بررسی ارتباط میان خشک سالی کشاورزی و هواشناسی در شمال غرب ایران با استفاده از شبکه عصبی پرسپترون چند لایه (MLP)

خشک سالی پدیده ای طبیعی، تکراری و موقتی است که به سبب بارش اندک رخ می دهد و تقریبا تمامی مناطق اقلیمی جهان را تحت تاثیر قرار می دهد. تعیین وقوع و روند خشک سالی می تواند در مدیریت برنامه ریزی سیستم های منابع آب نقش به سزایی داشته باشد. در دهه های اخیر، شبکه های عصبی در مدل سازی و پیش بینی سری های زمانی غیر خطی کارایی مناسبی را نشان دادند. بر همین اساس هدف تحقیق حاضر، تعیین ارتباط میان خشک سالی هواشناسی و کشاورزی در شمال غرب ایران و پیش بینی روند تغییرات پوشش گیاهی است. ابتدا از داده های بارندگی ماهانه 88 ایستگاه هواشناسی وزارت نیرو به مدت 15 سال، 1395-1380، برای تجزیه و تحلیل خشک سالی های هواشناسی در مقیاس های زمانی 1، 3، 6 و 12 ماهه استفاده شد. سپس با استفاده از سنجش از دور و تصاویر ماهواره لندست 8، شاخص اختلاف نرمال شده پوشش گیاهی (NDVI) در سال های آبی 1390 تا 1395 مورد بررسی و محاسبه قرار گرفت. به منظور پیش بینی وضعیت پوشش گیاهی از شاخص NDVI و شاخص خشک سالی هواشناسی SPI (شاخص بارش استاندارد شده) و الگوریتم شبکه عصبی پرسپترون (MLP) استفاده شد. طبق بررسی های انجام شده مشخص شد که SPI در مقیاس زمانی ماهانه در محاسبه شدت ترسالی و خشک سالی کارآمد است. هم چنین حداکثر میزان تراکم پوشش گیاهی مربوط به فروردین و اوایل اردیبهشت و در فصل بهار بوده و دوره بازگشت این خشک سالی ها 5-6 ساله تعیین شد. در نهایت، ارتباط میان داده های NDVI پیش بینی شده و داده های ورودی (NDVI یک ماه قبل و SPI ماهانه) در گام های زمانی متفاوت، یک تابع غیرخطی با ضریب همبستگی 0/81 خطای 0/0265 برای داده های بارش ماهانه است. بدین معنی که 81 درصد داده ها قابل توجیه بودند. در نهایت مشخص شد که میان NDVI و SPI همبستگی بالایی وجود دارد و می توان نتیجه گرفت که SPI برای پیش بینی خشک سالی کشاورزی شاخص مناسبی است.