پیش ­بینی خشکسالی با نمایه­ های SPI و EDI به روش مدل­ سازی ANFIS بر مبنای خوشه ­بندی C-Mean و SC (مطالعه موردی: استان کهگیلویه و بویراحمد)

Abstract

خشکسالی از جمله اصلی‌ترین و قدیمی‌ترین بلای طبیعی است که اثرات زیست محیطی مهمی را به دنبال دارد. استان کهگیلویه و بویر احمد علیرغم آنکه از لحاظ میزان بارش مقام سوم را در سطح کشور دارا می­باشد، اما خشکسالی‌ها به‌طور متناوب این استان را تحت تأثیر قرار داده و خسارات بسیار سنگینی را به دنبال دارند. ﻳﺎﻓﺘﻦ نمایه‌های اندازه‌گیری ﺧﺸﮑﺴﺎﻟﻲ ﺑﺮﺍﻱ پیش‌بینی ﻭ ﺍﺭﺯﻳﺎﺑﻲ ﻣﮑـﺎﻧﻲ ﻭ ﺯﻣـﺎﻧﻲ ﺍﻳـﻦ ﭘﺪﻳـﺪﻩ به‌منظور ﻣﺪﻳﺮﻳﺖ ﺑﺤﺮﺍﻥ ﺁﻥ ضروری ﻭ ﺣﻴﺎﺗﻲ ﺑﻪ ﻧﻈﺮ می‌رسد. ﺩﺭ ﺍﻳﻦ پژوهش با استفاده ﺍﺯ ﻣﺒﺎﻧﻲ شبکه‌های عصبی مصنوعی (ANN) و مدل ﻋﺼﺒﻲ ﻓﺎﺯﻱ تطبیقی (ANFIS) ﺑﻪ ﻫﻤﺮﺍﻩ آنالیز خوشه‌بندی فازی ﺑﺮﺍﻱ پیش‌بینی ﺧﺸﮑﺴﺎﻟﻲ ﺑﺎ ﻧﻤﺎﻳـﻪ ﺑـﺎﺭﺵ استاندارد (SPI) و نمایه خشکسالی مؤثر (EDI) اﺳﺘﻔﺎﺩﻩ گردیده است. نتایج به دست آمده از پژوهش بیانگر آن است که نمایه SPI با ضریب صحت‌سنجی 0/87 نسبت به نمایه EDI با ضریب صحت‌سنجی 0/73 قابلیت و دقت بیشتری در پیش­بینی خشکسالی دارد و از طرف دیگر راهبرد شبکه عصبی- فازی تطبیقی بر مبنای روش خوشه­بندی تکراری (C-Mean) و کاهشی (SC) در امر مدل‌سازی برای پیش‌بینی خشکسالی از کارایی بالایی برخوردار است. نتایج نشان می­دهد که خوشه‌بندی باعث افزایش دقت مدل‌سازی در مرحله صحت‌سنجی و واسنجی شده است. همچنین خوشه­بندی تکراری با ضریب واسنجی 0/93 و ضریب صحت‌‌سنجی 0/87 بهترین مدل می‌باشد.