کاربرد مدل ترکیبی شبکه عصبی مصنوعی و الگوریتم های بهینه سازی فرا ابتکاری در پیش بینی شاخص خشکسالی SPEI12

خشکسالی یکی از مهم ترین بلایای طبیعی می باشد که در همه ی رژیم های آب و هوایی رخ می دهد. بنابراین، پیش بینی و مقابله با آن از اهمیت بالایی برخوردار است. در پژوهش حاضر از سه الگوریتم های بهینه سازی هوشمند (الگوریتم بهینه سازی مبتنی بر آموزش و یادگیری (TLBO)، الگوریتم بهینه سازی علف های هرز (IWO)، الگوریتم ازدحام ذرات (PSO)) و الگوریتم متداول لونبرگ- مارکوات به منظور آموزش شبکه عصبی مصنوعی چند لایه، برای پیش بینی شاخص خشکسالی SPEI12 یک الی سه ماه آینده در 79 ایستگاه سینوپتیک کشور استفاده گردید. با توجه به تعداد زیاد ایستگاه های سینوپتیک، ایستگاه ها با توجه به سری های زمانی خشکسالی و با استفاده از روش K-means به پنج خوشه C1 تا C5 تقسیم شدند. نتایج با توجه به قرارگیری ایستگاه ها در خوشه ها مورد مقایسه قرار گرفتند و دقت مدل ها بر اساس آماره های RMSE) و (R2 داده های آزمون، مورد ارزیابی قرار گرفتند. نتایج به دست آمده از این پژوهش نشان داد که در هر سه مدل پیش بینی با افزایش مقیاس زمانی پیش بینی دقت مدل ها کاهش یافته است. مقایسه بین سه الگوریتم بهینه سازی ذکر شده و الگوریتم لونبرگ- مارکوات به عنوان یک الگوریتم پرکاربرد در بهینه سازی وزن های شبکه عصبی، نشان دهنده برتری قابل توجه الگوریتم های بهینه سازی فراابتکاری است. مقایسه بین سه الگوریتم TLBO،IWO و PSO نشان داد که الگوریتم TLBO اندکی بهتر از سایر الگوریتم ها عمل می کند و نتایج دقیق تری را ارایه می کند. بهترین پیش بینی مدل های ذکر شده و بیشترین مقادیر R2 در خوشه یک (شرق، نوار جنوب و جنوب شرقی ایران) و بیشترین مقادیر RMSE و کمترین دقت مدل ها در خوشه پنج (نوار شمالی کشور) مشاهده شد.