استفاده از مدل ماشین بردار پشتیبان برای پیش بینی خشکسالی(مطالعه موردی:کرمان)

کمبود آب امروزه درقسمت های مختلف جهان ازجمله ایران متاثر از تغییرات اقلیمی و افزایش تقاضا در بخش های گوناگون و همچنین آلودگی منابع تامین آب می باشد جلوگیری ازوقوع خشکسالی امکان پذیرنیست ولی میتوان با استفاده از آماره های موجود و پیش بینی صحیح و بکارگیری طرح های مقابله با خشکسالی و مدیریت آن خسارات ناشی ازاین پدیده را تاحدزیادی کاهش دادلذا یافتن نمایه های اندازه گیری خشکسالی برای پیش بینی و ارزیابی مکانی و زمانی این پدیده به منظور مدیریت بحران آن ضروری و حیاتی به نظر می رسد درتحقیقات مختلف پارامترهای هواشناسیمتفاوتی در پیش بینی دوره های کم بارش موردتوجه قرارگرفته اند دراین تحقیق نمایه بارش استاندارد sPI درمقیاسهای زمانی 9و12و18و24و48ماهه محاسبه شده و از متغیر های بارش و دما برای پیش بینیخشکسالی مورد استفاده قرارگرفته است یکی ازروشهای یادگیری اماری بااستفاده ازناظر به نام ماشین بردارپشتیبان sVM برای تدوین مدل پیش بینی SPIاستفاده شد که این مدل نشان میدهد درپی شبینی رفتارهای غیرخطی داده های هواشناسی دارای دقت مناسب می باشدو سریع تر از شبکه های عصبی مصنوعی متداول اموزش می یبنددر انتها بر اساس نتایج بدست آمده، مناسب ترین متغیرها برای پیش بینی خشکسالی معرفی گردید. بر اساس این نتایج، مقادیر بارندگی، دمای حداکثر دمای حداقل و شاخصSPI بیشترین تاثیر را در برآورد بهترین ترکیب در مقیاس زمانی 18 ماههدارند و برای پیش بینی خشکسالی می توانند مورد استفاده قرارگیرند و نتایج مناسبی را نیز ارائه دهند

کلیدواژه ها:

خشکسالی ، پیش بینی ، شاخص SPI /ماشین بردار پشتیبان ، کرمان