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.
پیش بینی ، عجب شیر ، یادگیری ماشین ، SPI ، SDI
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.