مقایسه روش های ARIMA و شبکه عصبی در مدل سازی و پایش وضعیت خشکسالی با استفاده از داده های سری زمانی سنجش از دوری - مطالعه موردی: شهر اراک

خشکسالی پدیده­ای طبیعی، تکراری و موقتی است که به سبب بارش اندک رخ می دهد و تقریباً تمامی مناطق اقلیمی جهان را تحتتأثیر خود قرار می دهد، بویژه مناطق نیمه خشک که بدلیل میزان پائین بارش سالانه و حساسیت به تغییرات اقلیمی مستعد وضعیت خشکسالی می باشند. خشکسالی می تواند بر سلامت انسان ها و همچنین وضعیت اقتصادی و سیاسی جامعه تأثیرگذار باشد. اطلاعات در مورد شدت، طول مدت و پوشش مکانی خشکسالی می تواند به کارشناسان درخصوص کاهش آسیب پذیری مناطقی که تحت تأثیر خشکسالی هستند، کمک کند. یکی از چالش های اصلی در مدل سازی خشکسالی در ایران که در بخش خشک کره زمین واقع شده است، عدم وجود داده های هواشناسی بلند مدت برای اکثر مناطق کشور می باشد. داده های سنجش از دوری می توانند اطلاعاتی را در خصوص وضعیت پوشش گیاهی در اختیار قرار دهند. در این مقاله مدل های آماری خطی اتورگرسیو- میانگین متحرک تجمعی (ARIMA) ومدلشبکهعصبیبرایمدل سازیخشکسالیبراساسداده هایسنجشازدوریمورداستفادهقرارگرفتهاست. بههمینمنظور،شاخصبارشاستانداردسازیشده (SPI) بااستفادهازداده هایهواشناسیبهعنوانمیزانشدتخشکسالیمورداستفادهقرارگرفت. تعدادیازویژگی هاشاملشاخصاختلافنرمالشدهپوششگیاهی (NDVI)،شاخصوضعیتپوششگیاهی (VCI) وشاخصپوششگیاهی- دمایی (TVX) کهازتصاویرMODIS استخراج شده است، بکار برده شدند. با استفاده از مدل ها، شاخص های بدست آمده مدل سازی شدند و خطاهای RMSEوMAE برای آنها محاسبه گردید. سپس همبستگی میان شاخص های سنجش از دوری NDVI، TVXوVCI و شاخص هواشناسیSPI بررسی شده و به ترتیب مقادیر 0546/0، 1475/0 و 0519/0 بدست آمد. در این میان، شاخص هایTVXو NDVI دارای بیشترین همبستگی با داده های SPI بودند. بنابراین ازشاخص های TVX،NDVI به همراه شاخص SPI می توان در پیش بینی وضعیت خشکسالی در منطقه مورد پژوهش استفاده نمود.