آب و خاک

چکیده مطالعه الگوی کاربری/پوشش اراضی و کسب اطلاعات درست و به‌روز در این خصوص از گام‌های نخست در مدیریت اراضی است. تحقیق حاضر در منطقه‌ای با وسعت 8000 هکتار از اراضی شهرستان سراب به‌منظور بررسی امکان تفکیک حداکثری و نقشه‌برداری دقیق پدیده‌های زمینی مرتبط با کاربری/پوشش اراضی انجام شد. الگوی کاربری/پوشش منطقه مورد مطالعه با استفاده از باندهای مرئی، NIR و SWIR سنجنده OLI و به کمک الگوریتم ماشین‌بردار پشتیبان و حداکثر احتمال طبقه‌بندی شدند. سپس به‌منظور بهبود کیفیت نقشه کاربری/پوشش اراضی، نقشه DEM و سه گروه شاخص طیفی شامل شاخص‌های پوشش گیاهی (NDVI-SAVI-LAI-EVI1-EVI2)، شاخص‌های خاک (BSI-BSI3-MNDSI-NBI-DBSI-NBLI) و شاخص‌های تلفیقی مستخرج از تصاویر ماهواره‌ای (TLIVI-ATLIVI-LST-) بررسی و شاخص‌های منتخب مجدد در الگوریتم طبقه‌بندی برتر وارد و کیفیت نقشه‌های خروجی مورد ارزیابی قرار گرفت. مقایسه نتایج محاسبه صحت کلی طبقه‌بندی و ضریب کاپا نشان داد که در تمامی ترکیبات باندی به‌کار رفته، روش ماشین‌بردار پشتیبان عملکرد بهتری نسبت به روش حداکثر احتمال داشته است. سپس، شاخص‌هایی که بیشترین تأثیر را در افزایش صحت طبقه‌بندی داشتند انتخاب و مجدداً عملیات طبقه‌بندی فقط با روش ماشین‌بردار پشتیان انجام شد و تا حصول بیشترین مقادیر پارامترهای ارزیابی صحت نقشه تکرار شد. نتایج نشان داد از شاخص‌های گیاهی، شاخص LAI با بیشترین تأثیر باعث افزایش 64/2 درصدی صحت طبقه‌بندی، از شاخص‌های خاک، شاخص‌های BSI و MBI مطلوب‌ترین عملکرد را داشته و ‌به‌ترتیب باعث افزایش 95/1 و64/1 واحدی صحت طبقه‌بندی شده و از شاخص‌های تلفیقی، LST و ALTIVI به‌ترتیب موجب افزایش 75/2 و 35/2 واحدی درصد صحت طبقه‌بندی شدند. در نهایت فرآیند طبقه‌بندی با استفاده از پنج باند سنجنده OLI (باندهای مرئی+NIR+SWIR1) و شاخص‌های منتخب شامل LAI، BSI، MBI، LST و ALTIVI و الگوریتم‌ ماشین بردار پشتیبان انجام و صحت طبقه‌‌بندی و ضریب کاپا به‌ترتیب 24/85 % و 82/0 محاسبه و منطقه مورد مطالعه به دوازده کلاس کاربری/پوشش اراضی تفکیک شد. در نهایت به‌منظور بهره‌گیری از نقشه کاربری/پوشش اراضی در مدیریت پایدار اراضی توصیه به تهیه این نقشه در دو مرحله شامل انتخاب الگوریتم برتر و در گام بعد استفاده از شاخص‌های طیفی می‌باشد.

چکیده شبیه‌سازی فرآیند بارش-رواناب می‌تواند نقش بسزایی در مدیریت منابع آب و مسائل هیدرولوژی داشته باشد. در این تحقیق با استفاده از مدل‌های داده‌کاوی ماشین بردار پشتیبان (SVM) و جنگل تصادفی (RF) اقدام به مدل‌سازی بارش- رواناب دو ایستگاه بناب و خرمازرد به‌ترتیب واقع بر روی رودخانه‌های صوفی‌چای و ماهپری‌چای (دشت مراغه) شده است. در مطالعه حاضر داده‌های ایستگاه‌های هواشناسی و هیدرومتری منطقه از سال 1355 تا 1397 از شرکت آب منطقه‌ای و سازمان هواشناسی استان آذربایجان شرقی دریافت گردید. تغییر روند رواناب جاری در سال 1374، باعث گردید مدت مطالعه به دو دوره قبل و بعد آن تقسیم شود. مقدار بارش و رواناب با تاخیر زمانی یک ماه بعنوان ورودی به این مدل وارد و سپس مقادیر رواناب ماهانه مشاهداتی با رواناب ماهانه تخمین زده شده با استفاده از معیارهای ارزیابی خطا مورد بررسی گرفت. نتایج نشان داد که در هر دو دوره برای ایستگاه بناب مدل SVM کارآیی بالاتری نسبت به مدل RF داشت و در ایستگاه خرمازرد نیز برای این دو دوره، مدل RF عملکرد بهتری از مدل SVM ارائه کرد. نتایج مدل‌سازی در مجموعه تست در دو ایستگاه نشان داد که مقدار همبستگی متقابل برای دو دوره مطالعاتی اول و دوم ایستگاه بناب ‌به‌ترتیب برابر با 85/0 و 84/0 و برای ایستگاه خرمازرد برابر با 79/0 و 75/0 بدست آمد. با توجه به نتایج مقادیر آماره من کندال و سری‌های زمانی برای هر دو ایستگاه، روند مشخصی برای بارش در طول دوره مشاهده نشد، ولی دبی رودخانه‌ صوفی‌چای در ایستگاه بناب، بخصوص بعد از سال 1374 روند صعودی و دبی رودخانه ماهپری‌چای روند کاملا نزولی داشته است.

