انتخاب مدل مناسب برای پیش بینی خشک سالی شهر سمنان در مقیاس زمانی کوتاه مدت ماهانه با استفاده از آمار هواشناسی و مدل های خطی و غیرخطی

امروزه، شناخت بیشتر خشکسالی و ایجاد سیستم های پایش آن، بخصوص در دوره های کوتاه مدت، و افزودن قابلیت پیش بینی به این سیستم ها، میتواند منجر به ارایه راهکارهای مناسب تری در بخش های مدیریت تخصیص منابع آب گردد. در این پژوهش، با استفاده از روشهای پیش بینی سری های زمانی، سیستم های استنتاج فازی- عصبی تطبیقی و شبکه های عصبی مصنوعی سعی شده مدل های مناسب جهت پیش بینی خشکسالی شهرستان سمنان ارایه گردد. در این مدلسازی ها از داده های میانگین ماهانه پارامترهای هواشناسی مانند بارندگی دما، حداکثر دما، حداقل دما، رطوبت نسبی، حداکثر رطوبت نسبی، حداقل رطوبت نسبی و شاخص خشکسالی SPI طی دوره آماری 1966 تا 2013 استفاده شده است. نتایج نشان داد که از بین انبوه مدل های ساخته شده، مدل ANFIS با ورودی های میانگین بارش، میانگین حداکثر دما SPI و داده های یک ماه قبل آنها، با 10 قانون و تابع عضویت گوسی، با مقادیر RMSE برابر 0/777 MAE برابر 0/593 و ضریب همبستگی 0/4 در مرحله آموزش و RMSE برابر 0/873 MAE برابر 0/644 و ضریب همبستگی 0/362 در مرحله آزمون، به عنوان مدل برتر انتخاب شد. سپس، پارامترهای ورودی این مدل با استفاده از مدل ARIMA برای 12 ماه آینده پیش بینی گردید و به عنوان ورودی به مدل مذکور معرفی شدند و SPI برای 12 ماه آینده پیش بینی شد. روش های شبکه عصبی مصنوعی و سری زمانی با اختلاف کم در مقادیر خطا، در رتبه های بعد قرار گرفتند. پارامترهای ورودی SPI و دما عملکرد مناسب تر و پارامتر بارش عملکرد ضعیف تری را داشتند.

Keywords:

پیش بینی خشک سالی , سری زمانی , شبکه عصبی مصنوعی , سیستم استنتاج فازی - عصبی تطبیقی