مقایسه مهارت مدل های استوکاستیک و شبکه ها ی عصبی مصنوعی در مدل‎سازی و پیش‎بینی مقادیر و طبقات شاخص بارندگی استاندارد شده

هدف از پژوهش پیش رو، مقایسه کارایی مدل­های استوکاستیک و شبکه­های عصبی مصنوعی در پیش­بینی کمی شاخص بارندگی استاندارد شده (SPI) در اقلیم­های خشک و مرطوب ایران است. برای این امر، محاسبه SPI، در مقیاس­های زمانی سه‎ماهه، شش‎ماهه و دوازده‎ماهه در چهار ایستگاه سینوپتیک کشور طی دوره ۲۰۰۷-۱۹۷۳ انجام شد. در گام بعد، مدل‎سازی سری­های زمانی SPI برای پیش­بینی­های یک تا دوازده گام به جلو، به سه روش مدل‎سازی استوکاستیک، شبکه عصبی بازگشتی (RMSNN) و شبکه عصبی مستقیم (DMSNN) انجام گرفت. مقادیر SPI مربوط به دوره ۱۹۷۳ تا ۲۰۰۰، برای توسعه مدل­ها و مابقی برای صحت­سنجی مدل­ها مورد استفاده قرار گرفت. در مرحله صحت­سنجی، مقایسه مقادیر مشاهده­شده و پیش­بینی­شده­ SPI با استفاده از آزمون­های آماری، ضریب همبستگی و شاخص خطا انجام شد. همچنین برای بررسی قابلیت مدل­ها در پیش­بینی طبقات SPI، از آماره کاپای کوهن استفاده شد. در نهایت، اولویت دقت مدل­ها از دیدگاه­هایی چون، افق زمانی پیش­بینی و مقیاس زمانی بررسی خشکسالی تعیین شد. نتایج به‎دست آمده نشان داد: ۱) در مقیاس زمانی سه، شش و دوازده‎ماهه، به‎طور کلی مدل­های استوکاستیک (به‎ترتیب با میانگین خطای ۶۷۸/۰، ۵۶۹/۰ و ۳۴۴/۰ و میانگین ضریب همبستگی ۶۸۲/۰، ۷۷۷/۰ و ۹۱۹/۰) از نظر مهارت پیش­بینی مقادیر SPI در اولویت کاربرد قرار دارند. ۲) در مقیاس زمانی سه، شش و دوازده‎ماهه به‎ترتیب، مدل­های DMSNN ، RMSNN و استوکاستیک (با میانگین کاپای ۳۹۷/۰، ۵۳۰/۰ و ۷۵۰/۰) از نظر مهارت پیش­بینی طبقات SPI در اولویت کاربرد قرار دارند.

Keywords:

اقلیم های خشک و مرطوب , پیش بینی , خشکسالی , شاخص بارندگی استاندارد شده , مدل های استوکاستیک , مدل های شبکه عصبی مصنوعی