مقایسه کارآمدی چهار روش هوش مصنوعی در پیش بینی خشک سالی

خشک سالی یک اختلال موقتی است که خصوصیات آن از منطقه­ای با منطقه دیگر متفاوت است، از این رو نمی­توان تعریف جامع­ و مطلق برای خشک سالی بیان نمود.در تحقیق حاضر، به منظور معرفی یک روش مناسب جهت پیش­بینی خشکسالی برای یک ماه آتی، چهار روش هوش مصنوعی شامل یادگیری عمیق (Deeplearning) (از شبکه الکس­نت که یکی از شبکه­های کانولوشن می­باشد استفاده شده است)، الگوریتم K نزدیک­ترین همسایه (KNN)، ماشین برداد پشتیبان چند طبقه (SVM-MultiClass) و درخت تصمیم (Decision Tree) در نظر گرفته شد. داده­های بارندگی ۱۱ ایستگاه سینوتیک استان یزد طی دوره ­آماری ۲۹ ساله (۱۹۸۸ تا ۲۰۱۷) به صورت ماهانه به عنوان داده­های آزمایشی مورد استفاده قرار گرفتند. شاخص بارش استاندارد شده (SPI) برای نشان دادن وضعیت خشکسالی از نظر شدت و مدت در مقیاس­های زمانی ۱، ۳، ۶، ۹، ۱۲ و ۲۴ ماهه محاسبه گردید. در ابتدا داده­های بارش به عنوان ورودی شبکه­های عصبی و کلاس­بندی SPI  به عنوان خروجی شبکه­ها قرار داده شد. ۸۰ درصد داده­ها برای آموزش و۲۰ درصد داده­­ها برای تست شبکه­ها به کار گرفته شد. نتایج نشان داد که تمامی شبکه­ها توانایی پیش­بینی خشکسالی را داشته­اند، بر اساس معیار ارزیابی macro-f۱ شبکه Deeplearning در مقیاس زمانی ۱ ماهه با ۷۱/۲۲ درصد، ناکارآمدترین روش و  Decision Tree با ۶۵/۶۴ درصد، کارآمدترین روش بوده­اند، اما با افزایش مقیاس زمانی، شبکه Deeplearning عملکرد خود را بهبود بخشید، به­طوریکه در مقیاس زمانی ۲۴ ماهه با ۳۵/۶۵ درصد، بهترین عملکرد مربوط به شبکه Deeplearning و بعد از آن، شبکه SVM-MultiClass با ۴۰/۵۷ درصد، قرار گرفت.

Keywords:

Drought , Standardized Precipitation Index , Artificial Intelligence , Deep Learning , Alexent , Recarence Plot , خشک سالی , شاخص بارش استاندار شده , هوش مصنوعی , یادگیری عمیق , الکس نت , ریکارنس پلات