-
شماره ركورد
23900
-
شماره راهنما
MAP2 113
-
نويسنده
مكتوبيان، سميرا
-
عنوان
ارزيابي دوره احياء پس از خشكسالي در اقليم و پوششهاي مختلف زمين
-
مقطع تحصيلي
كارشناسي ارشد
-
رشته تحصيلي
مهندسي نقشه برداري- سنجش از دور
-
دانشكده
مهندسي عمران و حمل و نقل
-
تاريخ دفاع
1403/6/26
-
صفحه شمار
77 ص.
-
استاد راهنما
دكتر مينا مرادي زاده
-
كليدواژه فارسي
خشكسالي , يادگيري ماشين , SPEI , GPP , دوره احياء پوشش گياهي , اقليم مختلف , پوشش زميني
-
چكيده فارسي
برنامهريزي و مديريت مؤثر براي مقابله با تأثيرات احتمالي خشكسالي، نيازمند برآورد و تحليل دقيق اين پديده طبيعي و پيچيده است. خشكسالي بهطور قابل توجهي بر رشد پوشش گياهي تأثير ميگذارد. درك تغييرات پوشش گياهي در دوران خشكسالي و احياء آن بعد از پايان خشكسالي براي مديريت كشاورزي و سازگاري با تغييرات اقليمي اهميت زيادي دارد. پژوهشگران تاكنون شاخصهاي گوناگوني براي خشكسالي بر مبناي دادههاي آب و هوايي زميني و همچنين دادههاي متنوع سنجش از دور توسعه دادهاند. بهرهگيري از مدلهاي يادگيري ماشين براي ادغام دادههاي سنجش از دور به منظور بازسازي شاخص تركيبي خشكسالي، مي تواند امكان نظارت دقيقترخشكسالي را فراهم آورد. در اين مطالعه، سه روش يادگيري ماشين شامل جنگل تصادفي (RF) مبتني بر درخت تصميمگيري، روش XGBOOST مبتني بر گراديان بوستينگ، و روش يادگيري عميق CNN مورد بررسي قرار گرفتند تا با استفاده از محصولات مختلف دادههاي سنجش از دور، مدلسازي شاخص خشكسالي SPEI انجام شود. شاخص SPEI مدلسازي براي شناسايي رويداد خشكسالي استفاده ميشود و سپس با استفاده از متغير فتوسنتزي( GPP) دوره احياء پوشش گياهي برآورد ميشود. دادههاي پوشش گياهي و دماي سطح با استفاده از سنجنده ماهوارهاي (MODIS)، دادههاي بارش با استفاده ازماهواره (GPM) و داده هاي رطوبت خاك و تبخير و تعرق از دادههاي (GLDAS) براي محاسبه شاخصهاي خشكسالي سنجش از دور استفاده شدند تا شاخص استاندارد بارش تبخير و تعرق (SPEI) را براي ايران در بازه زماني 2003 تا 2022 مدلسازي كند. بهترين مدل براي ايجاد نقشه توزيع مكاني SPEI در بهترين مقياس زماني به كار گرفته شد. نتايج نشان ميدهد مدل XGBOOST در مقايسه با ساير الگوريتمهاي CNN و RF بهتر عمل ميكند و ميتواند با ضريب همبستگي (R) برابر 0.75و خطاي ريشه مربع ميانگين (RMSE) برابر 0.59، با استفاده از 7 شاخص خشكسالي سنجش از دور، شاخص SPEI در مقياس يك ماهه را مدلسازي كند. در مدلسازي SPEI يك ماهه با استفاده از 4 شاخص خشكسالي در اين الگوريتم ، R به 0.69 كاهش مييابد و خطاي RMSE به 0.71 افزايش مييابد. نقشه توزيع مكاني SPEI يك ماهه براي محدوده جغرافيايي ايران با روش XGBOOST طلاعات جامعي از خشكسالي ارائه ميدهد. در پايش خشكسالي 20 ساله در ايران سالهاي 2008 و 2021 به عنوان شديدترين خشكسالي ايران شناسايي شدند.در مرحله دوم اين مطالعه با استفاده از شاخص SPEI مدلسازي و داده هاي GPP واكنش پوشش گياهي به خشكسالي و مدت زمان احياء آن بعد از پايان خشكسالي مورد بررسي قرار مي گيرند. نتايج نشان ميدهد دوره احياء پوشش گياهي بعد از پايان خشكسالي سال 2008 از 30 روز تا 120 روز است . اين مدت زمان احياء پوشش گياهي تحت تاثير اقليمهاي مختلف ايران و انواع پوشش زميني قرار دارد. در مناطق شمالي كشور با توجه به اقليم مرطوب، بارش زياد و دماي متعادل، حتي در صورت بروز خشكسالي نيز كاهش شديد GPP رخ نمي دهد و در نتيجه دوره احياء قابل چشم پوشي است . از سوي ديگر، در مناطق خشك ايران در دامنه زاگرس، خشكسالي نسبتا شديد بوده و با توجه به اقليم اين ناحيه، دوره احياء نزديك به 120 روز ارزيابي شد. براي مراتع و زمين هاي زراعي نيز اين افزايش دوره احياء مشاهده ميشود.
-
كليدواژه لاتين
drought , Machine Learning , Remote Sensing Data , SPEI , GPP , Vegetation Recovery Period , Different Climates , Land Cover
