مقایسۀ کارایی شبکۀ عصبی مصنوعی در پیش‌بینی خشکسالی هواشناسی با استفاده از پیوند از دور و پارامترهای اقلیمی (مطالعۀ موردی: جنوب استان قزوین)

خشکسالی در نگاهی کلی معلول یک دورۀ شرایط خشک غیرعادی است که به اندازۀ کافی دوام داشته و سبب عدم تعادل در وضعیت هیدرولوژیک یک ناحیه همچون افت منابع آب سطحی و زیرزمینی می‌گردد. هدف از این تحقیق مدل‌سازی پیش‌بینی خشکسالی هواشناسی در سه مقیاس زمانی کوتاه­مدت، میان­مدت و بلند­مدت در ایستگاه باران­سنجی واقع در دشت جنوبی استان قزوین، با استفاده از شبکۀ عصبی پرسپترون چندلایه و با در نظر گرفتن پارامترها و سیگنال‌های اقلیمی می‌باشد. بدین منظور سه سناریوی مختلف به­عنوان ورودی‌های مدل، مورد آزمون قرار گرفت. پس از تعیین متغیرهای ورودی با روش همبستگی متقاطع اقدام به تعیین ترکیب بهینۀ متغیرها با استفاده از آزمون گاما گردید. نتایج نشان داد که با افزایش مقیاس زمانی از کوتاه­مدت به بلند­مدت، تأثیر سیگنال‌های اقلیمی افزایش و در عوض تأثیر پارامترهای هواشناسی کمتر می‌شود. همچنین مؤثرترین سیگنال اقلیمی و پارامتر هواشناسی در هر مقیاس، به ترتیب MEI (شاخص چند­متغیرۀ النینو- نوسانات جنوبی) و بارندگی معرفی گردیدند. جهت مدل­سازی از شبکۀ عصبی با یک لایۀ مخفی با تعداد کافی نرون، با تابع سیگموئید در لایۀ میانی و تابع خطی در لایۀ خروجی استفاده شد. مناسب­ترین تعداد نرون در هر سناریو تعیین شد. در نهایت براساس معیارهای ارزیابی، مناسب­ترین ساختار شبکه در هر مقیاس زمانی و در سه سناریوی مورد بررسی تعیین گردید.