ارزيابي عملكرد شبكه عصبي مصنوعي در پيش بيني خشكسالي هواشناسي در شمال غرب ايران

Evaluation the efficiency of using Artificial Neural Networks in predicting meteorological droughts in north-west of Iran

خشكسالي يكي از مخرب ترين بلاياي طبيعي در جوامع بشري محسوب مي شود كه مي تواند تاثيرات جبران ناپذير كشاورزي، زيست محيطي، اجتماعي و اقتصادي به همراه داشته باشد. بنابراين آگاهي از وقوع خشكسالي مي تواند در كاهش خسارات موثر باشد. در اين پژوهش، به منظور مدلسازي و شبيه سازي شدت خشكسالي در طول يك دوره آماري 37 ساله (1350- 1386) در 21 ايستگاه بارانسنجي واقع در ناحيه نيمه خشك سرد شمال غربي ايران از شبكه عصبي مصنوعي بهره گرفته شد. داده هاي ورودي به شبكه شامل ميانگين بارش ساليانه و نيز شاخص دهك بارش ساليانه براي تمامي ايستگاه ها بوده كه 80% داده ها براي آموزش شبكه (1350-1379) و20% باقيمانده براي تست و اعتبار سنجي شبكه (1380-1386) انتخاب گرديد. سپس عمل پيش بيني خشكسالي توسط الگوريتم آموزش ديده شده توسط شبكه عصبي مصنوعي و بدون استفاده از داده هاي واقعي و مشاهداتي، براي سال هاي 1387 تا 1391صورت گرفت. معماري مطلوب شبكه به صورت مدل پرسپترون با سه لايه پنهان، الگوي پس انتشار خطا و تابع محرك سيگموييد به همراه 10 نرون در لايه مياني انتخاب گرديد. نتايج حاصله نشان داد كه شبكه عصبي مصنوعي به خوبي قادر به پيش بيني روابط غير خطي بارش و خشكسالي بوده بطوريكه با همبستگي بيشتر از 97% و خطاي كمتر از 5% مقادير شاخص دهك بارش را پيش بيني نموده و نتايج حاصل از اين پيش بيني بطور زيادي منطبق با مقادير واقعي مي باشد. از اين رو با استفاده از اين روش مي توان وضعيت خشكسالي را در سال هاي آتي پيش بيني كرده و در مديريت و بهره وري منابع آب و نيز مديريت خشكسالي و تغييرات اقليمي از اين روش بهره جست.

Drought is one of the most destructive natural disasters in human societies that cause irreparable impacts on agriculture, environment, society and economics. So, awareness of occurrence of droughts can be effective in reducing losses. In this study, in order to modeling and forecasting drought severity in a 37 year time period (1971-2007) in 21 meteorological stations, located in the cold semi-arid region of north-west Iran, artificial neural networks was used. The input data was annual rainfall data and annual drought precipitation index for all stations that 80% of the data (1971-2000) used for training the network and other 20% (2001-2007) used for testing it and in the next step drought severity predicted for the years 2008 to 2012 by the trained algorithm without using actual and existed data in this period. The appropriate structure for the network, based on Multi-Layer Perceptron with three hidden layer, Back Propagation algorithm, sigmoid transfer function and 10 neurons in middle layer. The results show that the artificial neural networks are well able to predict the non-linear relationship between rainfall and drought as it can simulate drought precipitation index values largely consistent with the real values with more than 97% regression and less than 5% error. So, drought can be predicted by this method in future and also it is useful in water resources management, drought management and climate change.