TY - JOUR JF - kntu-jgit JO - jgit VL - 10 IS - 3 PY - 2023 Y1 - 2023/2/01 TI - Evaluation of remote sensing-based drought monitoring indexes using support vector regression and random forest models (Case study: Marivan city) TT - ارزیابی شاخص‌های سنجش از دوری پایش خشکسالی با استفاده از رگرسیون بردار پشتیبان و مدل‌های جنگل تصادفی (مطالعه موردی: شهرستان مریوان) N2 - 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 شاخص­های مختلف خشکسالی تولید شده از داده‌های ماهواره­ای مادیس و TRMM که از بسترگوگل ارث انجین استخراج شده­اند، شرایط خشکسالی در شهرستان مریوان از ماه‌های فوریه تا نوامبر برای سال­های 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 نشان­دهنده ضریب تبیین 88/0 و مجذور میانگین مربعات خطا 313/0 بین شاخص­های خشکسالی حاصل از داده­های ماهواره­ای و نیز اطلاعات ایستگاه­های 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 می­دهد که شاخص‌های سنجش از دوریPCI, ET, EVI, NDVI به ترتیب بیش‌ترین همبستگی را با شاخص هواشناسی داشته­اند. SP - 121 EP - 141 AU - Seyedi Ghaldareh, Jamal AU - Ahmadi, Salman AU - Gholamnia, Mehdi AD - University of Kurdistan KW - Drought KW - Remote sensing images KW - Random forest KW - Support vector regression UR - http://jgit.kntu.ac.ir/article-1-891-fa.html DO - 10.52547/jgit.10.3.121 ER -