ارزیابی مدل های یادگیری ماشین در پیش بینی شاخص های خشک سالی (مطالعه موردی: محدوده عجب شیر)

خشک‏سالی یکی از پدیده‏های مخرب است که می‏تواند تاثیرات منفی زیادی بر منابع آب و نیازهای آبی بگذارد. مدل‏های یادگیری ماشین یکی از ابزارهای سودمند در پیش‏بینی‏های سری زمانی هستند که می‏توانند پیش‏بینی مناسبی بدون داشتن اطلاعات اساسی از یک سامانه ارایه دهند. بنابراین، در این تحقیق از مدل‏های شبکه عصبی فازی (ANFIS) و حداقل مربعات رگرسیون بردار پشتیبان (LSSVR) برای پیش‏بینی شاخص خشک‏سالی هواشناسی (SPI) و شاخص خشک‏سالی هیدرولوژیکی (SDI) برای یک دوره (1380-1398) استفاده شد. از ایستگاه‏ های هواشناسی و هیدرولوژیکی آجی‏چای در محدوده مطالعاتی عجب‏شیر به ترتیب برای محاسبه شاخص‏های خشک‏سالی SPI و SDI استفاده شد. به منظور پیش‏ بینی شاخص SPI داده ‏های بارش و برای شاخص SDI داده ‏های دبی به ‏عنوان پارامترهای ورودی به مدل‏ها در نظر گرفته شدند. نتایج شاخص‏های خشک‏سالی نشان داد طی دوره مورد بررسی، طی سال‏های 1385-1390 خشک‏سالی هواشناسی و از 1386 تا 1390 خشک‏سالی هیدرولوژیکی شدیدتر بوده است (SPI<-3). نتایج پیش‏بینی شاخص‏ها نیز نشان داد عملکرد مدل LS-SVR بهتر از ANFIS در هر دو شاخص بوده است. LS-SVR با شاخص ارزیابی خطای RMSE و MAPE برای SPI به ترتیب 74/0 و 59/0 پیش‏بینی کرد که این مقادیر برای SDI به ترتیب 62/0 و 46/0 به دست آمد. نتایج این تحقیق نشان داد مدل‏های یادگیری ماشین ابزار مناسبی برای پیش‏بینی شاخص‏های خشک‏سالی هستند. لذا استفاده از آن‏ها برای پیش‏بینی شاخص‏های خشک‏سالی در سایر محدوده‏های مشابه پیشنهاد می‏شود.