مدل های آماری (شبکه ی عصبی و رگرسیون) جهت پیش بینی خشکسالی با استفاده از پارامترها و سیگنال های بزرگ مقیاس اقلیمی

خشکسالی نشانه ی روشنی از نوسانات اقلیمی است. بررسی علمی پدیده خشکسالی به منظور برنامه ریزی و مدیریت منابع آب و مقابله با مشکلات ناشی از کمبود آب ضروری می باشد. بررسی پدیده خشکسالی در بسیاری از موارد با استفاده از پارامترهای اقلیمی مانند بارش و دما صورت می گیرد. اما در پژوهش های جدید مشخص شده است کهنوسانات جوی در فواصل دورتر از مکان موردنظر بر روی پارامترهای اقلیمی و درنتیجه بر روی خشکسالی اثر می گذارد. در این مقاله سعی بر آن است تا با استفاده از داده های بلندمدت و روش SPI وقوع خشکسالی ایستگاه همدیدی میناب در استان هرمزگان، تعیین و سپس با به کارگیری از روش های رگرسیونی خطی چند متغیره و شبکه عصبی مصنوعی،رابطه آن با شاخص های پیوند از دور و پارامترهای جوی، مشخص گردد. بدین منظور از داده های هواشناسی شامل میانگین دمای خشک Tavg ، میانگین فشار ایستگاه Pavg ، میانگین دمای حداکثر Tmax ، میانگین دمای حداقل Tmin ، میانگین تبخیر Eavg ، میزان کل بارندگی با تاخیر R و میانگین رطوبت RH ایستگاه همدیدی میناب و از 20 شاخص دور پیوند با دوره آماری 1988 تا 2017 استفاده شده است. نتایج نشان داد که این مدل ها فقط قادر هستند که شاخص های خشکسالی را در ماه های تر برآورد نمایند. بهترین مدل رگرسیون پردازش شده با سه شاخص بر روی خشکسالی ماه مارس می باشد. آماره RMSE، 2R ، MAE به ترتیب 0.72، 0.56، 0.47 میلی مترمی باشند. بهترین مدل شبکه عصبی مصنوعی با هفت شاخص بر روی خشکسالی ماه دسامبر می باشد آماره R2، RMSE و MAE به ترتیب 0.95، 0.43، 0.36 می باشند. همچنین مدل های رگرسیونی و شبکه های عصبی مصنوعی بهترین عملکرد را در ماه دسامبر داشته اند. درنهایت مدل شبکه عصبی را به علت تعداد بالای ورودی ها، پیچیدگی مدل و همچنین افزایش خطا در مرحله صحت سنجی، نمیتوان به عنوان یک مدل برتر در این مقاله جهت برآورد شاخص خشکسالی، معرفی نمود.

کلیدواژه ها:

خشکسالی ، پیش بینی ، دور پیوند ، شبکه عصبی ، رگرسیون ، میناب