TY - JOUR JF - kntu-jgit JO - jgit VL - 7 IS - 4 PY - 2020 Y1 - 2020/3/01 TI - Combining Neural Network and Wavelet Transform to Predict Drought in Iran Using MODIS and TRMM Satellite Data TT - ترکیب شبکه‌ عصبی و تبدیل موجک به منظور پیش‌بینی خشک‌سالی کشور ایران با استفاده از داده‌های ماهواره‌ای مادیس و TRMM N2 - 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. SP - 175 EP - 191 AU - Mokhtari Dehkordi, Ramin AU - Akhoondzadeh, Mahdi AD - University of Tehran KW - Drought KW - Wavelet Artifical Neural Networks KW - Time Series KW - NDVI. UR - http://jgit.kntu.ac.ir/article-1-769-fa.html DO - 10.29252/jgit.7.4.175 ER -