ارزيابي عملكرد مدل‌هاي CANFIS، MLPNN، MLR و M5، در شبيه‌سازي شاخص خشكسالي هواشناسي (مطالعه موردي: ايستگاه سينوپتيك كرمانشاه)

پيش‌بيني به‌موقع خشكسالي و شدت بروز آن، مي‌تواند در اتخاذ تمهيدات لازم براي مقابله با اين پديده اثرگذار باشد. استان كرمانشاه در دهه اخير به يكي از كانون هاي اصلي بحران خشكسالي در كشور تبديل‌شده است. در اين پژوهش به مقايسه مدل فازي عصبي CANFIS با مدل هاي ديگر شامل MLPNN، MLR و مدل درخت تصميم گيري M5 در پيش بيني شاخص خشكسالي SPI در مقياس زماني 12،9،6،3،1 و 24 ماهه، به مدت 70 سال پرداخته‌شده است. براي انتخاب بهينه ورودي از آناليز خودهمبستگي و خودهمبستگي جزئي استفاده شد. نتايج بررسي نشان داد كه درخت تصميم‌گيري M5 با ضريب تعيين برابر با 0.93 و ميانگين مربعات خطا برابر با 0.248 نسبت به ساير مدل‌ها عملكرد بهتري داشته است همچنين ميانگين مربعات خطا در مدل‌هاي CANFIS، MLR و MLPNN به ترتيب 0.307، 0.399 و 0.312 مشخص كرد كه مدل شبكه عصبي فازي CANFIS در مقايسه با MLPNN و MLR عملكرد بهتري را در پيش بيني شاخص خشكسالي داشته است. بر اساس محاسبات آماري و شاخص‌هاي ارزيابي شبكه مشخص شد كه انتخاب گام زماني تأثير زيادي در نتايج مدل‌سازي دارد به‌طوري‌كه همبستگي با گام‌هاي زماني نه ماهه و بيشتر در تمامي مدل‌ها نتايج قابل‌قبول‌تري بين خشكسالي مشاهده‌شده و خشكسالي محاسبه‌شده ارائه داد. درمجموع نتايج نشان داد در برآورد خشكسالي مدل درختي M5 مدلي كارآمد است كه مي‌توان براي تسهيل توسعه و پياده‌سازي استراتژي‌هاي مديريتي به منظور جلوگيري از ايجاد خشكسالي مفيد است.