بررسي تأثير عناصر اقليمي بر افزايش دقت روش شبكه عصبي مصنوعي در پيش‌بيني خشك‌سالي منطقه يزد

Effects of Climatic Factors on Accuracy of ANN-Based Drought Prediction in Yazd Area

خشك‌سالي يك شكل طبيعي از اوضاع آب و هوايي است كه تكرار آن در طول زمان امري اجتناب ناپذير مي باشد. هدف اصلي اين تحقيق بررسي تأثير نوع عوامل اقليمي در پيش بيني خشك‌سالي با استفاده از شبكه عصبي مصنوعي در مناطق مختلف استان يزد است. در اغلب ايستگاه هاي هواشناسي منطقه يزد (ايستگاه‌هاي باران‌سنجي) تنها داده‌هاي مربوط به عامل بارش موجود مي باشد، در حالي كه ايستگاه هاي همديدي علاوه بر بارش ساير عوامل هواشناسي از جمله دماي بيشينه، دماي ميانگين، رطوبت نسبي، سرعت ميانگين باد، جهت باد و ميزان تبخيررا نيز دارا هستند. در اين تحقيق سعي گرديد كه نقش تعداد و نوع عوامل اقليمي (به عنوان عوامل ورودي مدل) در دقت پيش‌بيني خشك‌سالي بر اساس شبكه‌هاي عصبي مصنوعي مورد ارزيابي قرار گيرد. منطقه مورد بررسي بخشي از استان يزد است كه در بر گيرنده 13 ايستگاه كليماتولوژي و 1 ايستگاه همديدي است. جهت انجام اين بررسي ميانگين متحرك سه ساله بارش در تمام ايستگاه ها محاسبه شد و سپس با استفاده از مدل شبكه برگشتي با تأخير زماني(Time Lag Recurrent Network)، ميانگين متحرك بارش يك سال آينده پيش‌بيني گرديد، كه خود عامل اصلي ارزيابي وضعيت خشك‌سالي در سال آتي است. علاوه بر آن در ايستگاه همديدي يزد نيز شبيه‌سازي‌ها با تركيبات مختلفي از ورودي ها انجام گرفت. بهترين تركيب ورودي تركيب ميانگين متحرك بارش - دماي بيشينه بود كه ضريب كارايي آن حدود 90/0 محاسبه شد. بررسي ها نشان داد علي‌رغم اين كه در 13 ايستگاه باران سنجي منطقه شبيه سازي‌ها تنها با يك ورودي (بارش) انجام گرفت، در برخي ايستگاه ها نتايج قابل قبولي به دست آمد كه حتي ضريب كارايي محاسبه شده بر اساس نتايج حاصله بسيار نزديك به ايستگاه يزد (با ورودي هاي مختلف) محاسبه گرديد. (R2 از 48/0 در ايستگاه آقا خرانق تا 90/0 در ايستگاه گاريز متغير بود.) البته ميزان درستي پيش‌بيني ها هنگامي كه فقط از يك عامل ورودي در مدل استفاده شده است از ايستگاهي به ايستگاه ديگر متفاوت بوده است. نتايج به دست آمده گوياي انعطاف‌پذيري قابل ملاحظه مدل‌هاي شبكه عصبي مصنوعي است كه آنها را به ابزار مناسبي جهت مدلسازي در شرايطي كه با فقر داده مواجه هستيم مبدل مي سازد.

Drought is a natural feature of the climate condition, and its recurrence is inevitable. The main purpose of this research is to evaluate the effects of climatic factors on prediction of drought in different areas of Yazd based on artificial neural networks technique. In most of the meteorological stations located in Yazd area, precipitation is the only measured factor while generally in synoptic meteorological stations in addition to precipitation some other variables including maximum and mean temperature, relative humidity, wind speed, dominant wind direction and the amount of evaporation are also available. In this research it was tried to evaluate the role of the type and number of meteorological factor (as inputs of ANN model) on accuracy of ANN based drought prediction. Research area is a part of Yazd province containing only one synoptic and 13 non-synoptic meteorological stations. Three-year moving average of monthly precipitation was the main input of the models in all stations. The type of ANN used in this study was time lag recurrent network (TLRN), a dynamic architecture which was selected by evaluation of different types of ANN in this research. What was predicted is the three-year moving average of monthly precipitation of the next year, which is the main factor to evaluate drought condition one year before it occurs. For the Yazd synoptic meteorological station, several combinations of input variables was evaluated and tested to find the most relevant type of input variables for prediction of drought. However, for other 13 stations precipitation data was the only variable to use in ANN models for this purpose. Results in all stations were satisfactory, even where only one input (precipitation) was used to the models, although the level prediction accuracy was different from station to station. Result taken from this research, indicates high flexibility of ANN to cope with poor data condition where it is difficult to get acceptable results by most of the methods