مدلسازی و پیش‌بینی سری زمانی شاخص‌های خشکسالی با روش‌های یادگیری ماشین به‌منظور مدیریت مخاطرات (مطالعۀ موردی: منطقۀ شرقی اصفهان)

خشکسالی پدیده‌ای پیچیده و مخاطره‌آمیز در کل جهان به­ویژه ایران به‌شمار می‌آید. تعیین و پیش­بینی شدت خشکسالی می‌تواند در مدیریت مخاطرات ناشی از آن مؤثر باشد. برای تعیین شدت خشکسالی از شاخص­هایی استفاده شده که به دو دستۀ کلی شاخص­های هواشناسی و سنجش از دور تقسیم می‌شوند. مهم‌ترین شاخص­ هواشناسی، شاخص بارش استانداردشده (SPI) و در شاخص­های سنجش از دور نیز، شاخص­های مستخرج از پوشش گیاهی (NDVI) و شاخص دمای سطح زمین (LST) بوده است. برای مدلسازی رفتار سری زمانی این شاخص‌ها و همچنین پیش­بینی مقادیر آیندۀ آنها، روش­های یادگیری ماشین توانسته­اند کارایی زیادی از خود نشان دهند. این مقاله نیز قصد دارد کارایی چهار روش مهم یادگیری ماشین یعنی شبکۀ عصبی (NN)، رگرسیون بردار پشتیبان (SVR)، ماشین بردار پشتیبان کمترین مربعات (LSSVM) و همچنین یک سیستم فازی بر پایۀ شبکۀ عصبی تطبیقی (ANFIS) را برای مدلسازی شاخص­های هواشناسی و سنجش از دور منطقۀ شرقی اصفهان از سال 2000 تا 2014 و پیش­بینی مقادیر آنها در 2015 و 2016 بررسی کند. داده­های به­کاررفته، سری زمانی NDVI و LST ماهوارۀ مادیس و سری زمانی دادۀ میزان بارش ماهواره TRMM منطقۀ مطالعاتی است. در ابتدا، سری زمانی شاخص­های وضعیت گیاهی (VCI) و شاخص پوشش گیاهی دمایی (TVX) از داده­های NDVI و LST و سری زمانی SPI-دوازده‌ماهه از داده­های مقدار بارش ساخته شده است. در ادامه رفتار این سه سری زمانی، توسط هر چهار روش یادشده مدلسازی شده که مطابق با نتایج، SVR بیشترین کارایی و NN کمترین کارایی را در بین این روش­ها داشته است. سرعت عملکرد LSSVM و سپس ANFIS نیز بیشتر از سایر روش­ها بوده است. در پایان، با طراحی یک سیستم استنتاج فازی (FIS)، وضعیت خشکسالی در دو فصل بهار و تابستان 2000 تا 2016 بررسی شده که نتایج نشان از نرمال­بودن وضعیت بهار در همۀ سال­ها به­جز دو سال 2000 و 2011 و خشکسالی شدید تابستان در همۀ سال­ها به‌جز چهار سال 2000، 2010، 2011 و 2014 داشته است. در واقع این پژوهش قصد داشت به‌کمک روش­های یادگیری ماشین و استفاده از سری زمانی داده­های سنجش از دور و هواشناسی و تلفیق آنها در یک سیستم FIS، راهکاری را برای مدلسازی رفتار خشکسالی و پیش­بینی و پایش آن در آینده ارائه دهد.