پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,230 |
| تعداد مقالات | 67,758 |
| تعداد مشاهده مقاله | 115,122,822 |
| تعداد دریافت فایل اصل مقاله | 89,890,405 |
مدلسازی و پیشبینی سری زمانی شاخصهای خشکسالی با روشهای یادگیری ماشین به‌منظور مدیریت مخاطرات (مطالعۀ موردی: منطقۀ شرقی اصفهان) | ||
| مدیریت مخاطرات محیطی | ||
| مقاله 5، دوره 2، شماره 1، خرداد 1394، صفحه 51-65 اصل مقاله (723.6 K) | ||
| نوع مقاله: پژوهشی کاربردی | ||
| شناسه دیجیتال (DOI): 10.22059/jhsci.2015.53921 | ||
| نویسندگان | ||
| ایمان خسروی* 1؛ مهدی آخوندزاده2؛ محمدمهدی خوشگفتار1 | ||
| 1دانشجوی دکتری سنجش از دور، گروه مهندسی نقشهبرداری، پردیس دانشکدههای فنی، دانشگاه تهران، ایران | ||
| 2استادیار، گروه مهندسی نقشهبرداری، پردیس دانشکدههای فنی، دانشگاه تهران، ایران | ||
| چکیده | ||
| 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. | ||
| کلیدواژه‌ها | ||
| اصفهان؛ شاخصهای خشکسالی؛ سنجش از دور؛ مدلسازی سری زمانی؛ مخاطرات؛ یادگیری ماشین | ||
| عنوان مقاله [English] | ||
| Modeling and Predicting the Drought Indices Time Series Using Machine Learning Methods In Order To Managing Hazards (Case Study: Eastern District of Isfahan) | ||
| نویسندگان [English] | ||
| Imam Khosravi1؛ Mehdi Akhondzadeh2؛ Mohammad Mehdi Khoshgoftaar1 | ||
| 11. PhD Student in Remote Sensing, Department of Surveying, College of Engineering, University of Tehran, Iran | ||
| 2Assistance Professor, Department of Surveying, College of Engineering, University of Tehran, Iran | ||
| چکیده [English] | ||
| The drought has been known as a complex and perilous phenomenon at the whole of the world especially in Iran. Determining and predicting its severity can be effective at managing the hazards due to it. To determine the drought severity, the indices have been used that can be divided into two broad categories of meteorological (M) and remotely-sensed (RS) indices. The most important M index has been the standardized perception index (SPI), and the common RS indices have been those extracted from the vegetation index (NDVI) and land surface temperature (LST) index. For modeling time series behavior of these indices and also predicting their future values, the machine learning methods can indicate the high efficiency. This paper also aims to evaluate the performance of four important machine learning methods, i.e. neural network (NN), support vector regression (SVR), least squares support vector machine (LSSVM) and also an adaptive neuro fuzzy inference system (ANFIS) for modeling the M and RS indices of Eastern district of Isfahan during 2000 to 2014 and predicting their values at 2015 and 2016. The data used in this paper are the NDVI and LST time series of MODIS, and the rainfall time series of TRMM satellite of study area. At first, the vegetation condition index (VCI) and temperature vegetation index (TVX) have been built by NDVI and LST and 12-month SPI has been built by rainfall data. Next, the time series behavior of three these indices has been modeled by four