استفاده از مدل ماشين بردار پشتيبان براي پيش بيني خشكسالي ( مطالعه موردي : كرمان )

كمبود آب امروزه در قسمت های مختلف جهان از جمله ایران، متاثر از تغییرات اقلیمی و افزایش تقاضا در بخش های گوناگون و همچنین آلودگی منابع تامین آب می باشد. جلوگیری از وقوع خشكسالی امكان پذیر نیست ولی می توان با استفاده از آماره های موجود و پیش بینی صحیح و بكارگیری طرح های مقابله با خشكسالی و مدیریت آن خسارات ناشی ازاین پدیده را تا حد زیادی كاهش داد. لذا یافتن نمایه های اندازه گیری خشكسالی برای پیش بینی و ارزیابی مكانی و زمانی این پدیده به منظور مدیریت بحران آن ضروری و حیاتی به نظر می رسد.در تحقیقات مختلف، پارامترهای هواشناسی متفاوتی در پیش بینی دوره های كم بارش مورد توجه قرار گرفته اند.در این تحقیق نمایه بارش استاندارد (SPI) در مقیاس های زمانی 24،18 12،9 و 48 ماهه محاسبه شده و از متغیر های بارش و دما برای پیش بینی خشكسالی مورد استفاده قرار گرفته است. یكی از روش های یادگیری آماری با استفاده از ناظر به نام ماشین بردار پشتیبان (SVM) برای تدوین مدل پیش بینی SPI استفاده شد كه این مدل نشان می دهد در پیش بینی رفتارهای غیرخطی داده های هواشناسی، دارای دقت مناسب می باشد و سریع تر از شبكه های عصبی مصنوعی متداول آموزش می بیند. در انتها بر اساس نتایج بدست آمده، مناسب ترین متغیرها برای پیش بینی خشكسالی معرفی گردید. بر اساس این نتایج، مقادیر بارندگی،دمای حداكثر، دمای حداقل و شاخص SPI بیشترین تاثیر را در برآورد بهترین تركیب در مقیاس زمانی 18 ماهه دارند و برای پیش بینی خشكسالی می توانند مورد استفاده قرار گیرند و نتایج مناسبی را نیز ارائه دهند.