الهام رفیعی ساردوئی

رطوبت خاک یکی از اجزاء مهم مدلهای اقلیمی و هیدرولوژیکی است که بخش قابل توجهی از مطالعات مربوط به خشکسالی را نیز به خود اختصاص داده است.در این مطالعه یک الگوریتم تخمین رطوبت خاک بر اساس رابطه مثلث جهانی با ترکیب بین رطوبت خاک، دمای سطح زمین (LST) و شاخص گیاهی تفاوت نرمال شده (NDVI) بدست آمد. با استفاده از روشهای یادگیری ماشین به مدلسازی و پیشبینی خشکسالی پرداخته شد. برای اندازهگیری میدانی دادههای رطوبت خاک در دو سال 2021 و 2022، نمونه-برداری از 50 نقطه و عمق 0 تا 30 سانتیمتر با استفاده از روش نمونهبرداری تصادفی انجام شد تا صحت نقشههای رطوبت خاک تهیه شده براساس معادله بررسی گردد. رگرسیون خطی چندگانه بین مشاهدات رطوبت خاک و دادههای سری زمانی NDVI و LST با استفاده از روش OLS برقرار و نقشههای رطوبت خاک در طول سالهای 2007 تا 2022 بر طبق الگوریتم بهدست آمده، تهیه شد. براساس نتایج ارزیابی تخمین رطوبت خاک، هر دو متغیر مستقل NDVI و LST در سطح 99 درصد معنی دار بودند (p-value<0.01). همچنین بررسی همخطی متغیرهای NDVI وLST براساس ضریب تورم واریانس با توجه به اینکه VIF هر دو متغیر کمتر از 10 بود، نشان داد مشکل همخطی در بین متغیرهای مستقل NDVI و LST وجود ندارد. خطای استاندارد کم نشان داد مقدار تخمینی اختلاف ناچیزی با مقدار واقعی دارد. مقدار آماره t دو متغیره بالاتر از 2 است که از نظر آماری معنیدار در نظر گرفته میشود. بهطور کلی، مقدار R2= 0.78 نشاندهنده دقت مناسب روش تخمین رطوبت خاک میباشد. نقشه های خطر خشکسالی کشاورزی (ADH) توسط سه مدل یادگیری ماشین ایجاد شد. هر سه نقشه الگوهای توزیع فضایی مشابه، با ADH خیلی کم در بخش های مرکزی و ADH خیلی زیاد در بخش های جنوبی، غربی و شمال غربی منطقه مورد مطالعه را نشان داد. با توجه به منحنی های ROC و مقادیر AUC مربوط به آن ها مرتبط با سه مدل، مدل SVM با (AUC=0.95 و STD=0.146) بالاترین دقت را در بین سه مدل دارد. طبق مدل SVM حدود 2/ 17درصد و 5/54 درصد از منطقه مورد مطالعه را می توان بهترتیب بهعنوان مناطق با خطر خشکسالی زیاد و بسیار زیاد طبقه بندی کرد. اهمیت نسبی متغیرهای پیش بینی کننده با استفاده از آزمون جک نایف مورد تجزیه و تحلیل قرار گرفت. نتایج آزمون جک نایف حاکی از آن است که SAWC، TWI، NDVI و تراکم زهکشی از عوامل موثر بر وقوع خشکسالی در دشت جیرفت هستند.