پیش بینی خشکسالی با استفاده از شبکه های عصبی مصنوعی و مدل سری زمانی ARIMA

خشکسالی یکی از پدیده های آب و هوایی است که در همه شرایط اقلیمی به وقوع می پیوندد. پیش بینی خشکسالی نقش مهمی در طراحی و مدیریت منابع طبیعی، تعیین نیاز آبی گیاهان و ... ایفا می نماید. در طی دهه های اخیر شبکه های عصبی توانایی های زیادی در مدل سازی و پیش بینی سری های زمانی غیرخطی و غیر ایستا نشان داده اند. در این تحقیق شدت خشکسالی در استان قزوین برای مقیاس-های زمانی مختلف پیش بینی شده است. شدت خشکسالی با استفاده از شاخص بارش استاندارد (SPI) در مقیاس های زمانی 3، 12، 24 و 48 ماهه محاسبه گردید. سپس شدت با بکارگیری شبکه های عصبی مصنوعی پیش بینی شد. از بین مدل های مختلف شبکه عصبی مصنوعی، مدل های پرسپترون چند لایه (MLP) و شبکه های پایه شعاعی (RBF) در این تحقیق مورد استفاده قرار گرفتند. نتایج نشان داد که خشکسالی های بسیار شدیدی در دهه های گذشته در استان رخ داده است و شدیدترین آنها در دو دهه گذشته مشاهده شده است. نتایج پیش بینی حاکی از توانمندی بالاتر مدل پرسپترون چند لایه نسبت به توابع پایه شعاعی برای پیش بینی خشکسالی است. مقایسه نتایج مدل های خطی و غیرخطی بکار رفته در این تحقیق به منظور پیش بینی خشکسالی ها نشان می دهد که مدل های غیرخطی شبکه عصبی مصنوعی از قابلیت بالاتری جهت پیش بینی خشکسالی نسبت به مدل خطی ARIMA برخوردارند.

کلیدواژه ها:

خشکسالی ، ARIMA ، MLP ، RBF ، SPI