چکیده باتوجه به بحران خشکیدگی دریاچه ارومیه، مطالعه وضعیت پوشش‌گیاهی و خشکسالی کشاورزی محدوده حوضه آبریز دریاچه ارومیه که یکی از شش حوضه اصلی ایران محسوب می‌شود، از اهمیت قابل توجهی برخوردار است. در این مطالعه ابتدا یک شاخص ترکیبی خشکسالی CDI (Combined Drought Index) مبتنی بر شاخص‌های وضعیت پوشش گیاهی (VCI)، وضعیت دمایی گیاهی (TCI) و شاخص تنش آبی محصول (CWSI) با‌استفاده از داده‌های سنجنده MODIS قرار‌گرفته در ماهواره TERRA معرفی و محاسبه گردید. سپس با روش‌های درخت تصمیم-طبقه‌بندی و درخت رگرسیون (DT-CART)، ماشین‌بردار پشتیان (SVM) و حافظه کوتاه مدت، بلند مدت (LSTM) و حافظه کوتاه مدت دو جهته (BiLSTM)، شاخص ترکیبی خشکسالی (CDI) معرفی و تخمین زده شد. در فرآیند مدل‌سازی شاخص ترکیبی خشکسالی، محصولات شاخص‌های پوشش گیاهی، تبخیر-‌‌تعرق، تبخیر-تعرق پتانسیل، دمای سطح زمین در روز و دمای سطح زمین در شب برگرفته از سنجنده MODIS به‌عنوان ورودی مدل‌ها استفاده شد. درنهایت بررسی عملکرد مدل‌ها براساس ترکیب‌های متفاوتی از ورودی مدل‌ها بااستفاده از معیارهای ارزیابی شامل ضریب همبستگی، جذر میانگین مربعات خطا و ضریب ناش ساتکلیف و همچنین به کمک نمودارهای کلوروگرام، تیلور و ویلونی بصورت بصری انجام‌شد. نتایج نشان‌داد که متغیر‌های دمای سطح زمین در روز، دمای سطح زمین در شب و تبخیر-تعرق موثرترین متغیرها برای مدل‌سازی شاخص ترکیبی خشکسالی (CDI) و مطالعه خشکسالی کشاورزی می‌باشند. همچنین مدل CART با ضریب همبستگی 96/0، میانگین جذر مربعات خطا برابر با 029/0 و ضریب ناش ساتکلیف 92/0 به‌عنوان بهترین مدل انتخاب گردید. نتایج بدست آمده نشان‌داد که روش‌های یادگیری ماشین و یادگیری عمیق ابزاری توانمند در مدل‌سازی و پیش‌بینی شاخص ترکیبی خشکسالی (CDI) بوده و در بررسی و ارزیابی خشکسالی کشاورزی به‌خصوص در حوضه‌های فاقد آمار با اطمینان کافی می‌تواند مورد استفاده قرار گیرد.

