پیش بینی خشکسالی با استفاده از شبکه ی عصبی مصنوعی مطالعه ی موردی : ایستگاه سینوپتیک شیراز
چکیده
خشکسالی یک رویداد اقلیمی است که خصوصیات آن بستگی به مدت شدت و وسعت منطقه تحت تاٌثیر و تسلط آن دارد که می تواند کوتاه یا شدید باشد . منشاء آن کمبود بارش می باشد که منجر به کاهش ذخیره ی آبی و زیان اقتصادی می شود. موفقیت در کاهش خشکسالی به چگونگی تعیین خشکسالی بستگی دارد . با توجه به دقت کمتر و خطای بیشتر روش های آماری متداول در این پژوهش برای پیش بینی خشکسالی شهرستان شیراز از شبکه ی عصبی مصنوعی در نرم افزار متلب (matlab) به عنوان یک روش کارآمد که نتایج شبیه سازی خشکسالی را بر اساس داده های واقعی بدست می آورد استفاده گردیده است . تاکنون مدل-هایی که اثر ترکیبی الگوهای ارتباط از دور و عناصر اقلیمی را بر خشکسالی شیراز بررسی کنند توسعه نیافته است . در این پژوهش با استفاده از این الگوهای ارتباط از دور و برخی از عناصر اقلیمی به عنوان ورودی شبکه ی عصبی و مقادیر شاخص خشکسالی spi که نمایش کمی خشکسالی می باشد به عنوان خروجی شبکه عصبی مصنوعی استفاده گردیده است . در ابتدا برای تحلیل ارتباط میان خشکسالی در مقیاس زمانی متفاوت با شاخص های اقلیمی و عناصر اقلیمی از روش همبستگی استفاده گردیده است . همبستگی ها در سطح اطمینان 95% مورد آزمون قرار گرفته و با استفاده از روش رگرسیونی چند متغیره تاثیر این متغیرها تاٌیید گردید و مناسبترین متغیرها در مقیاس زمانی انتخاب شد . در مرحله بعدی با استفاده ازمدل شبکه های عصبی مصنوعی پس انتشار و رادیال بیس و متغیرهای چون شاخص های اقلیمی و عناصر اقلیمی موثر اقدام به پیش بینی خشکسالی های منطقه شیراز گردید . پیش بینی ها برای مقیاس زمانی 1 و 3 ماهه در حالت پیوسته و برای حالت گسسته ،پیش بینی فصلی زمستانه خشکسالی صورت گرفت. بر اساس نتایج بدست آمده در پیش بینی پیوسته 1 و 3 ماهه خشکسالی ، شاخص های اقلیمیnino 1+2 , nino 3 ,nino 4 , nino 3/ 4 , sw monsoon و عناصر اقلیمی بیشنه دما ، کمینه دما ، بیشینه رطوبت نسبی ، کمینه رطوبت نسبی و بارش ، موجب بهبود نتایج مدل ها گردید.در پیش بینی فصل زمستان از میان شاخص های اقلیمی ،شاخص nao زمستانه و عناصر اقلیمی بارش ، بیشینه رطوبت نسبی و بیشینه دما ، بهترین نتایج را با کمترین خطا و بیشترین ضریب همبستگی ارائه داده اند .