مقايسه كارآمدي چهار روش هوش مصنوعي در پيش بيني خشك سالي

خشك‌سالي يك اختلال موقتي است كه خصوصيات آن از منطقه اي با منطقه ديگر متفاوت است، از اين ‌رو نمي توان تعريف جامع و مطلق براي خشك‌سالي بيان نمود.در تحقيق حاضر، به منظور معرفي يك روش مناسب جهت پيش بيني خشكسالي براي يك ماه آتي، چهار روش هوش مصنوعي شامل يادگيري عميق (Deeplearning) (از شبكه الكس نت كه يكي از شبكه هاي كانولوشن مي باشد استفاده شده است)، الگوريتم K نزديك ترين همسايه (KNN)، ماشين برداد پشتيبان چند طبقه (SVMMultiClass) و درخت تصميم (Decision Tree) در نظر گرفته شد. داده هاي بارندگي 11 ايستگاه سينوتيك استان يزد طي دوره آماري 29 ساله (1988 تا 2017) به صورت ماهانه به عنوان داده هاي آزمايشي مورد استفاده قرار گرفتند. شاخص بارش استاندارد شده (SPI) براي نشان دادن وضعيت خشكسالي از نظر شدت و مدت در مقياس هاي زماني 1، 3، 6، 9، 12 و 24 ماهه محاسبه گرديد. در ابتدا داده هاي بارش به عنوان ورودي شبكه هاي عصبي و كلاس بندي SPI به عنوان خروجي شبكه ها قرار داده شد. 80 درصد داده ها براي آموزش و20 درصد داده ها براي تست شبكه ها به كار گرفته شد. نتايج نشان داد كه تمامي شبكه ها توانايي پيش بيني خشكسالي را داشته اند، بر اساس معيار ارزيابي macrof1 شبكه Deeplearning در مقياس زماني 1 ماهه با 71/22 درصد، ناكارآمدترين روش و Decision Tree با 65/64 درصد، كارآمدترين روش بوده اند، اما با افزايش مقياس زماني، شبكه Deeplearning عملكرد خود را بهبود بخشيد، به طوريكه در مقياس زماني 24 ماهه با 35/65 درصد، بهترين عملكرد مربوط به شبكه Deeplearning و بعد از آن، شبكه SVMMultiClass با 40/57 درصد، قرار گرفت.