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

  • سال انتشار: 1403
  • محل انتشار: فصلنامه علوم و مهندسی آبیاری، دوره: 47، شماره: 1
  • کد COI اختصاصی: JR_JISE-47-1_006
  • زبان مقاله: فارسی
  • تعداد مشاهده: 147
دانلود فایل این مقاله

نویسندگان

حامد مازندرانی زاده

دانشیار گروه علوم و مهندسی آب، دانشگاه بین المللی امام خمینی (ره)، قزوین

فریبا خدابخشی

دانشجوی دکتری گروه علوم و مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه بین المللی امام خمینی (ره)، قزوین، ایران.

چکیده

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

اطلاعات بیشتر در مورد COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.