پیش بینی خشک سالی با استفاده از شبکه ی عصبی مصنوعی،مطالعه ی موردی : ایستگاه شیراز

در این پژوهش برای پیش بینی خشکسالی در شهرستان شیراز از شبکه ی عصبی مصنوعی به عنوان یک روش کارآمد که شبیه سازی خشکسالی را براساس داده های واقعی به دست می آورد، استفاده گردیده است. در ابتدا برای تحلیل ارتباط میان خشکسالی با شاخص های پیوند از دور و عناصر اقلیمی در مقیاس های زمانی متفاوت از روش همبستگی استفاده گردید. با استفاده از روش همبستگی مناسب ترین متغیرها در مقیاس زمانی انتخاب شد. در مرحله ی بعدی با استفاده از مدل شبکه های عصبی مصنوعی پرسپترون چند لایه و متغیرهای چون شاخص های پیوند از دور و عناصر اقلیمی موثر به عنوان ورودی شبکه عصبی و مقادیر شاخص خشکسالی SPI که نمایش کمی خشکسالی میباشد، به عنوان خروجی شبکه عصبی مصنوعی، اقدام به پیش بینی خشکسالی های منطقه شیراز گردید. براساس نتایج به دست آمده در پیشبینی پیوسته 1 و 3 ماهه خشکسالی، شاخص های پیوند از دور SW monsoon Nino 1+2, Nino3,Nino 4, و عناصر اقلیمی بیشنه ی دما، کمینه ی دما، بیشینه ی رطوبت نسبی، کمینه ی رطوبت نسبی و بارش، موجب بهبود نتایج مدل ها گردید. در پیشبینی فصل زمستان از میان شاخص های پیوند از دور، شاخص NAO زمستانه و از میان عناصر اقلیمی بارش زمستانه، بیشینه رطوبت نسبی زمستانه و بیشینه دما زمستانه، بهترین نتایج را با کمترین خطا و بیشترین ضریب همبستگی ارایه دادهاند. در بررسی روش های الگوریتم ژنتیک و پرندگان نسبت به الگوریتم پس انتشار نتایج تفاوت فاحشی را نشان نداد، لیکن در انتخاب بهینه ترین ساختار شبکه که نهایتا منجر به کارایی بهتر شبکه جهت پیشبینی خشکسالی میشود؛ روش های الگوریتم ژنتیک و پرندگان هوش جمعی کارآمد میباشد.

کلیدواژه ها:

خشکسالی ، پیشبینی ، شبکه عصبی مصنوعی ، پرسپترون چند لایه ، شاخص های پیوند از دور ، عناصر اقلیمی