مقایسه روش‌های مختلف پیش‌بینی شاخص خشک‌سالی SPI

Abstract

خشک‌سالی یکی از پدیده‌های آب و هوایی است که در همه شرایط اقلیمی و در همه مناطق کره زمین به وقوع می‌پیوندد. پیش‌بینی خشک‌سالی نقش مهمی در طراحی و مدیریت منابع طبیعی، سیستم‌های منابع آب، تعیین نیاز آبی گیاه و... ایفا می‌نماید. در طی دهه‌های اخیر شبکه‌های عصبی توانایی‌های زیادی را در مدل‌سازی و پیش‌بینی سری‌های زمانی غیرخطی و غیرایستا نشان داده‌اند. از این‌رو، در این تحقیق به‌منظور پیش‌بینی خشک‌سالی، از دو نوع شبکه عصبی مصنوعی پرسپترون چندلایه (MLP) و تابع پایه‌ای شعاعی (RBF) استفاده شده است. به این منظور از داده‌های بارندگی ایستگاه نوده با دوره آماری 41 ساله در حوزه آب‌خیز گرگان‌رود، استفاده شد. وضعیت رطوبتی با استفاده از شاخص بارندگی استاندارد شده (SPI) در دوره‌های زمانی کوتاه‌مدت (1، 3، 6 و 9 ماهه) و بلندمدت (12، 24 و 48 ماهه) محاسبه گردید. سپس از بین داده‌های محاسبه شده، دوره 46-1345 الی 78-1377 به‌عنوان داده آموزش و دوره 79-1378 الی 86-1385 به‌عنوان داده آزمون انتخاب گردید. برای تخمین مقدار SPI در زمان t از مقادیر SPI در زمان‌های قبل استفاده شد. نتایج نشان داد که شبکه عصبی مصنوعی MLP نسبت به شبکه عصبی مصنوعی RBF با دقت بالاتری مقادیر SPI و وضعیت خشک‌سالی را پیش‌بینی می‌کند. همچنین مقایسه نتایج با نتایج حاصل از به‌کارگیری سری زمانی ARIMA نشان‌دهنده دقت بالای این روش می‌باشد.