پيش‌بيني و مدل‌سازي خشك‌سالي به روش هيبريدي موجك و الگوريتم‌هاي شبكه عصبي

پيشينه و هدف بحران خشك سالي يك دوره خشك آب و هوايي است كه در هر نقطه از جهان و با هر اقليمي ممكن است رخ دهد. اين بحران اگرچه به آرامي شروع مي شود اما مي تواند براي مدتي طولاني تأثير جدي بر سلامت، محصولات كشاورزي، اقتصاد، انرژي و محيط زيست بگذارد. خشك سالي معيشت و سلامت انسان ها را به شدت تهديد مي كند و خطر ابتلا به انواع بيماري ها را افزايش مي دهد. ازاين رو مدل سازي و پيش بيني خشك سالي از موضوعات مهم و جدي در جوامع علمي است. درگذشته از مدل هاي رياضي و آماري مانند روش رگرسيون ساده، خودرگرسيون گيري (AR)، ميانگين متحرك (MA) و نيز ARIMA جهت مدل سازي خشك سالي استفاده مي شد. در سال هاي اخير استفاده از روش هاي يادگيري ماشين و هوش محاسباتي جهت مدل سازي و پيش بيني خشك سالي بسيار موردتوجه دانشمندان بوده است. ازجمله از الگوريتم هاي هوش محاسباتي كه توسط دانشمندان جهت مدل سازي خشك سالي قبلاً موردتوجه قرارگرفته است مي توان به شبكه عصبي پرسپترون چندلايه، شبكه عصبي RBF، ماشين بردار پشتيبان، روش هاي فازي و فازي عصبي اشاره كرد. در اين تحقيق هدف مدل سازي و پيش بيني خشك سالي با بهره گيري از سه الگوريتم شبكه عصبي شامل پرسپترون چندلايه، شبكه عصبي RBF و شبكه عصبي رگرسيون تعميم يافته است. شاخص خشك سالي استفاده شده در اين تحقيق شاخص استانداردشده بارش (SPI) است. در اين تحقيق از تكنيك موجك در تلفيق با الگوريتم هاي شبكه عصبي مصنوعي جهت مدل سازي و پيش بيني خشك سالي در 10 ايستگاه سينوپتيك در كشور ايران (آبادان، بابلسر، بندرعباس، كرمان، مشهد، رشت، سقز، تهران، تبريز و زاهدان) در اقليم هاي مختلف و با توزيع مكاني مناسب در كل كشور ايران استفاده شده است.مواد و روش ها در اين تحقيق در ابتدا با استفاده از داده هاي بارش ماهانه بين سال هاي 1961 تا 2017 شاخص خشك سالي SPI در مقياس هاي زماني 3، 6، 12، 18، 24 و 48 ماهه از طريق برنامه نويسي در محيط نرم افزار MATLAB پياده سازي شد. نتايج اين مرحله با استفاده از نرم افزارهاي علمي موجود MDM و Drinc صحت سنجي شد. در ادامه با استفاده از زنجيره ماركوف به طراحي مدل هاي پيش بيني پرداخته شد. در اين تحقيق درمجموع از شش مدل هوش محاسباتي شامل سه مدل منفرد شبكه عصبي پرسپترون چندلايه (MLP)، شبكه عصبي تابع پايه شعاعي (RBF) و شبكه عصبي رگرسيون تعميم يافته (GRNN) و سه مدل تركيبي (هيبريدي) موجك با اين سه مدل به صورت (WMLP-WRBF-WGRNN) جهت مدل سازي و پيش بيني شاخص SPI در 10 ايستگاه اين تحقيق استفاده شده است. در پياده سازي تمامي اين شش مدل از محيط برنامه نويسي نرم افزار MATLAB استفاده شده است. در اين تحقيق ابتدا از چهار نوع موجك گسسته شامل دابيشز (Daubechies)، سيملت (Symlets)، كويفلت (Coiflets) و دوضلعي (Biorthogonal) استفاده شد، به دليل عملكرد بهتر موجك دابيشز، از اين نوع موجك در تحقيق به عنوان گزينه نهايي استفاده شد. در موجك دابيشز استفاده شده در بين مرتبه هاي 1 تا 45، مرتبه 3 بهترين عملكرد را در بين مقياس هاي زماني مختلف SPI از خود نشان داد، به همين دليل از موجك دابيشز مرتبه 3 در تمامي مدل هاي تركيبي اين تحقيق استفاده شد. بعد از آموزش همه شش الگوريتم استفاده شده نتايج با معيارهاي ارزيابي ضريب تعيين (R2) و جذر ميانگين مربعات خطا (RMSE) جهت اندازه گيري اختلاف بين مقادير واقعي و برآورد شده استفاده شده است.نتايج و بحث نتايج اين تحقيق نشان داد كه روش هاي هوش محاسباتي دقت بالايي در مدل سازي و پيش بيني شاخص خشك سالي SPI دارند. در مرحله اول نتايج نشان داد كه مدل هاي منفرد MLP، RBF و GRNN درصورتي كه به طور صحيح آموزش داده شوند نتايجي نزديك به هم در مدل سازي و پيش بيني شاخص خشك سالي SPI دارند. در مرحله بعد مشاهده شد كه تكنيك موجك باعث بهبود نتايج مدل سازي خواهد شد. در استفاده از تكنيك موجك در تلفيق با سه مدل منفرد MLP، RBF و GRNN انتخاب نوع موجك نيز در مدل سازي بهتر مؤثر است، به نحوي كه در اين تحقيق ابتدا از چهار نوع موجك گسسته دابيشز، سيملت، كويفلت و دوضلعي در تلفيق با سه مدل منفرد اين تحقيق استفاده شد كه نتايج اين چهار نوع موجك نشان از برتري نسبي موجك دابيشز نسبت به سه موجك ديگر بود. در استفاده از موجك دابيشز نيز از آنجايي اين موجك 45 مرتبه دارد و انتخاب مرتبه نيز در مدل سازي مؤثر بود با آزمايش 45 مرتبه موجك مشاهده شد كه موجك مرتبه 3 در حالت كلي داراي دقت بالاتري در تمامي مقياس هاي زماني شاخص SPI (3، 6، 12، 18، 24 و 48 ماهه) و نيز در هر سه الگوريتم MLP، RBF و GRNN دارد. ازاين رو در اين تحقيق از موجك مرتبه سوم دابيشز در هر سه الگوريتم اين تحقيق و نيز در همه مقياس هاي زماني استفاده شد.