمار میرود، برای پیشبینی خشکسالی استفاده شده است. برای محاسبه این شاخص، ترکیبی از دادههای زمینی و سنجش از دور مورداستفاده قرار گرفته است. با توجه به وزن مختلف هر کدام از این دادهها در محاسبه شاخص خشکسالی، ابتدا پارامترهای مؤثر توسط روشهای انتخاب پارامتر مؤثر مانند روش فیلتر و روش لاسو برگزیده شده و به عنوان پارامترهای ورودی مدل در نظر گرفته شدند. سپس با استفاده از 4 روش یادگیری ماشین شامل جنگل تصادفی تصحیح بایاس شده، جنگل تصادفی، ماشین بردار پشتیبان و پرسپترون چندلایه شاخص خشکسالی محاسبه شده است. برای اعتبارسنجی نتایج هر کدام از این مدلها، از شاخصهای RMSE، R2، MSE و MAE استفاده شده و سپس بر اساس مقادیر این شاخصها، مدل جنگل تصادفی تصحیح بایاس شده با مقادیر R^2=0.9858 و RMSE=0.1190 برای خوشه 1 و R^2=0.9809 و RMSE=0.1375 برای خوشه 2 به عنوان مدل دارای بهترین عملکرد انتخاب شده است. در نهایت از نتایج مدل بهینه برای تهیه نقشههای پهنهبندی خشکسالی به منظور شناسایی و طبقهبندی مناطق مستعد به شرایط خشکسالی استفاده گردید. این نقشهها میتوانند اطلاعات ارزشمندی را در رابطه با توزیع و شدت خشکسالی در مناطق مختلف در اختیار ذینفعان و متخصصان قرار دهند.https://civil-ferdowsi.um.ac.ir/article_45941_5262159c99a9467d06d81e90b09d33fa.pdfخشکسالیسنجش از دوریادگیری ماشینشاخص خشکسالی speiنقشه پهنهبندی خشکسالی |
| spellingShingle | ماهان عزیزی علی عباسی توسعه یک روش کارآمد مبتنی بر آموزش ماشین و داده های زمینی و ماهواره ای برای پیش بینی و پهنه بندی خشکسالی کشاورزی در ایران مهندسی عمران فردوسی خشکسالی سنجش از دور یادگیری ماشین شاخص خشکسالی spei نقشه پهنهبندی خشکسالی |
| title | توسعه یک روش کارآمد مبتنی بر آموزش ماشین و داده های زمینی و ماهواره ای برای پیش بینی و پهنه بندی خشکسالی کشاورزی در ایران |
| title_full | توسعه یک روش کارآمد مبتنی بر آموزش ماشین و داده های زمینی و ماهواره ای برای پیش بینی و پهنه بندی خشکسالی کشاورزی در ایران |
| title_fullStr | توسعه یک روش کارآمد مبتنی بر آموزش ماشین و داده های زمینی و ماهواره ای برای پیش بینی و پهنه بندی خشکسالی کشاورزی در ایران |
| title_full_unstemmed | توسعه یک روش کارآمد مبتنی بر آموزش ماشین و داده های زمینی و ماهواره ای برای پیش بینی و پهنه بندی خشکسالی کشاورزی در ایران |
| title_short | توسعه یک روش کارآمد مبتنی بر آموزش ماشین و داده های زمینی و ماهواره ای برای پیش بینی و پهنه بندی خشکسالی کشاورزی در ایران |
| title_sort | توسعه یک روش کارآمد مبتنی بر آموزش ماشین و داده های زمینی و ماهواره ای برای پیش بینی و پهنه بندی خشکسالی کشاورزی در ایران |
| topic | خشکسالی سنجش از دور یادگیری ماشین شاخص خشکسالی spei نقشه پهنهبندی خشکسالی |
| url | https://civil-ferdowsi.um.ac.ir/article_45941_5262159c99a9467d06d81e90b09d33fa.pdf |
| work_keys_str_mv | AT mạhạnʿzyzy twsʿhyḵrwsẖḵạrậmdmbtnybrậmwzsẖmạsẖynwdạdhhạyzmynywmạhwạrhạybrạypysẖbynywphnhbndykẖsẖḵsạlyḵsẖạwrzydrạyrạn AT ʿlyʿbạsy twsʿhyḵrwsẖḵạrậmdmbtnybrậmwzsẖmạsẖynwdạdhhạyzmynywmạhwạrhạybrạypysẖbynywphnhbndykẖsẖḵsạlyḵsẖạwrzydrạyrạn |