ارزیابی عملکرد مدلهای سری زمانی، شبکه عصبی و سیستم استنتاج عصبی- فازی در پیشبینی خشکسالی هواشناسی (مطالعه موردی: ایستگاه سینوپتیک سمنان)

خشک ­سالی به­ عنوان یک بلای طبیعی نا محسوس تقریبا در تمامی اقلیم ­ها رخ می ­دهد و مشخصات آن از یک منطقه به منطقه دیگر متفاوت ­است. با توجه به نوسانات بیشتر در مقادیر بارندگی دربخش­های جنوبی، شرقی و مرکزی ایران و در نتیجه آسیب­پذیریبیشتر آن­ ها نسبت به پدیده خشک سالی، هدف اصلی این تحقیق یافتن مناسب ­ترین روش برای پیش­ بینی خشک­سالی شهر سمنان می­باشد. در پژوهش حاضر، با استفاده از روش ­های سری ­های زمانی، شبکه عصبی مصنوعی (ANN) و سیستم استنتاج فازی-عصبی تطبیقی (ANFIS) سعی شده تا مدل­ های مناسب برای پیش بینی خشک­سالی شهر سمنان ارائه گردد. در این مدل­ سازی ­ها از داده ­های میانگین ماهانه شامل بارندگی، دما، حداکثر و حداقل دما، رطوبت نسبی، حداکثر و حداقل رطوبت نسبی و شاخص خشک­سالی SPI طی دوره آماری ۱۹۶۶ تا ۲۰۱۳ استفاده شده است. بر­اساس نتایج، SPI و مقادیر پیشین آن نسبت به بارش عملکرد مناسب ­تری را داشت. با بررسی تمامی مدل­ ها، مدل ۶(۱،۰،۱)(۰،۰،۱)ARIMA با برازش مناسب داده ­های SPIبا کمترین مقدار جذر میانگین مربعات خطا (RMSEبرابر ۴۴۲/۰ در مرحله آموزش و ۵۲۱/۰ در مرحله آزمون) و مناسب ­ترین ضریب همبستگی (R) برابر ۸۸۹/۰ در مرحله آموزش و ۸۴۶/۰ در مرحله آزمون) به­ عنوان مدل برتر انتخاب شد. با استفاده از این مدل، مقادیر SPI برای ۱۲ گام زمانی بعدی پیش­ بینی گردید. مدل ANFIS  با مقادیر ۵۱۳/۰=RMSE، ۳۷۷/۰=MAE، و ضریب همبستگی (R) برابر ۸۶۱/۰ در مرحله آموزش و ۵۱۸/۰=RMSE، ۴۱/۰=MAE، و ۸۴۱/۰=R در مرحله آزمون و ANNبا مقادیر ۵۳۴/۰=RMSE، ۳۹۳/۰=MAE و ۸۵/۰=R در مرحله آموزش و ۵۳۲/۰=RMSE، ۴۰۲/۰=MAE، و ۸۳۷/۰=R در مرحله آزمون به ­ترتیب در رتبه های بعدی قرار گرفتند.

کلیدواژه ها:

پیش بینی خشک سالی ، مدل سری زمانی ، شبکه عصبی ، سیستمهای استنتاج عصبی- فازی تطبیقی