aforementioned methods that according to the results, SVR has a highest efficiency and NN has a lowest efficiency among these methods. The speed performance of LSSVM and then ANFIS have been higher than the other methods. Finally by designing a fuzzy inference system (FIS), the drought severity at spring and summer of 2000 to 2016 has been monitored that the results have shown the normality of the spring in all years except 2000 and 2011 and severe drought in the summer in all years except for the four years 2000, 2010, 2011 and 2014. In fact, this research has aimed to present a strategy for modeling drought behavior and predicting and monitoring it at future using machine learning methods and the remotely-sensed and meteorological time series data and fusing them in a FIS system. | ||
| کلیدواژه‌ها [English] | ||
| Time Series Modeling, Drought indices, Machine learning, Hazards, remote sensing, Isfahan | ||
| مراجع | ||
|
منابع[1].ابراهیمزاده، سجاد؛ بذرافشان، جواد؛ قربانی، خلیل (1392). امکانسنجی تشخیص تغییرات پوشش گیاهی مبتنی بر شاخصهای زمینی و ماهوارهای خشکسالی (مطالعۀ موردی: استان کرمانشاه)، مجلۀ هواشناسی کشاورزی، ج 1، شمارۀ 1: 48-37. [2].ابریشمچی، احمد؛ مهدیخانی، حسین؛ تجریشی، مسعود (1385). توسعۀ مدل تلفیقی غیرخطی پیشبینی خشکسالی مبتنی بر شبکۀ عصبی مصنوعی و تبدیلات موجک، مطالعۀ موردی: زیرحوضۀ سد زایندهرود، دومین کنفرانس مدیریت منابع آب، اصفهان، دانشگاه صنعتی اصفهان، انجمن علوم و مهندسی منابع آب ایران. [3].آخوندزاده، مهدی (1384). تهیۀ نقشه‌های حرارتی سطح زمین با استفاده از تصاویر ماهوارهای MODIS، پایاننامۀ کارشناسیارشد، دانشگاه تهران، پردیس دانشکدههای فنی، گروه مهندسی نقشهبرداری. [4].پویانفر، احمد؛ فلاحپور، سعید؛ عزیزی، محمدرضا (1392). رویکرد حداقل مربعات ماشین بردار پشتیبان مبتنی بر الگوریتم ژنتیک جهت تخمین رتبۀ اعتباری مشتریان بانکها، مجلۀ مهندسی مالی و مدیریت اوراق بهادار، شمارۀ 17: 158-133. [5].جلیلی، شیدا؛ مرید، سعید؛ ضیائیان فیروزآبادی، پرویز (1387). مقایسۀ عملکرد شاخصهای ماهوارهای و هواشناسی در پایش خشکسالی، مجلۀ تحقیقات آب و خاک ایران. دورۀ 39، شمارۀ 1: 149-139. [6].جویباری، یاسر (1393). تهیۀ نقشۀ ضریب گسیل و دما با استفاده از تصاویر ماهوارۀ لندست-8. پایاننامۀ کارشناسی ارشد، دانشگاه تهران، پردیس دانشکدههای فنی، گروه مهندسی نقشهبرداری. [7].سلیمانی، علی (1389). تحلیل خطرپذیری خشکسالی، پایاننامۀ کارشناسی ارشد، دانشگاه تهران، پردیس دانشکدههای فنی، گروه مهندسی نقشهبرداری. [8].غفوریان، ﻫادی؛ ثنائینژاد، سیدحسین؛ داوری، کامران (1392). بررسی تعیین مناطق مناسب جهت پایش خشکسالی با استفاده از دادههای ماهواره TRMM (مطالعۀ موردی: استان خراسان رضوی)، نشریۀ آب و خاک (علوم و صنایع کشاورزی)، ج 28، شمارۀ 3: 648-639. [9].