پتانسیل سنجی خشک سالی با استفاده از شاخص های سنجش از دور و شبکه عصبی مصنوعی (مطالعه موردی: استان کرمانشاه)

خشکسالی، یک دوره ممتد کمبود بارش است که موجب بروز خسارت و کاهش عملکرد در محصولات زراعی می‏شود و بر کیفیت و کمیت منابع آب و کشاورزی منطقه تاثیر مستقیم دارد. فناوری سنجش ‏از دور با تلفیق سیستم اطلاعات جغرافیایی (ساج) و با ایجاد امکان دسترسی، پردازش و تفسیر داده‏های مکانی، امکان پایش مطلوب‏تر خشکسالی را فراهم کرده است. هدف این مطالعه، تعیین مناسب‏ترین شاخص‏های سنجش‏ از ‏دوری و ارایه یک نمایه ترکیبی مبتنی بر روش هوشمند شبکه عصبی مصنوعی و درنهایت، استخراج نقشه پتانسیل خشکسالی است. بر اساس نتایج، بهترین شاخص‏های سنجش‏ از دور جهت تعیین میزان ریسک بیابان‏زایی در منطقه، شاخص‏های پوشش گیاهی، میزان بارش و دمای سطح زمین هستند. نتایج بر اساس مقادیر شاخص بارش استانداردشده (SPI) به‏دست‏آمده از ایستگاه‏های هواشناسی ارزیابی شدند. بر این اساس، مقدار دقت نتایج روش رگرسیون چندمتغیره، R2=0.62 و شبکه عصبی پرسپترون چندلایه R2=0.91 به دست آمد. بنابراین، روش شبکه عصبی پرسپترون چندلایه از روش رگرسیون چندمتغیره برای ایجاد یک شاخص ترکیبی خشکسالی توانایی بسیار بیشتری دارد. بر اساس نتایج، در بیشتر مناطق استان کرمانشاه پتانسیل بروز خشکسالی ماهانه وجود دارد. همچنین، پتانسیل خشکسالی سالانه، در مناطق شرقی استان بیشتر مشاهده می‏شود. اسلام‏آباد، سنقر و تا حدودی هرسین، شهرستان‏های دارای خطر پایین وقوع خشکسالی هستند.