مدلسازي و پيش‌بيني سري زماني شاخص‌هاي خشكسالي با روش‌هاي يادگيري ماشين به‌منظور مديريت مخاطرات (مطالعۀ موردي : منطقۀ شرقي اصفهان)

خشكسالی پدیده‌ای پیچیده و مخاطره‌آمیز در كل جهان به­ویژه ایران به‌شمار می‌آید. تعیین و پیش­بینی شدت خشكسالی می‌تواند در مدیریت مخاطرات ناشی از آن مؤثر باشد. برای تعیین شدت خشكسالی از شاخص­هایی استفاده شده كه به دو دستۀ كلی 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 كارایی زیادی از خود نشان دهند. این مقاله نیز قصد دارد كارایی چهار روش مهم یادگیری ماشین یعنی شبكۀ عصبی (NN)، رگرسیون بردار پشتیبان (SVR)، ماشین بردار پشتیبان كمترین مربعات (LSSVM) و همچنین یك سیستم فازی بر پایۀ شبكۀ 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 كند. داده­های به­كاررفته، 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 كه مطابق با نتایج، SVR بیشترین كارایی و NN كمترین كارایی را در بین این روش­ها داشته است. سرعت عملكرد LSSVM و سپس ANFIS نیز بیشتر از سایر روش­ها بوده است. در پایان، با طراحی یك سیستم استنتاج فازی (FIS)، وضعیت خشكسالی در دو فصل بهار و تابستان 2000 تا 2016 بررسی شده كه نتایج نشان از نرمال­بودن وضعیت بهار در همۀ سال­ها به­جز دو سال 2000 و 2011 و خشكسالی شدید تابستان در همۀ سال­ها به‌جز چهار سال 2000، 2010، 2011 و 2014 داشته است. در واقع این پژوهش قصد داشت به‌كمك روش­های یادگیری ماشین و استفاده از سری زمانی داده­های سنجش از دور و هواشناسی و تلفیق آنها در یك سیستم FIS، راهكاری را برای مدلسازی رفتار خشكسالی و پیش­بینی و پایش آن در آینده ارائه دهد.