علوم و مهندسی آبیاری (May 2024)
ارزیابی عملکرد مدلهای CANFIS، MLPNN، MLR و M5، در شبیهسازی شاخص خشکسالی هواشناسی (مطالعه موردی: ایستگاه سینوپتیک کرمانشاه)
Abstract
پیشبینی بهموقع خشکسالی و شدت بروز آن، میتواند در اتخاذ تمهیدات لازم برای مقابله با این پدیده اثرگذار باشد. استان کرمانشاه در دهه اخیر به یکی از کانونهای اصلی بحران خشکسالی در کشور تبدیلشده است. در این پژوهش به مقایسه مدل فازی-عصبی CANFIS با مدلهای دیگر شامل MLPNN، MLR و مدل درخت تصمیمگیری M5 در پیشبینی شاخص خشکسالی SPI در مقیاس زمانی 12،9،6،3،1 و 24 ماهه، بهمدت 70 سال پرداختهشده است. برای انتخاب بهینه ورودی از آنالیز خودهمبستگی و خودهمبستگی جزئی استفاده شد. نتایج بررسی نشان داد که درخت تصمیمگیری M5 با ضریب تعیین برابر با 93/0 و میانگین مربعات خطا برابر با 248/0 نسبت به سایر مدلها عملکرد بهتری داشته است همچنین میانگین مربعات خطا در مدلهای CANFIS، MLR و MLPNN بهترتیب 307/0، 399/0 و 312/0 مشخص کرد که مدل شبکه عصبی- فازی CANFIS در مقایسه با MLPNN و MLR عملکرد بهتری را در پیشبینی شاخص خشکسالی داشته است. بر اساس محاسبات آماری و شاخصهای ارزیابی شبکه مشخص شد که انتخاب گام زمانی تأثیر زیادی در نتایج مدلسازی دارد بهطوریکه همبستگی با گامهای زمانی نه ماهه و بیشتر در تمامی مدلها نتایج قابلقبولتری بین خشکسالی مشاهدهشده و خشکسالی محاسبهشده ارائه داد. درمجموع نتایج نشان داد در برآورد خشکسالی مدل درختی M5 مدلی کارآمد است که میتوان برای تسهیل توسعه و پیادهسازی استراتژیهای مدیریتی بهمنظور جلوگیری از ایجاد خشکسالی مفید است.
Keywords