-
عنوان لاتين
evaluation of drought recovery period in different land covers and climate
-
گروه آموزشي
مهندسي نقشه برداري
-
چكيده لاتين
Effective planning and management to address the potential impacts of drought require a precise assessment and analysis of this complex natural phenomenon. Drought significantly affects vegetation growth. Understanding changes in vegetation during drought periods and its recovery after drought is crucial for agricultural management and adaptation to climate change. Researchers have developed various drought indices based on ground weather data as well as diverse remote sensing data. Utilizing machine learning models to integrate remote sensing data for reconstructing a composite drought index can enable more accurate monitoring of drought.
In this study, three machine learning methods—Random Forest (RF) based on decision trees, XGBOOST based on gradient boosting, and Deep Learning CNN—were examined to model the Standardized Precipitation Evapotranspiration Index (SPEI) using various remote sensing data products. The SPEI index is utilized to identify drought events, and subsequently, the vegetation recovery period is estimated using the gross primary productivity (GPP) variable. Vegetation and surface temperature data were obtained using the MODIS satellite, precipitation data from the GPM satellite, and soil moisture and evapotranspiration data from GLDAS to compute remote sensing drought indices and model the SPEI for Iran over the period from 2003 to 2022. The best model was employed to create spatial distribution maps of SPEI at the optimal temporal scale.
The results indicate that the XGBOOST model performs better than the other algorithms (CNN and RF), achieving a correlation coefficient (R) of 0.75 and a root mean square error (RMSE) of 0.59 when using seven remote sensing drought indices to model the monthly SPEI. When modeling the monthly SPEI using four drought indices in this algorithm, R decreases to 0.69 and RMSE increases to 0.71. The spatial distribution map of the monthly SPEI for Iran, created using the XGBOOST method, provides comprehensive information about drought. In the 20-year monitoring of drought in Iran, the years 2008 and 2021 were identified as the most severe drought years.
In the second phase of this study, the vegetation response to drought and the duration of recovery after the end of drought were examined using the SPEI index model and GPP data. The results indicate that the vegetation recovery period after the drought in 2008 ranges from 30 days to 120 days. This recovery duration is influenced by the diverse climates of Iran and various land cover types. In the northern regions of the country, given the humid climate, ample rainfall, and moderate temperatures, even during drought events, there is no significant decline in GPP, resulting in a negligible recovery period. Conversely, in the arid regions of Iran in the Zagros Mountains, drought has been relatively severe, and due to the climate of this area, the recovery period was assessed to be close to 120 days. This extended recovery period is also observed for pastures and agricultural lands.
-
تعداد فصل ها
5
-
لينک به اين مدرک :