کارایی روش رگرسیون بردار پشتیبان در شبیهسازی مقادیر SPI

آب رکن اساسی توسعه پایدار و مایه حیات انسان بوده و همانند بسیاری از نعمتهای الهی ماهیت دوگانه خیر و شر در آن نهفته است .آب از یک طرف عامل ایجاد سیل و به دنبال آن خرابی و خسارات مالی و جانی فراوان میشود و از طرف دیگر کمبود آن (خشکسالی) موجب تغییر اساسی در اکوسیستمها می-شود. خشکسالی در میان بلایای طبیعی از جمله وقایع بی سر و صدای طبیعت است که به صورت جهانی شکل گرفته و به صورت منطقهای عمل میکند. خشکسالی یکی از تدریجیترین و زیانبارترین بلایای طبیعی میباشد و به کمبود مستمر و غیر طبیعی رطوبت گفته میشود (پالمر 1965 :30 .(شاخصهای زیادی به منظور پیشبینی خشکسالی ارایه شده است که در میان شاخصهای خشکسالی، شاخص پالمر و کاربرد وسیعی در تعیین خشکسالی در اکثر کشور ها دارد. شاخص از معدود شاخصهای انعطاف پذیر است که در آن پیشبینی زمان شروع، خاتمه و شدت خشکسالی در مقیاس زمانی کوتاه وبلند مدت میسر است. این شاخص نمایه است که بستگی به احتمال بارش برای هر زمان و مقیاس داشته و برای مقیاسهای زمانی گوناگون قابل محاسبه است. این روش به وسیله مککی و همکاران(1993 (با توجه به بررسی تاثیرات متفاوت کمبود بارش بر آبهای زیرزمینی، ذخایر و منابع آب سطحی، رطوبت خاک و جریان آبراهه ابداع و توسعه داده شد. آنها محاسبه شاخص SPI در مقیاسهای زمانی کوناه مدت 3 و 6 را برای اهداف کشاورزی و مقیاس زمانی بلند مدت 12،24 و 48 ماهه برای اهداف هیدرولوژیکی پیشنهاد دادند. کاربرد شاخص SPI در جهان به دلیل داشتن مزایایی چون سادگی در محاسبات، نیاز نداشتن به دادههای زیاد و مستقل بودن از میانگین بارش رو به افزایش بوده و برای مقایسه دامنه وسیعی از اقلیمها قابلیت استفاده دارد.( قربانی، 1389 .(اولین کاربرد روش ماشین بردار پشتیبان در مسایل آب توسط دیباک و همکاران (2001 (برای مدلسازی بارش- رواناب ارایه شد. نیکبخت شهبازی و حیدرنژاد (2012 (در پیشبینی خشکسالی هواشناسی کارون با استفاده از ماشینبردار پشتیبان به این نتیجه رسیدند که این روش برایپیشبینی وقوع خشکسالی مناسب است و در بسیاری از موارد این پیشبینی قابل استفاده برای کاربردهای واقعی است و دقت پیشبینی در پاییز و زمستان بیشتر از فصلهای دیگر میباشد. بلاینه و همکاران (2012 (پیشبینی خشکسالی در حوضه رودخانهای در اتیوپی به کمک شاخص و با استفاده از مدلهای شبکه عصبی مصنوعی، رگرسیون بردار پشتیبانی و شبکه عصبی موجک انجام دادند و نتایج نشان داد که شبکه عصبی موجک بهترین مدل برای مقادیر در حوضه رودخانه مذکور میباشد. طوفانی و همکاران(1390 (در پیشبینی بارندگی با استفاده مستقیم از نظریه موجک به این نتیجه رسیدند که تجزیه سیگنال با موجک، منجر به سادهتر شدن سیگنال بارندگی میشود. به طوریکه همبستگی میان دادههای مشاهداتی و محاسباتی معادل 84درصد به دست آمده و پیشبینی سیگنال بارندگی با دقت بیشتری صورت گرفته است. مرادی و همکاران (1392 (در پیشبینی خشکسالی با استفاده از مدل ماشینبردار پشتیبان به این نتیجه رسیدند که مقادیر بارندگی، دمای حداکثر، دمای حداقل و شاخص بیشترین تاثیر را در برآورد بهترین ترکیب در مقیاس زمانی 18 ماهه دارند و برای پیشبینی خشکسالی میتوانند مورد استفاده قرار گیرند. با توجه به اهمیت خشکسالی در مدیرت بحران هدف از پژوهش حاضر، بررسی کارایی روش رگرسیون بردار پشتیبان در برآورد شاخص خشکسالی در حوضه آبریز دریاچه ارومیه واقع در استان آذربایجان شرقی میباشد.