ترکیب شبکه‌ عصبی و تبدیل موجک به منظور پیش‌بینی خشک‌سالی کشور ایران با استفاده از داده‌های ماهواره‌ای مادیس و Trmm

خشک سالی را می توان به عنوان یکی از بحران های طبیعی در هر منطقه ای نام برد. در این پژوهش یکی از عوامل مهم در خشک سالی یعنی پوشش گیاهی مد نظر قرار گرفته شده است. بدین منظور از تصاویر محصول ماهانه پوشش گیاهی و پوشش برف سنجنده مادیس و محصول بارش ماهواره trmm از سال 2009 تا سال 2018 برای منطقه مورد مطالعاتی کشور ایران استفاده شده است. بعد از پیش‌پردازش های اولیه با استفاده از روش شبکه عصبی مصنوعی و نیز روش ترکیبی شبکه عصبی و تبدیل موجک، به پیش بینی شاخص نرمالایز شده تفاوت پوشش گیاهی پرداخته شده است. بعد از آموزش دو الگوریتم با استفاده از سری زمانی این شاخص و نیز سری زمانی میزان پوشش برف و بارش از سال 2009 تا سال 2017، شاخص نرمالایز شده تفاوت پوشش گیاهی برای دوازده ماه از سال 2018 پیش‌بینی شده است که در نهایت با مقادیر واقعی آن مورد ارزیابی قرار گرفته است. نتایج و دقت پیش بینی برای این دو الگوریتم متفاوت بوده و در کل روش ترکیبی شبکه عصبی و تبدیل موجک دارای دقت بالاتری نسبت به روش شبکه عصبی بوده است؛ به طوری که میانگین دوازده ماه سال 2018 برابر با خطای جذر میانگین مربعات 0.055 و ضریب تشخیص 0.804 بوده است. همچنین نتایج نشان داده است که در هر دو روش دقت شاخص مذکور در ماه های ابتدایی سال 2018 نسبت به ماه های انتهایی بهتر است؛ از این رو می توان از این روش برای پیش بینی این شاخص که یکی از پارامترهای خشک سالی محسوب می شود؛ استفاده نمود.

Combining Neural Network and Wavelet Transform to Predict Drought in Iran Using MODIS and TRMM Satellite Data

The drought can be described as a natural disaster in each region. In this study, one of the important factors in drought, vegetation, has been considered. For this purpose, monthly vegetation cover images and snow cover data of MODIS and TRMM satellite precipitation product from 2009 to 2018 were used for the study area of Iran. After initial preprocessing, we have used artificial neural network method and hybrid neural network and wavelet transform method to predict the normalized difference vegetation index (NDVI). After training the two algorithms using the time series of (NDVI) index as well as the time series of snow cover and precipitation from 2009 to 2017, the (NDVI) index is predicted for twelve months from 2018, which is finally estimated with real values. The results and prediction accuracy for these two algorithms are different and in general the combined neural network and wavelet transform method has higher accuracy compare to the neural network method so that the twelve average of 2018 is equal to the root mean square error of 0.055 and coefficient of determination was 0.804. The results also show that in both methods the accuracy of the index in the early months of 2018 is better than the end months. Therefore, this method can be used to predict this index, as one of the drought parameters.