پیش‌بینی خشکسالی تا ۱۰ هفته زودتر با استفاده از تکنیک‌های اخترفیزیک

به گزارش ایسنا از فیز، مدتها است محققان در کنیا از تصاویر ماهواره‌ای و متریکی به نام " شاخص وضعیت پوشش گیاهی" برای نظارت بر وضعیت مراتع و تعیین سلامت پوشش گیاهی استفاده می‌کنند. داده‌های این ابزار از طریق سیستم‌های هشدار زودرس خشکسالی به افراد مناطق خشک و نیمه خشک کنیا منتقل می‌شود.

با این حال این سیستم‌ها که توسط سازمان ملی مدیریت خشکسالی(NDMA) اداره می‌شود تنها به سازمان‌ها و جوامع اجازه می‌دهد در مواقعی که خشکسالی رخ داده است برای جبران عوارضش چاره‌ای بیاندیشند و در آن زمان شرایط به حدی سخت است که تأثیر بسیار مخربی بر معیشت مردم محلی می‌تواند بگذارد.

حال تیمی از محققان دانشگاه ساسکس و سازمان ملی مدیریت خشکسالی سیستمی جدید با نام "استروکست"(Astrocast) را توسعه داده‌اند. این سیستم به افراد امکان می‌دهد تا ۱۰ هفته زودتر از قبل خشکسالی را پیش‌بینی کنند.

در این مطالعه محققان توضیح دادند که چگونه یک تیم از دانشمندان میان رشته‌ای(ستاره شناسان و ریاضیدانان) با جغرافی‌دانان همکاری کردند تا از تکنیک‌های علم نجوم برای انجام این کار استفاده کنند. پردازش داده‌ها به طور مستقیم توسط تلسکوپ های فضایی انجام می‌شود و آن داده‌ها با روش‌های آماری برای پیش‌بینی هوا مورد استفاده قرار می‌گیرد.

دکتر "پدرام روحانی"(Pedram Rowhani) استاد ارشد جغرافیا و از توسعه دهندگان آستروکاست گفت: در بسیاری از موارد اولین علائم خشکسالی روی پوشش گیاهی طبیعی دیده می‌شود که از فضا قابل کنترل است. رویکرد ما شاخص وضعیت پوشش گیاهی گذشته و حال(VCI) را اندازه گیری می‌کند و این شاخصی است که مبتنی بر تصاویر ماهواره‌ای است و اغلب برای شناسایی شرایط خشکسالی، درک روندها و تغییرات کلی پوشش گیاهی در طول زمان و برای پیش‌بینی آنچه ممکن است در آینده اتفاق بیفتد، مورد استفاده قرار می‌گیرد.

"سب الیور"(Seb Oliver) استاد اخترفیزیک و یکی از توسعه دهندگان آستروکاست، اظهار داشت: بخش بزرگی از تحقیقات من در زمینه اخترفیزیک است که به پردازش داده‌ها از تلسکوپ‌های فضایی نجومی مانند رصدخانه فضایی هرشل می‌پردازم. ما اغلب برای تفسیر داده‌های نجومی خود از داده‌های آمارهای و روش‌های یادگیری ماشینی استفاده می‌کنیم. در این حالت نیز ما از روش‌های یادگیری ماشینی استفاده کرده‌ایم و توانسته‌ایم وضعیت پوشش گیاهی را تا ۱۰ هفته زودتر پیش‌بینی کنیم.

یافته‌های این مطالعه در مجله "Remote Sensing of Environment "منتشر شده است.