[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
برای نویسندگان::
داوران::
ثبت نام و اشتراک::
تماس با ما::
تسهیلات پایگاه::
بایگانی مقالات زیر چاپ::
آمار نشریه::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
آمار سایت
مقالات منتشر شده: 324
نرخ پذیرش: 63.1
نرخ رد: 36.9
میانگین داوری: 209 روز
میانگین انتشار: 345 روز
..
:: دوره 7، شماره 4 - ( 12-1398 ) ::
جلد 7 شماره 4 صفحات 191-175 برگشت به فهرست نسخه ها
ترکیب شبکه‌ عصبی و تبدیل موجک به منظور پیش‌بینی خشک‌سالی کشور ایران با استفاده از داده‌های ماهواره‌ای مادیس و TRMM
رامین مختاری دهکردی ، مهدی آخوندزاده هنزائی*
دانشگاه تهران
چکیده:   (2975 مشاهده)
خشک­سالی را می­توان به عنوان یکی از بحران­های طبیعی در هر منطقه­ای نام برد. در این پژوهش یکی از عوامل مهم در خشک­سالی یعنی پوشش گیاهی مد نظر قرار گرفته شده­است. 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 شده­است. بعد از پیش‌پردازش­های اولیه با استفاده از روش شبکه عصبی مصنوعی و نیز روش ترکیبی شبکه عصبی و تبدیل موجک، به پیش­بینی شاخص نرمالایز شده تفاوت پوشش گیاهی پرداخته­ شده­است. 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 پیش­بینی 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 055/0 و ضریب تشخیص 804/0 بوده­است. همچنین نتایج نشان داده­است که در هر دو روش دقت شاخص مذکور در ماه­های ابتدایی سال 2018 نسبت به ماه­های انتهایی بهتر است؛ از این رو می­توان از این روش برای پیش­بینی این شاخص که یکی از پارامترهای خشک­سالی محسوب می­شود؛ استفاده نمود.
واژه‌های کلیدی: خشک‌سالی، شبکه عصبی، تبدیل موجک، سری زمانی، پوشش گیاهی.
متن کامل [PDF 1630 kb]   (1429 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سنجش از دور
دریافت: 1398/5/3 | پذیرش: 1398/9/6 | انتشار: 1398/12/29
فهرست منابع
1. [1] F. N. Kogan, "Contribution of remote sensing to drought early warning," Early warning systems for drought preparedness and drought management, pp. 75-87, 2000.
2. [2] A. Zhang and G. Jia, "Monitoring meteorological drought in semiarid regions using multi-sensor microwave remote sensing data," Remote Sensing of Environment, vol. 134, pp. 12-23, 2013.
3. [3] B. W. Heumann, "Satellite remote sensing of mangrove forests: Recent advances and future opportunities," Progress in Physical Geography, vol. 35, no. 1, pp. 87-108, 2011.
4. [4] D. A. Wilhite and M. Buchanan-Smith, "Drought as hazard: understanding the natural and social context," Drought and water crises: science, technology, and management issues, pp. 3-29, 2005.
5. [5] S. Szalai and C. Szinell, "Comparison of two drought indices for drought monitoring in Hungary-a case study," in Drought and drought mitigation in Europe: Springer, 2000, pp. 161-166.
6. [6] F. N. Kogan, "Droughts of the late 1980s in the United States as derived from NOAA polar-orbiting satellite data," Bulletin of the American Meteorological Society, vol. 76, no. 5, pp. 655-668, 1995. https://doi.org/10.1175/1520-0477(1995)076<0655:DOTLIT>2.0.CO;2 [DOI:10.1175/1520-0477(1995)0762.0.CO;2]
7. [7] J. Bai et al., "Assessment of the SMAP-Derived Soil Water Deficit Index (SWDI-SMAP) as an Agricultural Drought Index in China," Remote Sensing, vol. 10, no. 8, p. 1302, 2018.
8. [8] S. Barua, A. Ng, and B. Perera, "Artificial neural network-based drought forecasting using a nonlinear aggregated drought index," Journal of Hydrologic Engineering, vol. 17, no. 12, pp. 1408-1413, 2012.
9. [9] A. Belayneh and J. Adamowski, "Drought forecasting using new machine learning methods/Prognozowanie suszy z wykorzystaniem automatycznych samouczących się metod," Journal of Water and Land Development, vol. 18, no. 9, pp. 3-12, 2013.
10. [10] A. Belayneh, J. Adamowski, B. Khalil, and B. Ozga-Zielinski, "Long-term SPI drought forecasting in the Awash River Basin in Ethiopia using wavelet neural network and wavelet support vector regression models," Journal of Hydrology, vol. 508, pp. 418-429, 2014.
11. [11] S. Park, J. Im, S. Park, and J. Rhee, "Drought monitoring using high resolution soil moisture through multi-sensor satellite data fusion over the Korean peninsula," Agricultural and Forest Meteorology, vol. 237, pp. 257-269, 2017.
12. [12]M. R. Alizadeh and M. R. Nikoo, "A fusion-based methodology for meteorological drought estimation using remote sensing data," Remote sensing of environment, vol. 211, pp. 229-247, 2018.
13. [13] R. Tan and M. Perkowski, "Wavelet-Coupled machine learning methods for drought forecast utilizing hybrid meteorological and remotely-sensed data," in Proceedings of the International Conference on Data Mining (DMIN'15), 2015.
14. [14] M. Jalili, J. Gharibshah, S. M. Ghavami, M. Beheshtifar, and R. Farshi, "Nationwide prediction of drought conditions in Iran based on remote sensing data," IEEE Transactions on Computers, vol. 63, no. 1, pp. 90-101, 2013.
15. [15]A. AghaKouchak et al., "Remote sensing of drought: Progress, challenges and opportunities," Reviews of Geophysics, vol. 53, no. 2, pp. 452-480, 2015.
16. [16]J. F. Mas and J. J. Flores, "The application of artificial neural networks to the analysis of remotely sensed data," International Journal of Remote Sensing, vol. 29, no. 3, pp. 617-663, 2008.
17. [17]C. Dawson and R. Wilby, "Hydrological modelling using artificial neural networks," Progress in physical Geography, vol. 25, no. 1, pp. 80-108, 2001.
18. [18]I. Ali, F. Cawkwell, E. Dwyer, and S. Green, "Modeling managed grassland biomass estimation by using multitemporal remote sensing data-A machine learning approach," IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 10, no. 7, pp. 3254-3264, 2017.
19. [19]S. Mohammady and M. Delavar, "Urban Expansion Modeling with Logistic Regression," Journal of Geomatics Science and Technology, vol. 4, no. 2, pp. 77-86, 2014.
20. [20]O. Rioul and M. Vetterli, "Wavelets and signal processing," IEEE signal processing magazine, vol. 8, no. ARTICLE, pp. 14-38, 1991.
21. [21]R. Merry, "Wavelet theory and applications: a literature study," DCT rapporten, vol. 2005, 2005.
22. [22]B.-L. Zhang and Z.-Y. Dong, "An adaptive neural-wavelet model for short term load forecasting," Electric power systems research, vol. 59, no. 2, pp. 121-129, 2001.
23. [23]S. G. Mallat, "A theory for multiresolution signal decomposition: the wavelet representation," IEEE Transactions on Pattern Analysis & Machine Intelligence, no. 7, pp. 674-693, 1989.
24. [24]F. Zambrano, M. Lillo-Saavedra, K. Verbist, and O. Lagos, "Sixteen years of agricultural drought assessment of the BioBío region in Chile using a 250 m resolution Vegetation Condition Index (VCI)," Remote Sensing, vol. 8, no. 6, p. 530, 2016.
25. [25]D. B. Wolff et al., "Ground validation for the tropical rainfall measuring mission (TRMM)," Journal of Atmospheric and Oceanic Technology, vol. 22, no. 4, pp. 365-380, 2005.
26. [26]X. Zhang, "Time series analysis and prediction by neural networks," Optimization Methods and Software, vol. 4, no. 2, pp. 151-170, 1994.
27. [27]M. R. Peyghami and R. Khanduzi, "Predictability and forecasting automotive price based on a hybrid train algorithm of MLP neural network," Neural Computing and Applications, vol. 21, no. 1, pp. 125-132, 2012.
28. [28]V. Nourani, M. Komasi, and A. Mano, "A multivariate ANN-wavelet approach for rainfall-runoff modeling," Water resources management, vol. 23, no. 14, p. 2877, 2009.
29. [29]P. S. Thenkabail and M. Gamage, The use of remote sensing data for drought assessment and monitoring in Southwest Asia. Iwmi, 2004.
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Mokhtari Dehkordi R, Akhoondzadeh M. Combining Neural Network and Wavelet Transform to Predict Drought in Iran Using MODIS and TRMM Satellite Data. jgit 2020; 7 (4) :175-191
URL: http://jgit.kntu.ac.ir/article-1-769-fa.html

مختاری دهکردی رامین، آخوندزاده هنزائی مهدی. ترکیب شبکه‌ عصبی و تبدیل موجک به منظور پیش‌بینی خشک‌سالی کشور ایران با استفاده از داده‌های ماهواره‌ای مادیس و TRMM. مهندسی فناوری اطلاعات مکانی. 1398; 7 (4) :175-191

URL: http://jgit.kntu.ac.ir/article-1-769-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 7، شماره 4 - ( 12-1398 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.05 seconds with 38 queries by YEKTAWEB 4660