مقایسه روش‌های مختلف پیش‌بینی شاخص خشک‌سالی SPI

نوع مقاله: مقاله پژوهشی

چکیده

خشک‌سالی یکی از پدیده‌های آب و هوایی است که در همه شرایط اقلیمی و در همه مناطق کره زمین به وقوع می‌پیوندد. پیش‌بینی خشک‌سالی نقش مهمی در طراحی و مدیریت منابع طبیعی، سیستم‌های منابع آب، تعیین نیاز آبی گیاه و... ایفا می‌نماید. در طی دهه‌های اخیر شبکه‌های عصبی توانایی‌های زیادی را در مدل‌سازی و پیش‌بینی سری‌های زمانی غیرخطی و غیرایستا نشان داده‌اند. از این‌رو، در این تحقیق به‌منظور پیش‌بینی خشک‌سالی، از دو نوع شبکه عصبی مصنوعی پرسپترون چندلایه (MLP) و تابع پایه‌ای شعاعی (RBF) استفاده شده است. به این منظور از داده‌های بارندگی ایستگاه نوده با دوره آماری 41 ساله در حوزه آب‌خیز گرگان‌رود، استفاده شد. وضعیت رطوبتی با استفاده از شاخص بارندگی استاندارد شده (SPI) در دوره‌های زمانی کوتاه‌مدت (1، 3، 6 و 9 ماهه) و بلندمدت (12، 24 و 48 ماهه) محاسبه گردید. سپس از بین داده‌های محاسبه شده، دوره 46-1345 الی 78-1377 به‌عنوان داده آموزش و دوره 79-1378 الی 86-1385 به‌عنوان داده آزمون انتخاب گردید. برای تخمین مقدار SPI در زمان t از مقادیر SPI در زمان‌های قبل استفاده شد. نتایج نشان داد که شبکه عصبی مصنوعی MLP نسبت به شبکه عصبی مصنوعی RBF با دقت بالاتری مقادیر SPI و وضعیت خشک‌سالی را پیش‌بینی می‌کند. همچنین مقایسه نتایج با نتایج حاصل از به‌کارگیری سری زمانی ARIMA نشان‌دهنده دقت بالای این روش می‌باشد.

عنوان مقاله [English]

Comparison of different approaches for predicting SPI

چکیده [English]

Drought is one of the most important climatic phenomena which occur in all climate conditions and regions of the earth. When the drought remains for a longtime in a region, it will affect all environmental factors in that region. Drought forecasting, therefore plays an important role in designing and management of natural resources and water resources systems, assessing plant water requirement, etc. In recent decades, (ANNs) have shown great ability in modeling and forecasting nonlinear and non-stationary time series. In this study, two types of artificial neural networks, i.e. Multi Layer Perceptron and Radial Basis Function, and ARIMA time series were applied for drought forecasting. The rainfall data of Now-deh station onKhormalooRiverin Golestan province (Iran) were used. Drought conditions were calculated using SPI in short time and long time periods. Among 41 years SPI data, the first 33 years data were selected for training of models and the last 8 years data were used as test data. The results showed that artificial neural networks were able to forecast the SPI and drought conditions with higher accuracy. Meanwhile ARIMA model had also significant results for forecasting.