عنوان مقاله:

نویسندگان:

مهدی نعمتی روشن، مهدی نادی، رضا نوروز ولارشدی، رامین فضل اولی

خشکسالی از پدیده‌های مخرب طبیعی است که گستره وقوع آن شامل تمامیِ مناطق از جمله اقلیم‌های مرطوب نیز می‌شود. در تحقیق جاری قصد بر ارائه پیش‌بینی خشکسالی در منطقه معتدل و مرطوب ساری می‌باشد. بدین منظور داده‌های ماهانه بارش از سازمان هواشناسی کشور، برای دوره 2000 تا 2017 دریافت گردید. سپس شاخص بارش استاندارد (SPI) برای این منطقه در سه پنجره زمانی 3 ماهه (SPI3)، 6 ماهه (SPI6) و 12 ماهه (SPI12) محاسبه شد. مدل استفاده شده برای پیش‌بینی، مدل پرسپترون چندلایه (MLP) است که از مهمترین مدل‌های هوش مصنوعی می‌باشد. ورودی‌های استفده شده برای پیش‌بینی SPI، شامل مقادیر گذشته ی خود متغیر بود و برای هر پنجره زمانی توسط تابع خودهمبستگی انتخاب گردید. داده ها برای ورود به مدل به دو بخش آموزش و آزمون تقسیم گردیدند که به ترتیب شامل 75 و 25 درصد از کل داده‌ها می‌باشد. پس از اجرای مدل مشخص شد که بهترین آرایش شبکه برای پیش‌بینی SPI، آرایش یک لایه پنهان و 15 نورون است و توابع انتقال تانژانت سیگموییدی و لگاریتم سیگموییدی بهترین سازگاری را با داده‌های این تحقیق داشتند. ارزیابی توسط معیارهای ریشه میانگین مربعات خطا (RMSE)، ضریب تبیین (R2) و ضریب همبستگی (R) صورت گرفت. نتایج نشان داد که مدل MLP دقت بسیار خوبی در پیش‌بینی SPI برای این اقلیم داشته است و در مقایسه با نواحی خشک و نیمه‌خشک بسیار کارآمد تر است. همچنین پیش‌بینی پنجره‌های زمانی بزرگتر (SPI6 و SPI12) با دقت بیشتری نسبت به پنجره زمانی کوچکتر (SPI3) انجام می‌گیرد.

خشکسالی، شبکه عصبی مصنوعی، شاخص بارش استاندارد، خشکسالی هواشناسی

برای لینک‌دهی به این مقاله از آدرس زیر استفاده نمایید:

برای ارجاع در منابع از عبارت زیر استفاده کنید:
نعمتی روشن، مهدی، نادی، مهدی، نوروز ولارشدی، رضا، فضل اولی، رامین، 1399، پیش بینی خشکسالی هواشناسی در ایستگاه سینوپتیک ساری، با استفاده شاخص بارش استاندارد (SPI) و مدل پرسپترون چندلایه (MLP)، پانزدهمین همایش ملی علوم و مهندسی آبخیزداری ایران، https://conf.sanru.ac.ir/fa/archive_index.php?c=wms99&aid=103851