کاربرد سری های زمانی بارش و نمایه های آماری اقلیمی در پیش بینی خشکسالی به کمک شبکه CANFIS (مطالعه موردی: بیرجند- خراسان جنوبی)

پیش بینی خشکسالی به‌عنوان یکی از راهکارهای مدیریتی است که به برنامه‌ریزان کمک خواهد کرد تا برنامه‌ریزی صحیحی برای استفاده از منابع محدود آب و خاک فراهم کنند. خراسان جنوبی بویژه در دهه اخیر به یکی از کانون‌های اصلی بحران خشکسالی در کشور تبدیل شده که این امر تاثیر بسزایی در کاهش تولید مواد غذایی، خطر گرسنگی، افت سطح آب زیرزمینی، تخریب خاک و اراضی داشته است. در این مطالعه با ترکیب سیگنال‌های اقلیمی بزرگ مقیاس با میزان بارش و مقادیر پیشین شاخص خشکسالی SPI، به بررسی کارآیی شبکه های عصبی-فازی CANFIS در پیش بینی خشکسالی منطقه اقلیمی بیرجند پرداخته شده است. از شاخص SPI به‌منظور تعریف و پایش خشکسالی در گام زمانی ماهانه استفاده شد. در این تحقیق و با مرور منابع انجام شده 9 شاخص اقلیمی بزرگ مقیاس جهت پیش بینی خشکسالی انتخاب شد. از بین شاخص‌ها، الگوهای NINO 1+2، NINO 3، MEI، TSA، AMO و NINO 3.4 به کمک روش رگرسیون گام به گام و بررسی ماتریس همبستگی، موثر بر خشکسالی شهر بیرجند تشخیص داده شدندکه در مدل‌سازی از آن‌ها بهره گرفته شد. طول دوره آماری 41 سال (2010-1970) می‌باشد که 60 درصد از این دوره جهت آموزش، 15 درصد جهت اعتبار سنجی متقابل و 25 درصد باقیمانده جهت آزمون شبکه مورد استفاده قرار گرفتند. الگوریتم مورد استفاده در آموزش شبکه، مومنتم و نوع تابع عضویت فازی، تابع گوسی انتخاب شد. با توجه به نتایج حاصل از روش رگرسیون گام به گام، 12 مدل استخراج شد. ولی با توجه به محدودیت شبکه CANFIS در اجرای مدل های با تعداد ورودی‌های بیش از 5 متغیر، فقط 8 مدل اول توسط شبکه CANFIS شبیه‌سازی گردیدند. نتایج آنالیز حساسیت شبکه نشان داد که تقریباً در کلیه مدل‌های مختلف، شاخص‌های NINO و بارش بیشترین تاثیر را بر عملکرد شبکه داشته اند. در مدل شماره 4 (بعنوان مدلی که کمترین میزان خطا را در فرآیند آموزش و آزمون نشان داد)، شاخص NINO 1+2(t-5) با متوسط حساسیت 7/0 بیش‌ترین تاثیر را بر عملکرد شبکه داشت. پس از آن متغیرهای بارش،  NINO 1+2(t)و NINO 3(t-6) به‌ترتیب با حساسیت 59/0، 28/0 و 28/0 توانستند خروجی شبکه را بیش از همه تحت تاثیر تغییرات خود قرار دهند. بر اساس محاسبات آماری و شاخص‌های ارزیابی شبکه مشخص شد که همبستگی با تاخیر شاخص‌های اقلیمی نتایج قابل قبول‌تری بین خشکسالی و ENSO را ارائه داد. در مجموع مدل چهارم با ترکیبی از پارامترهای ورودی NINO 1+2 (با پنج ماه تاخیر و بدون تاخیر)، بارش ماهانه و NINO 3 (با 6 ماه تاخیر) و ضریب همبستگی 903/0 (بین مقادیر مشاهداتی و پیش‌بینی شده) به‌عنوان مناسب‌ترین مدل جهت پیش‌بینی خشکسالی در منطقه اقلیمی بیرجند با استفاده از شبکه CANFIS ارائه شد.