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

• مدل فازی- عصبی
• پیش‌بینی خشکسالی
• شاخص خشکسالی
• درخت تصمیم‌گیری