کاربرد شبکه های عصبی آماری، فازی و پرسپترونی در پیش بینی خشکسالی (مطالعه موردی: ایستگاه گنبد کاووس)

درک صحیح زمان شروع خشکسالی در هر منطقه به مدیریت و کاهش خسارت های ناشی از خشکسالی کمک شایانی می کند. هدف این تحقیق، پایش و پیش بینی خشکسالی در ایستگاه گنبد کاووس در مقیاس های زمانی کوتاه مدت، میان مدت و بلند مدت است. بدین منظور شاخص بارندگی استاندارد (SPI) در مقیاس های زمانی 1، 3، 6، 9، 12 و 24 ماهه مورد استفاده قرار گرفت. برای محاسبه SPI از آمار ماهانه بارندگی این ایستگاه، در طی سال های آبی 52-1351 تا 86-1385 استفاده شد. پس از پایش خشکسالی، بر اساس سری زمانی SPI و با استفاده از چهار روش هوش مصنوعی شامل شبکه عصبی پرسپترون چند لایه (MLP)، سیستم استنباط عصبی-فازی تطبیقی (ANFIS)، شبکه عصبی مبتنی بر توابع پایه شعاعی (RBF) و شبکه عصبی رگرسیون تعمیم یافته (GRNN) اقدام به پیش بینی خشکسالی گردید. نتایج مربوط به پایش نشان داد، چهار دوره طولانی مدت خشکسالی مربوط به سال های 58-53، 62-60، 70-67 و 76-73 در طول دوره آماری وجود دارد. در قسمت پیش بینی، نتایج حاکی از افزایش دقت پیش بینی ها، با افزایش مقیاس محاسبه SPI بود؛ به نحوی که بر اساس نتایج حاصل از مدل MLP ضریب همبستگی بین مقادیر مشاهداتی SPI و مقادیر پیش بینی شده آن، برای SPI1 و SPI24 به ترتیب 009/0 و 949/0 بوده است. همچنین با توجه به نتایج مدل-های ANFIS، RBF و GRNN به ترتیب ضریب همبستگی مربوط پیش بینی مقادیر SPI1 تا SPI24 از 021/0 تا 925/0، 263/0 تا 953/0 و 210/0 تا 955/0 متغیر بود. درمجموع با مقایسه نتایج مدل های مورد استفاده، ANFIS بهترین عملکرد و بعد از آن GRNN بهترین نتایج را ارائه نموده است.