چکیده برآورد سطح زیرکشت محصول، گامی اساسی در تعیین میزان تولیدات زراعی و لازمه تصمیم‌گیری در انجام مبادلات اقتصادی است. سنجش از دور، با داشتن داده‌های به‌روز و قابلیت آنالیز تصاویر ماهواره‌ای با دقتی مناسب و نیز امکان مطالعه در محدوده‌های وسیع، ابزاری کلیدی در این قبیل ارزیابی‌ها می‌باشد. هدف این پژوهش، ارزیابی کارایی روش‌های طبقه‌بندی و شاخص‌های طیفی در برآورد سطح زیرکشت محصولات زراعی شهرستان شوش در طول دوره رشد است. ابتدا تصاویر OLI ماهواره لندست ۸ با توجه به تقویم زراعی سال ۹۸-۱۳۹۷ و دوره رویشی محصولات غالب منطقه، انتخاب شدند. برای شناسایی و تفکیک محصولات زراعی در رویکرد اول، از روش‌های طبقه‌بندی شبکه عصبی مصنوعی و ماشین بردار پشتیبان و در رویکرد دوم، از شاخص NDVI استفاده شد. برای مقایسه نتایج، از آمار سطح زیرکشت سازمان جهاد کشاورزی در سال ۱۳۹۸ استفاده شد. براساس نتایج بدست آمده، سطح زیرکشت گندم، جو، برنج و ذرت در روش شبکه عصبی مصنوعی، در مقایسه با آمار سازمان جهاد کشاورزی به‌ ترتیب خطای ۱۱.۷، ۱۲.۱، ۶.۱ و ۶.۷ درصد و در روش ماشین بردار پشتیبان به ‌ترتیب خطای ۸.۹، ۶.۶، ۴.۲ و ۵.۱ درصد داشته است. اما شاخص NDVI بهترین روش برآورد سطح زیرکشت منطقه در مقایسه با آمار سازمان جهاد کشاورزی به ‌ترتیب دارای خطای ۴.۲، ۱.۲، ۲.۷ و ۱.۵ درصد بوده که نشان‌دهنده قابلیت بالا و دقت شاخص‌های طیفی در برآورد سطح زیرکشت محصولات زراعی منطقه با توجه به دوره رشد آن‌ها است. لذا پیشنهاد شد تا برای تعیین سطح زیرکشت محصولات شهرستان شوش از پیاده‌سازی شاخص‌های طیفی استفاده شود.

چکیده آگاهی از وضعیت پوشش زمین و نوع کاربری­های آن برای بسیاری از مطالعات زیست­ محیطی، تغییرات اقلیمی و مدیریت منابع خاک و آب ضروری است. امروزه به­طور فزاینده­ای از اطلاعات سنجش از دور، که از ماهواره­ها بدست می­آیند، برای تهیۀ نقشۀ پوشش/کاربری اراضی استفاده می­شود. هدف از این مطالعه بررسی کارایی ماشین­های بردار پشتیبان برای طبقه­بندی تصاویر ماهوارۀ لندست 8 به منظور تهیۀ نقشه­های پوشش/کاربری اراضی حوضه آبخیز سد گاوشان در غرب ایران با مساحتی در حدود 206 هزار هکتار و نیز مقایسۀ آن با شبکه­های عصبی مصنوعی بود. بدین­منظور از 1320 نقطه به عنوان نقاط کنترل زمینی یا نقاط مرجع استفاده شد. کلاس کاربری در هر نقطه با پیمایش صحرایی و یا با استفاده از تصاویر گوگل ارث مشخص گردید. برای ترکیب ماشین­های بردار پشتیبان دودویی برای طبقه­بندی چند کلاسه از استراتژی­های یک در مقابل یک، یک در مقابل همه و ترتیبی استفاده شد. همچنین در هر استراتژی کرنل­های مختلف خطی، چند جمله­ای و شعاعی بکار گرفته شد. بر این اساس در بین مدل­های مختلف ایجاد شده بهترین عملکرد بر اساس روش یک در مقابل یک و تابع کرنل چند جمله­ای درجۀ سه به­دست آمد. آزمون مک­نمار نشان داد که کارایی مدل به­دست امده با صحت کلی 5/89 درصد و شاخص کاپای 9/84 به­طور معنی­داری از شبکه­های عصبی مصنوعی بالاتر است (001/0>P). نتایج این مطالعه نشان می­دهد که ماشین­های بردار پشتیبان در مقایسه با شبکه­های عصبی مصنوعی از کارایی بالاتری برای طبقه­بندی تصاویر ماهواره­ای برخوردارند؛ با اینحال صحت آنها به­طور قابل ملاحظه­ای متأثر از الگوی ترکیب ماشین­ها و نوع تابع کرنل می­باشد.

چکیده پیش بینی دقیق جریان رودخانه ها در مدیریت منابع آب از اهمیت بسزایی برخوردار است. در مطالعه حاضر به منظور پیش بینی جریان رودخانه باراندوزچای از دو روش برنامه ریزی ژنتیک (GP) و ماشین بردار پشتیبان (SVM) استفاده شد. داده های جریان روزانه این رودخانه در ایستگاه دیزج در خلال سال های 1385 تا 1389 برای ایجاد مدل استفاده شد که 80 درصد داده ها برای آموزش و 20 درصد برای تست مدل بکار رفت. نتایج نشان داد که در هر دو روش، مدل های شامل جریان یک، دو و سه روز قبل بالاترین دقت را در مرحله صحت سنجی داشتند. همچنین دقت هر دو مدل با افزایش مقادیر دبی کاهش می یابد. مقایسه نتایج دو مدل نشان داد که گرچه دقت روش برنامه ریزی ژنتیک با 978/0R= و ( )66/1RMSE= نسبت به روش ماشین بردار پشتیبان با 976/0R= و ( )80/1RMSE= اندکی بیشتر بود، اما روش SVM به مراتب ساده تر از روش GP می باشد و این روش می تواند به عنوان یک روش کاربردی برای پیش بینی جریان روزانه بکار رود.