مقایسۀ مهارت مدل¬های استوکاستیک و شبکه¬ها¬ی عصبی مصنوعی در مدلسازی و پیشبینی مقادیر و طبقات شاخص بارندگی استاندارد شده
Abstract(in Persian; no English abstract is available)
هدف از پژوهش پیش رو، مقایسۀ کارایی مدلهای استوکاستیک و شبکههای عصبی مصنوعی در پیشبینی کمّی شاخص بارندگی استاندارد شده (spi) در اقلیمهای خشک و مرطوب ایران است. برای این امر، محاسبۀ spi، در مقیاسهای زمانی سهماهه، ششماهه و دوازدهماهه در چهار ایستگاه سینوپتیک کشور طی دورۀ 2007-1973 انجام شد. در گام بعد، مدلسازی سریهای زمانی spi برای پیشبینیهای یک تا دوازده گام به جلو، به سه روش مدلسازی استوکاستیک، شبکۀ عصبی بازگشتی (rmsnn) و شبکۀ عصبی مستقیم (dmsnn) انجام گرفت. مقادیر spi مربوط به دورۀ 1973 تا 2000، برای توسعۀ مدلها و مابقی برای صحتسنجی مدلها مورد استفاده قرار گرفت. در مرحلۀ صحتسنجی، مقایسۀ مقادیر مشاهدهشده و پیشبینیشده spi با استفاده از آزمونهای آماری، ضریب همبستگی و شاخص خطا انجام شد. همچنین برای بررسی قابلیت مدلها در پیشبینی طبقات spi، از آماره کاپای کوهن استفاده شد. در نهایت، اولویت دقت مدلها از دیدگاههایی چون، افق زمانی پیشبینی و مقیاس زمانی بررسی خشکسالی تعیین شد. نتایج بهدست آمده نشان داد: 1) در مقیاس زمانی سه، شش و دوازدهماهه، بهطور کلی مدلهای استوکاستیک (بهترتیب با میانگین خطای 678/0، 569/0 و 344/0 و میانگین ضریب همبستگی 682/0، 777/0 و 919/0) از نظر مهارت پیشبینی مقادیر spi در اولویت کاربرد قرار دارند. 2) در مقیاس زمانی سه، شش و دوازدهماهه بهترتیب، مدلهای dmsnn ، rmsnn و استوکاستیک (با میانگین کاپای 397/0، 530/0 و 750/0) از نظر مهارت پیشبینی طبقات spi در اولویت کاربرد قرار دارند.
Authors and affiliations
- سمیه حجابی — دانشجوی کارشناسی ¬ارشد هواشناسی¬کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران
- جواد بذرافشان — استادیار گروه مهندسی آبیاری و آبادانی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران
- نوذر قهرمان — استادیار گروه مهندسی آبیاری و آبادانی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران