پیش بینی خشکسالی هواشناسی در ایستگاه سینوپتیک ساری، با استفاده شاخص بارش استاندارد (SPI) و مدل پرسپترون چندلایه (MLP)

خشکسالی از پدیده های مخرب طبیعی است که گستره وقوع آن شامل تمامی مناطق از جمله اقلیم های مرطوب نیزمی شود. در تحقیق جاری قصد بر ارائه پیش بینی خشکسالی هواشناسی در منطقه معتدل و مرطوب ساری می باشد.بدین منظور داده های ماهانه بارش از سازمان هواشناسی کشور، برای دوره ۲۰۰۰ تا ۲۰۱۷ دریافت گردید. سپسشاخص بارش استاندارد (SPI) برای این منطقه در سه پنجره زمانی ۳ ماهه ((۳)SPI)؛ ۶ ماهه ((۶)SPI) و ۱۲ ماهه((SPI(۱۲) محاسبه شد. مدل استفاده شده برای پیش بینی، مدل پرسپترون چندلایه (MLP) است که از مهمترینمدل های هوش مصنوعی می باشد. ورودی های استفاده شده برای پیش بینی SPI، شامل مقادیر گذشته ی خود متغیربود و برای هر پنجره زمانی توسط تابع خودهمبستگی انتخاب گردید. داده ها برای ورود به مدل به دو بخش آموزشو آزمون تقسیم گردیدند که به ترتیب شامل ۷۵ و ۲۵ درصد از کل داده ها می باشد. پس از اجرای مدل مشخص شدکه بهترین آرایش شبکه برای پیش بینی SPI، آرایش یک لایه پنهان و ۱۵ نورون است و توابع انتقال تانژانتسیگموییدی و لگاریتم سیگم وییدی بهترین سازگاری را با داده های این تحقیق داشتند. نتایج نشان داد که مدل MLPدقت بسیار خوبی در پیش بینی SPI برای این اقلیم داشته است و در مقایسه با نواحی خشک و نیمه خشک بسیارکارآمد تر است. همچنین پیش بینی پنجره های زمانی بزرگتر ((۶)SPI و (۱۲)SPI) با دقت بیشتری نسبت به پنجره زمانیکوچک تر ((۳)SPI) انجام می گیرد.

کلیدواژه ها:

خشکسالی ، شبکه عصبی مصنوعی ، شاخص بارش استاندارد ، خشکسالی هواشناسی