کارآیی شبکه عصبی بازگشتی و تئوری ابری در پیش بینی و عدم قطعیت احتمال وقوع خشکسالی و تغییرات آن (مطالعه موردی: ایستگاه کرمانشاه)

خشکسالی به عنوان مخاطره ای اقلیمی، جزء جدایی ناپذیر تغییرات آب و هوایی است که ممکن است در هر منطقه ای اتفاق بیفتد و منابع آبی را با مشکل جدی مواجه کند. از این رو بررسی آن در کشور ایران با تنوع اقلیمی بالا از اهمیت قابل توجه ای برخوردار است. در این پژوهش برای بیان احتمال وقوع خشکسالی از داده های آماری ایستگاه سینوپتیک کرمانشاه در یک دوره آماری ۶۳ ساله (۱۳۳۰-۱۳۹۶)، و با توجه به توالی داده های بارشی، از شبکه عصبی بازگشتی برای تخمین شاخص خشکسالی SPI استفاده شده است. ضمنا برای جبران کمبود داده ها و افزایش سرعت همگرایی شبکه، روش کرنل برای تولید داده ها در آموزش شبکه عصبی بکار گرفته شد. برای تحلیل مقاومت شبکه عصبی مصنوعی و محاسبه احتمال رخداد پدیده خشکسالی، از تئوری ابری استفاده شده است تا تحلیل رفتار سیستم خروجی بدست آید. با بررسی معیار آماری میانگین مجذور مربعات خطا مشاهده شد که پیش بینی خشکسالی کرمانشاه با دقت قابل قبولی انجام شده است. میانگین مربعات خطا (MSE)، برابر با ۰.۰۳ به دست آمد که نشان از برآورد و شبیه سازی مناسب مدل ها دارد. همچنین تحلیل روند دوره مورد مطالعه از طریق آزمون من کندال، صحت و درستی داده های خروجی پیش بینی شده را تایید کرده است.

کلیدواژه ها:

خشکسالی ، تغییرات ، تئوری ابری ، ایستگاه کرمانشاه