پیش بینی سری زمانی شاخص های خشکسالی spi و pdsi با استفاده از شبکه های عصبی مصنوعی در مشهد
چکیده
خشکسالی ویژگی طبیعی و بازگشت پذیر اقلیم است که در اثر کمبود بارندگی در یک دوره زمانی طولانی صورت می گیرد و در اکثر اقلیم ها رخ می دهد. به علت پیچیدگی دینامیک پدیده های جوی، معادلات رگرسیونی بدرستی قادر به پیش بینی این پدیده ها نمی باشند. در دهه های اخیر شبکه های عصبی توانایی زیادی در مدل کردن پیش بینی سری های زمانی غیر خطی از خود نشان دادند. در این پژوهش سعی شده ابتدا ارتباط میان نمایه های بزرگ مقیاس جوی (نمایه های نوسانات جنوبی(soi) و اطلس شمالی nao) با مقادیر بارندگی و دمای ایستگاه سینوپتیک مشهد مورد بررسی قرار گیرد و سپس مقادیر نمایه های spi و pdsi به کمک شبکه های عصبی مصنوعی برای ماه های آتی پیش بینی شوند. بدین منظور از داده های ماهانه spi، بارندگی، دما، nao و soi در طول سال های 1951-2007 استفاده شد و عملکرد شبکه های عصبی پرسپترون سه لایه و پیش خور عمومی با الگوریتم های مومنتوم و گرادیان نزولی برای پیش بینی این نمایه ها مورد ارزیابی قرارگرفت. نتایج حاکی از آن بود که وقوع النینو نشان دهنده افزایش بارندگی در فصل زمستان و کاهش بارندگی در دیگر فصول و وقوع فاز سرد انسو (لانینا) موجب کاهش بارندگی در این ایستگاه می شود. سری زمانی نمایه spi هجده ماهه با ضریب 778/0= r2 و 042/0=rmse و سری زمانی شاخص pdsi با ضریب 763/0= r2 و 035/0=rmse قادر به پیش بینی برای یک ماه آینده می باشند.