fa ارزیابی شاخص‌های سنجش از دوری پایش خشکسالی با استفاده از رگرسیون بردار پشتیبان و مدل‌های جنگل تصادفی (مطالعه موردی: شهرستان مریوان) سنجش از دور RS پژوهشي Research <span style="font-size:10pt"><span style="text-justify:inter-ideograph"><span style="direction:rtl"><span style="unicode-bidi:embed"><span style="font-family:&quot;Times New Roman&quot;,&quot;serif&quot;"><span lang="AR-SA" style="font-family:&quot;B Nazanin&quot;">خشکسالی به عنوان پدیده‌ای طبیعی و اقلیمی همه ساله در مناطق وسیعی در سراسر جهان رخ می</span><span lang="FA" style="font-family:&quot;B Nazanin&quot;">‌</span><span lang="AR-SA" style="font-family:&quot;B Nazanin&quot;">دهد و وقوع آن ناشی از کمبود بارندگی و افزایش تبخیر و تعرق </span><span lang="FA" style="font-family:&quot;B Nazanin&quot;">در</span><span lang="AR-SA" style="font-family:&quot;B Nazanin&quot;"> 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&shy;های مختلف خشکسالی تولید شده از داده‌های ماهواره&shy;ای مادیس و </span><i><span dir="LTR" style="font-size:8.0pt">TRMM</span></i><span style="font-family:&quot;B Nazanin&quot;"> که از بسترگوگل ارث انجین استخراج شده&shy;اند، شرایط خشکسالی در شهرستان مریوان&nbsp; از ماه‌های فوریه تا نوامبر برای سال&shy;های 2001 تا 2017 مورد تجزیه و تحلیل قرار گرفته است. همچنین شاخص‌های سنجش از دوری مانند شاخص تفاضل نرمال شده پوشش گیاهی، شاخص </span><span lang="FA" style="font-family:&quot;B Nazanin&quot;">وضعیت</span><span lang="AR-SA" style="font-family:&quot;B Nazanin&quot;"> پوشش گیاهی، شاخص وضعیت دما، شاخص پوشش گیاهی </span><span lang="FA" style="font-family:&quot;B Nazanin&quot;">بهبود یافته</span><span lang="AR-SA" style="font-family:&quot;B Nazanin&quot;">، شاخص تبخیر و تعرق و شاخص وضعیت بارندگی به عنوان متغیرهای مستقل انتخاب گردیدند. بعلاوه شاخص استاندارد بارندگی حاصل از داده‌ها</span><span lang="FA" style="font-family:&quot;B Nazanin&quot;">ی هواشناسی</span><span lang="AR-SA" style="font-family:&quot;B Nazanin&quot;"> نیز به عنوان متغیر وابسته برای ارزیابی شرایط خشکسالی مورد استفاده قرار گرفت. در ادامه جهت مدلسازی شاخص خشکسالی از دو روش&shy; مرسوم یادگیری ماشین شامل جنگل تصادفی و رگرسیون بردار پشتیبان استفاده شد</span><span lang="FA" style="font-family:&quot;B Nazanin&quot;">ه است</span><span lang="AR-SA" style="font-family:&quot;B Nazanin&quot;">. نتایج مدل‌سازی با استفاده از الگوریتم رگرسیون بردار پشتیبان نشان&shy;دهنده ضریب تبیین 88_/0 و مجذور میانگین مربعات خطا 313_/0 بین شاخص&shy;های خشکسالی حاصل از داده&shy;های ماهواره&shy;ای و نیز اطلاعات ایستگاه&shy;های زمینی، می باشد. همچنین نتایج مدل جنگل تصادفی با مقادیر ضریب تبیین 909_/0 و مجذور میانگین مربعات خطا 259_/0 بیانگر کارایی بالای این مدل است. در نهایت نتایج تحقیق نشان می&shy;دهد که شاخص‌های سنجش از دوری</span><i><span dir="LTR" style="font-size:8.0pt">PCI, ET, EVI, NDVI</span></i><span lang="AR-SA" style="font-family:&quot;B Nazanin&quot;"> به ترتیب بیش‌ترین همبستگی را با شاخص هواشناسی داشته&shy;اند.</span></span></span></span></span></span><br> &nbsp; <span style="font-size:10pt"><span style="text-justify:inter-ideograph"><span style="line-height:150%"><span style="unicode-bidi:embed"><span style="font-family:&quot;Times New Roman&quot;,&quot;serif&quot;"><span style="line-height:150%">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&nbsp; the remote sensing indices and&nbsp; 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.</span></span></span></span></span></span><br> &nbsp; خشکسالی, تصاویر سنجش از دور, جنگل تصادفی, رگرسیون بردار پشتیبان Drought, Remote sensing images, Random forest, Support vector regression 121 141 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-85-3&slc_lang=fa&sid=1 Jamal Seyedi Ghaldareh جمال سیّدی قلدره jamalseyedi76@gmail.om 10031947532846008998 10031947532846008998 No University of Kurdistan دانشگاه کردستان Salman Ahmadi سلمان احمدی s.ahmadi@uok.a.ir 10031947532846008999 10031947532846008999 Yes University of Kurdistan دانشگاه کردستان Mehdi Gholamnia مهدی غلام نیا Mehdi_Gholamnia@ut.ac.ir 10031947532846009000 10031947532846009000 No Azad University, Sanandaj Branch دانشگاه آزاد واحد سنندج