کاربرد سری های زمانی بارش و نمایه های آماری اقلیمی در پیش بینی خشکسالی به کمک شبکه CANFIS (مطالعه موردی: بیرجند- خراسان جنوبی)

پیش بینی خشکسالی به عنوان یکی از راهکارهای مدیریتی است که به برنامه ریزان کمک خواهد کرد تا برنامه ریزی صحیحی برای استفاده از منابع محدود آب و خاک فراهم کنند. خراسان جنوبی بویژه در دهه اخیر به یکی از کانون های اصلی بحران خشکسالی در کشور تبدیل شده که این امر تاثیر بسزایی در کاهش تولید مواد غذایی، خطر گرسنگی، افت سطح آب زیرزمینی، تخریب خاک و اراضی داشته است. در این مطالعه با ترکیب سیگنال های اقلیمی بزرگ مقیاس با میزان بارش و مقادیر پیشین شاخص خشکسالی SPI، به بررسی کارآیی شبکه های عصبی-فازی CANFIS در پیش بینی خشکسالی منطقه اقلیمی بیرجند پرداخته شده است. از شاخص SPI به منظور تعریف و پایش خشکسالی در گام زمانی ماهانه استفاده شد. در این تحقیق و با مرور منابع انجام شده 9 شاخص اقلیمی بزرگ مقیاس جهت پیش بینی خشکسالی انتخاب شد. از بین شاخص ها، الگوهای NINO 1+2، NINO 3، MEI، TSA، AMO و NINO 3.4 به کمک روش رگرسیون گام به گام و بررسی ماتریس همبستگی، موثر بر خشکسالی شهر بیرجند تشخیص داده شدندکه در مدل سازی از آن ها بهره گرفته شد. طول دوره آماری 41 سال (2010-1970) می باشد که 60 درصد از این دوره جهت آموزش، 15 درصد جهت اعتبار سنجی متقابل و 25 درصد باقیمانده جهت آزمون شبکه مورد استفاده قرار گرفتند. الگوریتم مورد استفاده در آموزش شبکه، مومنتم و نوع تابع عضویت فازی، تابع گوسی انتخاب شد. با توجه به نتایج حاصل از روش رگرسیون گام به گام، 12 مدل استخراج شد. ولی با توجه به محدودیت شبکه CANFIS در اجرای مدل های با تعداد ورودی های بیش از 5 متغیر، فقط 8 مدل اول توسط شبکه CANFIS شبیه سازی گردیدند. نتایج آنالیز حساسیت شبکه نشان داد که تقریبا در کلیه مدل های مختلف، شاخص های NINO و بارش بیشترین تاثیر را بر عملکرد شبکه داشته اند. در مدل شماره 4 (بعنوان مدلی که کمترین میزان خطا را در فرآیند آموزش و آزمون نشان داد)، شاخص NINO 1+2(t-5) با متوسط حساسیت 7/0 بیش ترین تاثیر را بر عملکرد شبکه داشت. پس از آن متغیرهای بارش، NINO 1+2(t)و NINO 3(t-6) به ترتیب با حساسیت 59/0، 28/0 و 28/0 توانستند خروجی شبکه را بیش از همه تحت تاثیر تغییرات خود قرار دهند. بر اساس محاسبات آماری و شاخص های ارزیابی شبکه مشخص شد که همبستگی با تاخیر شاخص های اقلیمی نتایج قابل قبول تری بین خشکسالی و ENSO را ارائه داد. در مجموع مدل چهارم با ترکیبی از پارامترهای ورودی NINO 1+2 (با پنج ماه تاخیر و بدون تاخیر)، بارش ماهانه و NINO 3 (با 6 ماه تاخیر) و ضریب همبستگی 903/0 (بین مقادیر مشاهداتی و پیش بینی شده) به عنوان مناسب ترین مدل جهت پیش بینی خشکسالی در منطقه اقلیمی بیرجند با استفاده از شبکه CANFIS ارائه شد.