ارزیابی عملکرد مدل های CANFIS، MLPNN، MLR و M۵، در شبیه سازی شاخص خشکسالی هواشناسی (مطالعه موردی: ایستگاه سینوپتیک کرمانشاه)

پیش بینی به موقع خشکسالی و شدت بروز آن، می تواند در اتخاذ تمهیدات لازم برای مقابله با این پدیده اثرگذار باشد. استان کرمانشاه در دهه اخیر به یکی از کانون­های اصلی بحران خشکسالی در کشور تبدیل شده است. در این پژوهش به مقایسه مدل فازی-عصبی CANFIS با مدل­های دیگر شامل MLPNN، MLR و مدل درخت تصمیم­گیری M۵ در پیش­بینی شاخص خشکسالی SPI در مقیاس زمانی ۱۲،۹،۶،۳،۱ و ۲۴ ماهه، به­مدت ۷۰ سال پرداخته شده است. برای انتخاب بهینه ورودی از آنالیز خودهمبستگی و خودهمبستگی جزئی استفاده شد. نتایج بررسی نشان داد که درخت تصمیم گیری M۵ با ضریب تعیین برابر با ۹۳/۰ و میانگین مربعات خطا برابر با ۲۴۸/۰ نسبت به سایر مدل ها عملکرد بهتری داشته است همچنین میانگین مربعات خطا در مدل های CANFIS، MLR و MLPNN به­ترتیب ۳۰۷/۰، ۳۹۹/۰ و ۳۱۲/۰ مشخص کرد که مدل شبکه عصبی- فازی CANFIS در مقایسه با MLPNN و MLR عملکرد بهتری را در پیش­بینی شاخص خشکسالی داشته است. بر اساس محاسبات آماری و شاخص های ارزیابی شبکه مشخص شد که انتخاب گام زمانی تاثیر زیادی در نتایج مدل سازی دارد به طوری که همبستگی با گام های زمانی نه ماهه و بیشتر در تمامی مدل ها نتایج قابل قبول تری بین خشکسالی مشاهده شده و خشکسالی محاسبه شده ارائه داد. درمجموع نتایج نشان داد در برآورد خشکسالی مدل درختی M۵ مدلی کارآمد است که می توان برای تسهیل توسعه و پیاده سازی استراتژی های مدیریتی به­منظور جلوگیری از ایجاد خشکسالی مفید است.

کلیدواژه ها:

مدل فازی- عصبی ، پیش بینی خشکسالی ، شاخص خشکسالی ، درخت تصمیم گیری