کارآموز، محمد؛ رسولی، کبیر؛ نظیف، سارا (1385). تدوین شاخص ترکیبی خشکسالی با استفاده از شبکههای عصبی، دومین کنفرانس مدیریت منابع آب، دانشگاه صنعتی اصفهان، انجمن علوم و مهندسی منابع آب ایران. [10]. گلمحمدی، محمدحسین؛ صفوی، حمیدرضا (1389). پیشبینی سریهای زمانی تکمتغیرۀ هیدرولوژیکی با استفاده از سیستم فازی بر پایۀ شبکۀ عصبی تطبیقی، پنجمین کنگرۀ ملی مهندسی عمران، 14 تا 16 اردیبهشت 1389، دانشگاه فردوسی مشهد، مشهد، ایران. [11]. محمدیان، آزاده؛ کوهی، منصوره؛ آدینهبیگی، آرمان؛ رسولی، جواد؛ بذرافشان، بهاره (1389). مقایسۀ پایش خشکسالی با استفاده از شاخصهای SPI، DI و PNI و پهنهبندی آنها (مطالعۀ موردی: استان خراسان شمالی)، مجلۀ پژوهشهای حفاظت آب و خاک، ج 17، شمارۀ 1: 184-177. [12]. محمودی کهن، فرهاد (1389). مطالعۀ قابلیت شاخصهای گیاهی ماهوارهای در پیشبینی و آشکارسازی خشکسالی، پایاننامۀ کارشناسیارشد، دانشگاه تحصیلات تکمیلی صنعتی کرمان، دانشکدۀ عمران و نقشهبرداری، گروه سنجشاز‌دور. [13]. مرادی، نسرین؛ کمالی، امیرجلال؛ مرادی، مهدی (1392). مقایسۀ دو مدل SVM و ANFIS در تخمین خشکسالی هواشناسی، اولین همایش ملی بهینهسازی مصرف آب، گرگان. [14]. نیکبخت شهبازی، علیرضا؛ زهرایی، بنفشه؛ ناصری، محسن (1389). پیشبینی خشکسالی اقلیمی در حوضۀ سدهای تهران با استفاده از SVM، چهارمین کنفرانس منطقهای تغییر اقلیم، تهران : 406-397. [15]. Barua, S., Perera, B.J.C., Ng, A.W.M., Tran, D., (2010). Drought Forecasting Using an Aggregated Drought Index and Artificial Neural Networks, Journal of Water and Climate Change, Vol 1, pp 193–206. [16]. Berhan, G., Hill, S., Tadesse, T., Atnafu, S., (2011), Using Satellite Images for Drought Monitoring: A Knowledge Discovery Approach, Journal of Strategic Innovation and Sustainability, vol 7(1), pp 135–153. [17]. Bhuiyan, C., Singh, R.P., Kogan, F.N., (2006). Monitoring Drought Dynamics in the Aravalli Region (India) Using Different Indices Based on Ground and Remote Sensing Data, International Journal of Applied Earth Observation and Geoinformation, 8 (2006), pp 289–302. [18]. Chen, C. -C., Lin, C. -J. (2010). LIBSVM: A library for support vector machines. Available from: http://www.csie.ntu.edu.tw/~cjlin/libsvm [19]. Dastorani, M.T., Afkhami, H., Borroni, B., (2011). Application of Artificial Neural Networks on Drought Prediction in Yazd (Central Iran), Desert, Vol 16, pp 39–48. [20]. Dastorani, M. T., Afkhami, H., Sharifidarani, H., Dastorani, M., (2010). Application of ANN and ANFIS Models on Dryland Precipitation Prediction (Case Study: Yazd in Central Iran), Journal of Applied Sciences, 10 (20), pp 2387–2394. [21]. Gebrehiwot, T., Van der Veen, A., Maathuis, B., (2011). Spatial and Temporal Assessment of Drought in the Northern Highlands of Ethiopia, International Journal of Applied Earth Observation and Geoinformation, Vol 13, pp. 309–321. [22]. Jain, S.K., Keshri, R., Goswami, A., Sarkar, A., (2010). Application of Meteorological and Vegetation Indices for Evaluation of Drought Impact: A Case Study for Rajasthan, India, Natural Hazards, Vol 54, pp 643–656. [23]. Jalili, M., Gharibshah, J., Ghavami, S.M., Beheshtifar, M.R., Farshi, R., (2014). Nationwide Prediction of Drought Conditions in Iran Based on Remote Sensing Data, IEEE Transactions on Computers, Vol 63, No 1. [24]. Keskin, M.E., Terzi, O., Taylan, E.D., Kucukyaman, D., (2011). Meteorological Drought Analysis Using Artificial Neural Networks, Scientific Research and Essays, Vol 6, pp 4469–4477. [25]. Khosravi, I., Mohammad-Beigi, M., (2014). Multiple Classifier Systems