پایش و پیش بینی خشکسالی با شاخصSPIبه وسیله شبکه های عصبی مصنوعی(مطالعه موردی:دشت کرمان)

خشک سالی یکی از پیچیده ترین بلایای طبیعی است که به طور اتفاقی و ناگهانی رخ نمی دهد و خساراتی را که می تواند در صورت رخداد در طی یک دوره زمانی وارد نماید غیرقابل جبران است. لذا پیش بینی خشک سالی به عنوان یکی از استراتژی های مقابله با این رخداد طبیعی و کاهش اثرات مخرب آن امری است که در سال های اخیر توجه کارشناسان علوم مختلف را به خود جلب نموده است. از این رو در این مطالعه با استفاده از داده های دما، رطوبت و بارندگی ماهیانه ی 50 ‏ساله ایستگاه سینوپتیک کرمان به پیش بینی شرایط دشت کرمان پرداخته شد. ابتدا با استفاده از نرم افزارEview6که مبتنی بر سری های زمانی می باشد با استفاده از داده های پنج ساله ی آخر منتهی به سال 90 ‏، دما و رطوبت برای مقطع زمانی سال 91 ‏پیش بینی شد، اطلامحات موجود 90 ‏ساله هواشناسی با آرایش ( 1 ‏- 5 ‏- 2 ‏) به شبکه عصبی معرفی شد یعنی دما و رطوبت به عنوان دو پارامتر لایه ورودی و بارندگی به محنوان یک پارامتر لایه خروجی مشخص شد. همچنین 5 ‏نرون لایه میانی با آزمون و خطا بدست آمد. این شبکه با روش مارکوت - لورنبرگ آموزش و داده ها با امحمال تابع تانژانت سیگموئید به شبکه معرفی شدند. بارندگی توسط این شبکه برای 4 ‏ماهه آخر سال 91 ‏پیش بینی شد. اعداد بدست آمده به نرم افزار DIP داده و شاخص SPI را برای زمان های 1 ‏، 3 ‏، 6 ‏، 9 ‏، 12 ‏، 18 ‏، 24 ‏، 48 ‏ماهه محاسبه گردید. بررسی داده های بدست آمده، شاخص خشک سالی را برای دوره های کوتاه مدت تقریبآ ترسالی کم و برای دوره های بلندمدت خشک سالی کم و متوسط را نشان داد. همچنین تداوم خشک سالی ها در یک دوره بلندمدت می تواند بر اقلیم منطقه تاثیر گذاشته و به بروز خشکی در منطقه بیانجامد.

کلیدواژه ها:

پیش بینی خشک سالی ، شبکه های عصبی(ANN) ، نرم افزار Eviews6 ، نرم افزار DIP