اثر بهينه سازي كرنل در مدلسازي پديده خشكسالي با بهره‌گيري از هوش محاسباتي (مطالعه موردي: شهر سنندج)

خشك سالي يكي از مهم ترين بلاياي طبيعي است كه اثرات مخرب و زيان باري در زمينه هاي مختلف اقتصادي، اجتماعي و زيست محيطي به جاي مي گذارد. با توجه به رفتار تكرارشوندگي اين پديده، در صورت عدم اجراي راهكارهاي مناسب، آثار مخرب آن تا سال ها پس از وقوع مي تواند در منطقه باقي بماند. اكثر بحران هاي طبيعي از قبيل سيل، زلزله، طوفان و رانش زمين در دوره اي كوتاه ممكن است خسارات سنگين مالي و جاني به جامعه وارد كنند، اما خشك سالي ماهيت آرام و خزشي دارد و آثار مخرب آن به تدريج و در مدت طولاني تري ظاهر مي شود. ازاين رو با مدل سازي خشك سالي مي توان طرح هايي جهت آماده سازي در مقابل خشك سالي و كاهش خسارات ناشي از آن ارائه كرد. در اين پژوهش از الگوريتم هاي هوش محاسباتي شبكه عصبي پرسپترون چندلايه (Multi-Layer Perceptron)، شبكه عصبي رگرسيوني تعميم يافته (Generalized Regression Neural Network)، رگرسيون بردار پشتيبان با كرنل گوسين (Support Vector Regression) و رگرسيون بردار پشتيبان با كرنل پيشنهادي (Support Vector Regression New kernel) جهت مدل سازي خشك سالي با در نظر گرفتن شاخص استانداردشده بارش Standardized Precipitation Index) ( استفاده شده است. نتايج مدل سازي ها در اغلب حالات بيانگر كارايي بهتر مدل پيشنهادي SVR_N نسبت به ديگر مدل ها بود كه در SPI 48 ماهه بهترين دقت مدل سازي حاصل گرديد و مقدار RMSE و R2 به ترتيب برابر 0.093 و 0.991 به دست آمد. همچنين مدل هاي GRNN، MLP و SVR به ترتيب بعد از SVR_N كارايي بهتري در مدل سازي از خود نشان دادند. نتايج اين تحقيق بيانگر اهميت انتخاب و بهينه سازي كرنل بر رفتار مدل سازي پديده خشك سالي در مدل سازي به روش رگرسيون بردار پشتيبان است.