مروری بر کاربرد مدلهای هوش مصنوعی در پیش بینی شاخصهای خشکسالی هواشناسی

خشکسالی یکی از پدیده های اقلیمی پیچیده و تاثیرگذار بر منابع آب کشاورزی و محیط زیست است که در سال های اخیر با شدت بیشتری بروز یافته است. در این میان شاخص های شاخص بارش استاندارد شده (SPI) و شاخص بارش تبخیر و تعرق استاندارد شده (SPEI) به عنوان ابزارهای کلیدی برای ارزیابی وضعیت خشکسالی به کار می روند. با توجه به محدودیت های روش های آماری کلاسیک در پیش بینی دقیق خشکسالی، مدل های هوش مصنوعی در سال های اخیر جایگاه ویژه ای در این حوزه یافته اند. این پژوهش با مروری نظام مند بر مطالعات انجام شده به بررسی عملکرد مدل های پرکاربردی چون شبکه های عصبی مصنوعی (ANN)، ماشین بردار پشتیبان (SVM)، جنگل تصادفی (RF)، حافظه بلندمدت-کوتاه مدت (LSTM) و رگرسیون فرآیند گاوسی (GPR) در پیش بینی شاخص های خشکسالی SPEI و SPI پرداخته است. نتایج مرور نشان می دهد که مدل های عمیق و ترکیبی به ویژه LSTM و GPR به دلیل توانایی در شناسایی وابستگی های غیرخطی و سری زمانی از دقت بالاتری نسبت به سایر مدل ها برخوردارند. در نهایت یافته ها تاکید می کنند که توسعه مدل های هوشمند ترکیبی می تواند مسیر آینده پژوهش در زمینه پایش و پیش بینی خشکسالی را ترسیم کند.

کلیدواژه ها:

شاخص بارش استاندارد شده ، خشکسالی ، هوش مصنوعی ، یادگیری ماشین ، یادگیری عمیق