كليدواژه :
ENSO , SPI , سيگنال‌هاي اقليمي , شبكه CANFIS , پيش بيني خشكسالي
چكيده فارسي :
پیش بینی خشكسالی به‌عنوان یكی از راهكارهای مدیریتی است كه به برنامه‌ریزان كمك خواهد كرد تا برنامه‌ریزی صحیحی برای استفاده از منابع محدود آب و خاك فراهم كنند. خراسان جنوبی بویژه در دهه اخیر به یكی از كانون‌های اصلی بحران خشكسالی در كشور تبدیل شده كه این امر تاثیر بسزایی در كاهش تولید مواد غذایی، خطر گرسنگی، افت سطح آب زیرزمینی، تخریب خاك و اراضی داشته است. در این مطالعه با تركیب سیگنال‌های اقلیمی بزرگ مقیاس با میزان بارش و مقادیر پیشین شاخص خشكسالی SPI، به بررسی كارآیی شبكه های عصبی-فازی CANFIS در پیش بینی خشكسالی منطقه اقلیمی بیرجند پرداخته شده است. از شاخص SPI به‌منظور تعریف و پایش خشكسالی در گام زمانی ماهانه استفاده شد. در این تحقیق و با مرور منابع انجام شده 9 شاخص اقلیمی بزرگ مقیاس جهت پیش بینی خشكسالی انتخاب شد. از بین شاخص‌ها، الگوهای NINO 1+2، NINO 3، MEI، TSA، AMO و NINO 3.4 به كمك روش رگرسیون گام به گام و بررسی ماتریس همبستگی، موثر بر خشكسالی شهر بیرجند تشخیص داده شدندكه در مدل‌سازی از آن‌ها بهره گرفته شد. طول دوره آماری 41 سال (2010-1970) می‌باشد كه 60 درصد از این دوره جهت آموزش، 15 درصد جهت اعتبار سنجی متقابل و 25 درصد باقیمانده جهت آزمون شبكه مورد استفاده قرار گرفتند. الگوریتم مورد استفاده در آموزش شبكه، مومنتم و نوع تابع عضویت فازی، تابع گوسی انتخاب شد. با توجه به نتایج حاصل از روش رگرسیون گام به گام، 12 مدل استخراج شد. ولی با توجه به محدودیت شبكه CANFIS در اجرای مدل های با تعداد ورودی‌های بیش از 5 متغیر، فقط 8 مدل اول توسط شبكه CANFIS شبیه‌سازی گردیدند. نتایج آنالیز حساسیت شبكه نشان داد كه تقریباً در كلیه مدل‌های مختلف، شاخص‌های NINO و بارش بیشترین تاثیر را بر عملكرد شبكه داشته اند. در مدل شماره 4 (بعنوان مدلی كه كمترین میزان خطا را در فرآیند آموزش و آزمون نشان داد)، شاخص NINO 1+2(t-5) با متوسط حساسیت 7/0 بیشترین تاثیر را بر عملكرد شبكه داشت. پس از آن متغیرهای بارش، NINO 1+2(t)و NINO 3(t-6) به‌ترتیب با حساسیت 59/0، 28/0 و 28/0 توانستند خروجی شبكه را بیش از همه تحت تاثیر تغییرات خود قرار دهند. بر اساس محاسبات آماری و شاخص‌های ارزیابی شبكه مشخص شد كه همبستگی با تاخیر شاخص‌های اقلیمی نتایج قابل قبول‌تری بین خشكسالی و ENSO را ارائه داد. در مجموع مدل چهارم با تركیبی از پارامترهای ورودی NINO 1+2 (با پنج ماه تاخیر و بدون تاخیر)، بارش ماهانه و NINO 3 (با 6 ماه تاخیر) و ضریب همبستگی 903/0 (بین مقادیر مشاهداتی و پیش‌بینی شده) به‌عنوان مناسب‌ترین مدل جهت پیش‌بینی خشكسالی در منطقه اقلیمی بیرجند با استفاده از شبكه CANFIS ارائه شد.
چكيده لاتين :
Drought forecasting is an important tool for managers for exploitation of the limited resources of soil and water. Recently, Southern Khorasan has become one of the main centers in the country which suffers from severe drought. This study was aimed to assess the capability of CANFIS for drought forecasting of Birjand area through the combination of global climatic signals with rainfall and previous values of Standardized Precipitation Index (SPI). SPI was used to define and monitor the drought event in monthly time scale. In this study, nine global climatic indices were selected for drought simulation. Using stepwise regression and correlation analyses, the signals NINO 1+2, NINO 3, MEI, TSA, AMO and NINO 3.4 were recognized as the effective signals on the drought event in Birjand. In this work, for modeling, 41 years of climatic data records (1970-2010) were collected in which 60%, 15%, and 25% of them were extracted to be used in training, cross validation and testing processes, respectively. The momentum algorithm with Gaussian fuzzy membership function was utilized in network training process. Based on the results from stepwise regression analysis, 12 models were extracted for further processing by CANFIS. However, due to the limitation of CANFIS in the execution of training process with the inputs higher than 5, only 8 models were analyzed using CANFIS. Sensitivity analysis showed that for all models, NINO indices and rainfall variable had the largest impact on network performance. In model No. 4, as the model with the lowest error during training and testing processes, NINO 1+2(t-5) with an average sensitivity of 0.7 showed the highest impact on network performance. After that, the variables rainfall, NINO 1+2(t) and NINO 3(t-6) with the average sensitivity of 0.59, 0.28 and 0.28, respectively could have the highest effect on network performance. According to network performance metrics, it was established that the global indices with a time lag represented a better correlation with ENSO. Finally, the fourth model with a combination of the input variables NINO 1+2 (with 5 months of lag and without any lag), monthly rainfall and NINO 3 (with 6 months of lag) showed a correlation coefficient of 0.903 (between observed and simulated SPI) and was selected as the most accurate model for drought forecasting using CANFIS in the climatic region of Birjand.
