بخشی از مقاله
*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***
بررسی عملکرد شاخص NDVI در پیشبینی خشکسالی با استفاده از روش ماشین بردار پشتیبان
چکیده :
ایران در منطقه خشک و نیمه خشک قرار گرفته است و همه ساله دچار خشکسالیهاي فراوانی میشود. پایش و پیشبینی خشکسالی میتواند آسیبهاي ناشی از آن را کاهش دهد. از بزرگترین مشکلات براي پایش و پیشبینی خشکسالی در ایران میتوان به کمبود اطلاعات ایستگاهی هواشناسی طولانی مدت اشاره کرد. در این تحقیق با استفاده از روش ماشین بردار پشتیبان (SVM) عملکرد شاخص تفاضلی نرمال شدهي پوشش گیاهی (NDVI) در پیشبینی خشکسالی با استفاده از تصاویر ماهوارهاي مورد بررسی قرار گرفت. شاخص-هاي پوشش گیاهی به دست آمده از تصاویر ماهوارهاي به دلیل رزولوشن مکانی و زمانی مناسب این تصاویر میتوانند مشکل کمبود تعداد ایستگاههاي هواشناسی و توزیع نامناسب آنها را رفع کنند. از شاخص خشکسالی SPI (شاخص استاندارد شده بارش) براي بیان خشکسالی استفاده شد. شاخص پوشش گیاهی ذکر شده (NDVI) از تصاویر سنجنده NOAA-AVHRR محاسبه و استخراج شده است. این شاخص به عنوان ورودي وارد مدل SVM شد و مقادیر SPI متناظر را به دست داد.
واژههاي کلیدي : سنجشازدور، پیشبینی خشکسالی، SPI، NDVI، .SVM
-1 مقدمه
خشکسالی وضعیتی از کمبود بارش و افزایش دماست که در هر وضعیت اقلیمی ممکن است رخ دهد . خشکسالی یکی از پیچیدهترین پدیدههاي طبیعی زمین است که عوامل مختلفی اعم از بارش، درجه حرارت، باد، رطوبت سطح و جریانهاي سطحی بر آن تاثیر میگذارند. خشکسالی معمولا به سه نوع کشاورزي هواشناسی و هیدرولوژیکی تقسیم میشود که در تحقیق انجام شده خشکسالی هواشناسی مد نظر است. خشکسالی هواشناسی به حالتی گفته میشود که میزان بارش از نرم بارش منطقه در یک بازه زمانی خاص کمتر باشد. روشها و شاخصهاي مختلفی براي اندازه-گیري و بیان شدت خشکسالی وجود دارد. در این میان شاخص شدت خشکسالی پالمر ([1] (PDSI1 و شاخص استاندارد شده بارش [2] (SPI2)، بیشترین کاربرد را دارند. دادههاي سنجشازدوري در پایش و پیشبینی بسیاري از مسائل طبیعی مورد استفاده قرار میگیرند. از مزیتهاي این دادهها پهنه وسیع برداشت و سادگی حصول است که در بسیاري از مطالعات مربوط به خشکسالی روز به روز بیشتر مورد استفاده هستند. از آنجایی که سنجنده AVHRR مستقر روي ماهواره NOAA داراي رزولوشن رادیومتریک بالا، وسعت برداشت مناسب و همچنین رزولوشن زمانی مناسب است همواره به عنوان یکی از منابع اصلی داده براي مطالعات خشکسالی مورد استفاده است. از میان شاخص-هاي پوشش گیاهی که از تصاویر ماهوارهاي به دست میآیند NDVI بیشترین استفاده را در مطالعات مختلف داشته که در واقع نشاندهنده وابستگی شدید بین سلامت پوشش گیاهی و رطوبت خاك است .[3 , 4 , 5 , 6 , 7, 8 , 9]
سانگ و همکاران [10] در سال 2004 روشی ارائه دادند که در آن با استفاده از NDVI حاصل از AVHRR خشکسالی را پیشبینی کردند. جی و پیترز [11] در سال 2010 طی مطالعهاي در ایالات متحده سعی در برقراري ارتباط بین سري زمانی NDVI و SPI (در زمانهاي مشابه) کردند و به این نتیجه رسیدند که 3 SPI ماهه در میان فصل رشد بیشترین همبستگی را با شاخص ماهوارهاي NDVI در بیان خشکسالی دارد. در این مقاله پس از استخراج مقادیر NDVI از تصاویر NOAA-AVHRR و محاسبه شرایط خشکسالی با استفاده از SPI در دوره زمانی 1978 تا 2008 سعی شد تا با استفاده از مدل ماشین بردار پشتیبان توانایی این شاخص (NDVI) را در پیشبینی شرایط خشکسالی مورد بررسی قرار دهیم.
