اثر بهینه سازی کرنل در مدلسازی پدیده خشکسالی با بهره گیری از هوش محاسباتی (مطالعه موردی: شهر سنندج)

خشک سالی یکی از مهم ترین بلایای طبیعی است که اثرات مخرب و زیان باری در زمینه های مختلف اقتصادی، اجتماعی و زیست محیطی به جای می گذارد. با توجه به رفتار تکرارشوندگی این پدیده، در صورت عدم اجرای راهکارهای مناسب، آثار مخرب آن تا سال ها پس از وقوع می تواند در منطقه باقی بماند. اکثر بحران های طبیعی از قبیل سیل، زلزله، طوفان و رانش زمین در دوره ای کوتاه ممکن است خسارات سنگین مالی و جانی به جامعه وارد کنند، اما خشک سالی ماهیت آرام و خزشی دارد و آثار مخرب آن به تدریج و در مدت طولانی تری ظاهر می شود. ازاین رو با مدل سازی خشک سالی می توان طرح هایی جهت آماده سازی در مقابل خشک سالی و کاهش خسارات ناشی از آن ارائه کرد. در این پژوهش از الگوریتم های هوش محاسباتی شبکه عصبی پرسپترون چندلایه (Multi-Layer Perceptron)، شبکه عصبی رگرسیونی تعمیم یافته (Generalized Regression Neural Network)، رگرسیون بردار پشتیبان با کرنل گوسین (Support Vector Regression) و رگرسیون بردار پشتیبان با کرنل پیشنهادی (Support Vector Regression New kernel) جهت مدل سازی خشک سالی با در نظر گرفتن شاخص استانداردشده بارش Standardized Precipitation Index) ( استفاده شده است. نتایج مدل سازی ها در اغلب حالات بیانگر کارایی بهتر مدل پیشنهادی SVR_N نسبت به دیگر مدل ها بود که در SPI ۴۸ ماهه بهترین دقت مدل سازی حاصل گردید و مقدار RMSE و R۲ به ترتیب برابر ۰۹۳/۰ و ۹۹۱/۰ به دست آمد. همچنین مدل های GRNN، MLP و SVR به ترتیب بعد از SVR_N کارایی بهتری در مدل سازی از خود نشان دادند. نتایج این تحقیق بیانگر اهمیت انتخاب و بهینه سازی کرنل بر رفتار مدل سازی پدیده خشک سالی در مدل سازی به روش رگرسیون بردار پشتیبان است.

کلیدواژه ها:

هوش محاسباتی ، شبکه عصبی ، کرنل ، رگرسیون بردار پشتیبان