مقایسه مدل های شبکه عصبی مصنوعی و مدل های ناپارامتری برای پیش بینی میان مدت و بلندمدت خشکسالی

خشکسالی از وقایع مخرب طبیعی است که بیشترین صدمات را به منابع آبی وارد می نماید. پیش بینی خشکسالی می تواند نقش مهمی در مدیریت این منابع و بهره برداری بهینه از آن ها در چنین شرایطی ایفا کند. در این تحقیق استفاده از 2 مدل هوشمند شبکه عصبی و نروفازی و مدل آماری k نزدیکترین همسایگی برای پیش بینی خشکسالی در استان تهران مورد بررسی قرار گرفت و در این رابطه آمار و اطلاعات بارندگی شش ایستگاه منتخب شامل فیروزکوه، آبعلی، امامه، تهران، سیرا و ده صومعه کردان بکار رفته است. با توجه به اهداف این تحقیق، که خشکسالی کشاورزی را مدنظر قرار داده بود، با بررسی منابع، شاخص spi در مقیاس زمانی 3 ماهه مورد استفاده قرار گرفت. به منظور ارتقاء نتایج پیش بینی، پیش پردازش داده ها با تبدیل موجک نیز مورد توجه قرار گرفت. همچنین سعی بر این بود که تاثیر استفاده از داده های بزرگ مقیاس slp و sst سطح منطقه بر پیش بینی خشکسالی در ایستگاه ها مورد تحقیق قرار گیرد. تعیین مقدار عدم قطعیت مقادیر پیش بینی شده نیز یکی از اهداف مهم این تحقیق می باشد. در قسمت اول این تحقیق، ساخت مدل های پیش بینی با استفاده از مقادیر قبلی شاخص مورد توجه قرار گرفت که تنها نتایج مناسبی برای یک ماه بعد به همراه داشت و برای افق های زمانی 3 و 6 ماه آینده به کلی فاقد اعتبار بود. برای ارتقائ نتایج در این حالت، از پیش پردازش موجک استفاده شد که باعث افزایش چشمگیر عملکرد ظاهری مدل های پیش بینی 1 و 3 ماه آینده گردید اما به طور کلی، به دلیل الگوریتم این تبدیل نشان داده شد که استفاده از آن در پیش بینی های کاربردی (زمان واقعی) با مشکلات جدی همراه خواهد بود. در بخش بعدی تلاش شد مدل هایی برای پیش بینی spi3 در ایستگاه های مطالعاتی با استفاده از داده های slp و sst محدوده 10 تا 70 درجه شرقی و 5 تا 60 درجه شمالی تهیه گردد. با توجه به عدم ارتباط سری زمانی کلی این متغیرها با spi3 در آینده، ساخت مدل به تفکیک ماه انجام شد. بدین منظور، با داده کاوی گسترده ای که انجام شد، برای هر افق پیش بینی و در هر ایستگاه مشخصات داده های مناسب به عنوان ورودی مدل ها تعیین گردید. به علت ارتباط مناسب slp و sst تابستان (خصوصا شهریور) در نقاطی از منطقه با spi3 ایستگاه ها و همچنین اهمیت تخمین وضعیت سال آبی پیش رو از نظر خشکسالی قبل از شروع آن، مدل سازی برای پیش بینی spi3 مهر، آذر و اسفند (1، 3 و 6 ماه بعد) با استفاده از داده های slp و sst در فصل تابستان انجام شد. نتایج این مرحله نشان داد که knn نسبت به ann و anfis عملکرد ضعیف تری دارد، به نحوی که در هیچ کدام از مراحل بهترین عملکرد را نداشته است. اما نتایج ann و anfis نزدیک به هم بوده و هر یک در تعدادی از پیش بینی ها بهترین عملکرد را دارا بوده اند و تمامی پیش بینی های انجام شده توسط این دو در سطح 1% معنی دار بوده است. در این بین anfis به دلیل حساسیت کمتر به تعداد الگوهای آموزشی و همچنین عدم قطعیت کمتر به عنوان مدل برتر معرفی گردید. در پایان، به منظور آگاهی از وضعیت بلندمدت تر خشکسالی، پیش بینی شاخص های spi6 اسفند و spi12 شهریور سال بعد که نشان دهنده وضعیت خشکسالی به ترتیب در نصف و کل سال آبی آینده می باشند، با استفاده از slp و sst در ماه های فصل تابستان انجام شد. در این مرحله نیز عملکرد مدل ها مانند حالت قبل بود، با این تفاوت که anfis در تعداد بیشتری از موارد بهترین عملکرد را داشت.