-2 شاخص تفاضلی نرمال شدهي پوشش گیاهی3
NDVI پرکاربردترین شاخص پوشش گیاهی است. این شاخص اولین بار توسط[12] مطرح شد. NDVI یک شاخص بدون بعد است. مقادیر NDVI از رابطه زیر محاسبه میشود.
که به ترتیب بازتابندگی در باندهاي مادون قرمز و قرمز هستند.
-3 مدل ماشین بردار پشتیبان
مدلهاي ماشین بردار پشتیبان توانایی بالایی در مسائل طبقهبندي دارند. SVM بر اساس بیشترین فاصله اعضاي هر کلاس از مرز تصمیمگیري طراحی شده است. هدف SVM تعیین بهترین مرز تصمیمگیري است به گونهاي که کلاس-هاي مختلف بهترین تفکیکپذیري را از یکدیگر داشته باشند . در مسائل پیچیده معمولا تعیین مرز تصمیمگیري (که بنا به ابعاد فضاي ویژگی میتواند خط، صفحه و یا ابر صفحه باشد) در فضاي ویژگی غیر ممکن است. لذا از برخی توابع با عنوان کرنل (هسته) استفاده میکنند که با تبدیل فضاي ویژگی به فضاي جدید تفکیکپذیري میان کلاسها را افزایش دهند. در این مطالعه از SVM با تابع کرنل با پایهي شعاعی (RBF) براي طبقهبندي استفاده شده است.
-4 داده هاي مورد استفاده
-1-4 داده هاي سنجش از دوري
دادههاي سنجشازدوري در بسیاري از مطالعات گذشته، در پایش و پیشبینی خشکسالی توانایی خود را نشان دادهاند. زمانی که خشکسالی به واسطهي کاهش بارش اتفاق میافتد این کمبود روي ذخیره کلروفیل گیاه تاثیر میگذارد. این تغییرات پاسخدهی گیاه به طیف الکترومغناطیس را متاثر میکند که با تصاویر سنجشازدوري قابل تشخیص و مدل سازي است. گیاه سالم داراي جذب بالا در محدوده قرمز و بازتاب بالا در محدوده ما4دون قرمز نزدیک است.[13] در مطالعه حاضر از شاخص NDVI به دست آمده از تصاویر NOAA-AVHRR در بازه زمانی (2008-1978) استفاده شده است. تصاویر این سنجنده داراي رزولوشن مکانی 1/1 کیلومتر در نادیر هستند.
-2-4 داده هاي هواشناسی
سريهاي ماهیانه بارش 206 ایستگاه کشور در سالهاي 1978 تا 2008 اندازهگیري شدهاست و پراکندگی آنها در شکل (1) نشان داده شده است مورد استفاده قرار گرفت. این ایستگاهها شامل ایستگاههاي سینوپتیک سازمان هواشناسی و وزارت نیرو که داراي سابقه مناسب هستند و دادههاي قابل اعتماد تولید میکنند، میباشند. مقادیر SPI در این سري زمانی در بازه 3 ماهه محاسبه شد. SPI ارائه دهندهي میزان تغییرات بارش در دوره مورد نظر نسبت به بارش در همان دوره در بلند مدت است. براي محاسبه SPI باستی یک تابع توزیع به دادههاي بارش برازش داد که تابع توزیع گاما بالاترین همبستگی را با این دادهها داراست .[14]
-5 پیاده سازي روش پیشنهادي
شاخص پوشش گیاهی سنجشازدوري NDVI به صورت میانگینهاي ماهانه براي سالهاي 1978 تا 2005 به عنوان ورودي و کلاس SPI متناظر به عنوان خروجی مطلوب به منظور آموزش وارد مدل SVM شدند. براي تست مدل آموزش داده شده، از دادههاي سه سال آخر استفاده شد. بدین ترتیب در هر ماه از این 3 سال مقادیر ماهانه NDVI براي هر ایستگاه وارد مدل شدند و کلاس خشکسالی متناظر را به دست دادند. با مقایسه این برچسبها (خروجی مدل) و برچسبهاي واقعی ایستگاهها در هر ماه به عددي تحت عنوان صحت عملکرد مدل در هر ماه رسیدیم.