for Hyperspectral Remote Sensing Data Classification, Journal of the Indian Society Remote Sensing, Vol 42, Issue 2, pp 423–428. [26]. Mishra, A.K., Desai, V.R., (2006). Drought Forecasting Using Feed-Forward Recursive Neural Network, Ecological Modelling, Vol 198, pp 127–138. [27]. Muthumanickam, D., Kannan, P., Kumaraperumal, R., Natarajan, S., Sivasamy, R., Poongodi, C., (2011). Drought Assessment and Monitoring Through Remote Sensing and GIS in Western Tracts of Tamil Nadu, India, International Journal of Remote Sensing, 32:18, pp 5157–5176. [28]. Nikhbakht Shahbazi, A., Heidarnejhad, M., (2012). Meteorological Drought Prediction in Karoon Watershed using Meteorological Variables, International Research Journal of Applied and Basic Sciences, Vol 3, No 9, pp 1760–1768. [29]. Orhan, O., Ekercin, S., Dadaser-Celik, F., (2014). Use of Landsat Land Surface Temperature and Vegetation Indices for Monitoring Drought in the Salt Lake Basin Area, Turkey, The Scientific World Journal, Vol 2014. [30]. Quiring, S. M., Ganesh, S., (2010). Evaluating the Utility of the Vegetation Condition Index (VCI) for Monitoring Meteorological Drought in Texas, Agricultural and Forest Meteorology, 150 (2010), pp 330–339. [31]. Rahimzadeh-Bajgiran, P., Omasa, K., Shimizu, Y., (2012). Comparative Evaluation of the Vegetation Dryness Index (VDI), the Temperature Vegetation Dryness Index (TVDI) and the improved TVDI (iTVDI) for Water Stress Detection in Semi-Arid Regions of Iran, ISPRS Journal of Photogrammetry and Remote Sensing, 68 (2012), pp 1–12. [32]. Rahmizadeh-Bajgiran, P., Shimizu, Y., Hosoi, F., Omasa, K., (2009). MODIS Vegetation and Water Indices for Drought Assessment in Semi-Arid Ecosystems of Iran, J. Agric. Meteorol. Vol 65, 4, pp 349–355. [33]. Rulinda Coco, M., (2007). Mining Drought from Remote Sensing Images, MSc thesis, Geo-information Science and Earth Observation. [34]. Sadri, S., Burn, D. H., (2012). Nonparametric Methods for Drought Severity Estimation at Ungauged Sites, Water Resources Research, Vol 48, pp 1–10. [35]. Shirmohammadi, B., Moradi, H., Moosavi, V., Taei Semiromi, M., Zeinali, A., (2013). Forecasting of Meteorological Drought Using Wavelet-ANFIS Hybrid Model for Different Time Steps (Case Study: Southeastern Part of East Azerbaijan Province, Iran), Nat Hazards, Vol 2013, No 69, pp 389–402. [36]. Song, X., Saito, G., Kodama, M., Sawada, H., (2004). Early Detection System of Drought in East Asia Using NDVI from NOAA AVHRR Data, International Journal of Remote Sensing, Vol 25, pp 3105–3111. [37]. www.neo.sci.gsfc.nasa.gov [38]. Zeng, L., Shan, J., Xiang, D., (2010). Monitoring Drought Using Multi-Sensor Remote Sensing Data in Cropland of Gansu Province. [39]. Zhang, X., Zhang, T., Young, A.A., Li, X., (2014). Applications and Comparisons of Four Time Series Models in Epidemiological Surveillance Data, PLoS ONE, Vol 9, Issue 2, pp 1–16. | ||
|
آمار تعداد مشاهده مقاله: 4,753 تعداد دریافت فایل اصل مقاله: 2,216 |
||