كارايي روش رگرسيون بردار پشتيبان در شبيه سازي مقادير SPI

آب ركن اساسي توسعه پايدار و مايه حيات انسان بوده و همانند بسياري از نعمتهاي الهي ماهيت دوگانه خير و شر در آن نهفته است. آب از يك طرف عامل ايجاد سيل و به دنبال آن خرابي و خسارات مالي و جاني فراوان مي شود و از طرف ديگر كمبود آن (خشكسالي) موجب تغيير اساسي در اكوسيستم‌ها مي شود. خشكسالي در ميان بلاياي طبيعي از جمله وقايع بي سر و صداي طبيعت است كه به صورت جهاني شكل گرفته و به صورت منطقه اي عمل مي كند. خشكسالي يكي از تدريجي ترين و زيان بارترين بلاياي طبيعي مي باشد و به كمبود مستمر و غير طبيعي رطوبت گفته مي شود (پالمر 1965: 30). شاخص هاي زيادي به منظور پيش بيني خشكسالي ارائه شده است كه در ميان شاخص هاي خشكسالي، شاخص پالمر و كاربرد وسيعي در تعيين خشكسالي در اكثر كشور ها دارد. شاخص از معدود شاخص هاي انعطاف پذير است كه در آن پيش بيني زمان شروع، خاتمه و شدت خشكسالي در مقياس زماني كوتاه و بلند مدت ميسر است. اين شاخص نمايه است كه بستگي به احتمال بارش براي هر زمان و مقياس داشته و براي مقياس هاي زماني گوناگون قابل محاسبه است. اين روش به وسيله مك كي و همكاران(1993) با توجه به بررسي تاثيرات متفاوت كمبود بارش بر آب هاي زيرزميني، ذخاير و منابع آب سطحي، رطوبت خاك و جريان آبراهه ابداع و توسعه داده شد. آنها محاسبه شاخص SPI در مقياس هاي زماني كوناه مدت 3 و 6 را براي اهداف كشاورزي و مقياس زماني بلند مدت 24،12 و 48 ماهه براي اهداف هيدرولوژيكي پيشنهاد دادند. كاربرد شاخص SPI در جهان به دليل داشتن مزايايي چون سادگي در محاسبات، نياز نداشتن به داده هاي زياد و مستقل بودن از ميانگين بارش رو به افزايش بوده و براي مقايسه دامنه وسيعي از اقليم ها قابليت استفاده دارد.( قرباني، 1389). اولين كاربرد روش ماشين بردار پشتيبان در مسائل آب توسط ديباك و همكاران (2001) براي مدل سازي بارش- رواناب ارائه شد. نيكبخت شهبازي و حيدرنژاد (2012) در پيش بيني خشكسالي هواشناسي كارون با استفاده از ماشين بردار پشتيبان به اين نتيجه رسيدند كه اين روش براي پيش بيني وقوع خشكسالي مناسب است و در بسياري از موارد اين پيش بيني قابل استفاده براي كاربردهاي واقعي است و دقت پيش بيني در پاييز و زمستان بيشتر از فصل هاي ديگر مي باشد. بلاينه و همكاران (2012) پيش بيني خشكسالي در حوضه رودخانه اي در اتيوپي به كمك شاخص و با استفاده از مدل هاي شبكه عصبي مصنوعي، رگرسيون بردار پشتيباني و شبكه عصبي موجك انجام دادند و نتايج نشان داد كه شبكه عصبي موجك بهترين مدل براي مقادير در حوضه رودخانه مذكور مي باشد. طوفاني و همكاران(1390) در پيش بيني بارندگي با استفاده مستقيم از نظريه موجك به اين نتيجه رسيدند كه تجزيه سيگنال با موجك، منجر به ساده تر شدن سيگنال بارندگي مي شود. به طوريكه همبستگي ميان داده هاي مشاهداتي و محاسباتي معادل 84 درصد به دست آمده و پيش بيني سيگنال بارندگي با دقت بيشتري صورت گرفته است. مرادي و همكاران (1392) در پيش بيني خشكسالي با استفاده از مدل ماشين بردار پشتيبان به اين نتيجه رسيدند كه مقادير بارندگي، دماي حداكثر، دماي حداقل و شاخص بيشترين تاثير را در برآورد بهترين تركيب در مقياس زماني 18 ماهه دارند و براي پيش بيني خشكسالي مي توانند مورد استفاده قرار گيرند. با توجه به اهميت خشكسالي در مديرت بحران هدف از پژوهش حاضر، بررسي كارايي روش رگرسيون بردار پشتيبان در برآورد شاخص خشكسالي در حوضه آبريز درياچه اروميه واقع در استان آذربايجان شرقي مي باشد.