پيش بيني خشكسالي و سطح بارندگي در ايران جهت مديريت منابع آب مبتني بر مدل هاي ماركوفي تركيبي

Drought and Precipitation level forecast in Iran for water source management based on Combinational Markov Models

خشك سالي به عنوان يكي از مهم ترين بلاياي طبيعي است كه ممكن است در هر اقليم آب وهوايي اتفاق بيفتد. ازآنجاكه وقوع خشك سالي اجتناب ناپذير است، بنابراين شناخت آن به منظور مديريت بهينه منابع آب، از اهميت بسزايي برخوردار است. در اين تحقيق به پيش بيني خشك سالي در شهر تهران و مشهد پرداخته شده است؛ به اين منظور از مدل هاي ماركوفي در دو مرحله استفاده شد. در مرحله اول بعد از پيش پردازش داده ها، زنجيره ماركوف بر اساس ويژگي هاي بارندگي، حداقل دما، حداكثر دما و باد ايجاد شد و احتمال رخداد پيش بيني در سال آينده محاسبه شد، سپس در مرحله دوم ميزان بارندگي، حداقل و حداكثر دما توسط مدل مخفي ماركوف پيش بيني شد تا بر اساس آن ها تصميمات لازم جهت مديريت منابع آب اتخاذ شود. روش پيشنهادي با روش هاي مدل مخفي ماركوف استاندارد و شبكه بيزين بر اساس دقت و نرخ خطا مقايسه شد. نتايج نشان داد روش پيشنهادي بر روي مجموعه داده شهر مشهد در مقايسه با HMM 14% و در مقايسه با شبكه بيزين 31% افزايش دقت و بر روي مجموعه داده شهر تهران در مقايسه با HMM 10% و در مقايسه با شبكه بيزين 15% افزايش دقت داشته است.

Drought is considered as one of the vital natural disasters that can be occurred in any climate. Given that drought incidence is inevitable, so its recognition is of important in order to efficient management of water. In this article drought forecasts in Tehran and Mashhad are considered. To this Markov models have been applied. At first stage after preprocessing of data, according to precipitation features, lowest temperature, highest temperature and wind Markov chains were created and the possibility of its incidence for next year was calculated, then at second stage precipitation level, lowest and highest temperature were forecasted by Markov hidden models so that based on them necessary decisions for water source management can be taken. Suggested method was compared based on error rate and accuracy by standard hidden Markov models and Bayesian network. The results show that suggested method on Mashhad collection data had 14% and 31% and on Tehran collection data 10% and 15% better accuracy compared to HMM and Bayesian network, respectively.