ارزیابی شاخص‌های سنجش از دوری پایش خشکسالی با استفاده از رگرسیون بردار پشتیبان و مدل‌های جنگل تصادفی (مطالعه موردی: شهرستان مریوان)

خشکسالی به عنوان پدیده‌ای طبیعی و اقلیمی همه ساله در مناطق وسیعی در سراسر جهان رخ می‌دهد و وقوع آن ناشی از کمبود بارندگی و افزایش تبخیر و تعرق در دمای بالا است. هدف پژوهش حاضر ارزیابی سنجش از دور در پایش خشکسالی برای شهرستان مریوان و تجزیه و تحلیل توزیع مکانی - زمانی شرایط خشکسالی و شناسایی شدت خشکسالی است. در این مطالعه با استفاده از شاخص های مختلف خشکسالی تولید شده از داده‌های ماهواره ای مادیس و trmm که از بسترگوگل ارث انجین استخراج شده اند، شرایط خشکسالی در شهرستان مریوان  از ماه‌های فوریه تا نوامبر برای سال های 2001 تا 2017 مورد تجزیه و تحلیل قرار گرفته است. همچنین شاخص‌های سنجش از دوری مانند شاخص تفاضل نرمال شده پوشش گیاهی، شاخص وضعیت پوشش گیاهی، شاخص وضعیت دما، شاخص پوشش گیاهی بهبود یافته، شاخص تبخیر و تعرق و شاخص وضعیت بارندگی به عنوان متغیرهای مستقل انتخاب گردیدند. بعلاوه شاخص استاندارد بارندگی حاصل از داده‌های هواشناسی نیز به عنوان متغیر وابسته برای ارزیابی شرایط خشکسالی مورد استفاده قرار گرفت. در ادامه جهت مدلسازی شاخص خشکسالی از دو روش مرسوم یادگیری ماشین شامل جنگل تصادفی و رگرسیون بردار پشتیبان استفاده شده است. نتایج مدل‌سازی با استفاده از الگوریتم رگرسیون بردار پشتیبان نشان دهنده ضریب تبیین 0.88 و مجذور میانگین مربعات خطا 0.313 بین شاخص های خشکسالی حاصل از داده های ماهواره ای و نیز اطلاعات ایستگاه های زمینی، می باشد. همچنین نتایج مدل جنگل تصادفی با مقادیر ضریب تبیین 0.909 و مجذور میانگین مربعات خطا 0.259 بیانگر کارایی بالای این مدل است. در نهایت نتایج تحقیق نشان می دهد که شاخص‌های سنجش از دوریpci, et, evi, ndvi به ترتیب بیش‌ترین همبستگی را با شاخص هواشناسی داشته اند. 

evaluation of remote sensing-based drought monitoring indexes using support vector regression and random forest models (case study: marivan city)

drought is a natural and climatic phenomenon that occurs in large areas around the world every year, and its occurrence is caused by the shortage of rainfall and increased evaporation and transpiration at high temperatures. the purpose of this research is evaluating the remote sensing data in drought monitoring for marivan city and analyzing the spatial-temporal distribution of the drought conditions and identifying its severity. in this study, we used different drought indicators produced from madis and trmm satellite data, which were extracted from google earth engine platform to analyze the drought conditions in marivan city from february to november for the years 2001 to 2017 .in this research, remote sensing indices such as normalized difference index of vegetation, index of vegetation conditions, index of temperature conditions, index of improved vegetation, index of evaporation and transpiration and index of rainfall status were selected as independent variables. furthermore. the standard rainfall index obtained from meteorological data has been calculated as a dependent variable to evaluate drought conditions. random forest methods and support vector regression were used to compare the remote sensing data and the ground data and to check the correlation between them and the importance of the remote sensing indicators for drought monitoring. the result of the modeling was obtained using the support vector regression algorithm with the values of the explanatory coefficient of 0.88 and the mean square error of 0.313.the results of the random forest model with the values of the coefficient of explanation of 0.909 and the mean square error of 0.259 indicated the high efficiency of this model. then, the correlation between  the remote sensing indices and  the meteorological index was investigated. and pci, et, evi, ndvi indices had the most correlation among the other variables.therefore, the remote sensing indicators can be used to predict the drought situation in the research area.