كاربرد روش ماشين بردار پشتيبان و شبكه بيزين در پيش بيني خشكسالي كشاورزي

Application of support vector machine and bayesian network for agricultural drought prediction

آگاهي از وضعيت خشكسالي و پيش بيني شرايط آتي آن نقش مهمي در برنامه هاي مديريت منابع آب بر عهده دارد و در اين راستا متغيرهاي بارش و دما تاثير به سزايي در شدت و مدت وقوع اين پديده ايفا مي كنند. با توجه به وضعيت حاكم بر درياچه اروميه در سال هاي اخير و تنش آبي موجود در حوزه آبخيز آن، در اين پژوهش، وضعيت خشكسالي در ايستگاه سينوپتيك سقز به عنوان يكي از ايستگاه هاي مهم جنوبي حوزه آبخيز اين درياچه در مقياس هاي زماني مختلف با استفاده از شاخص بارش-تبخير و تعرق استاندارد شده (SPEI) و مدل ماشين بردار پشتيبان (SVM) با سه تابع هسته اي خطي، چند جمله اي و پايه شعاعي و شبكه بيزين (BN) مورد بررسي قرار گرفت. براي اين منظور از شاخص SPEI در مقياس هاي زماني كوتاه مدت يك و سه ماهه، ميان مدت شش و 12 ماهه و بلندمدت 24 و 48 ماهه در طي دوره آماري 49 ساله براي پايش وضعيت خشكسالي در اين ايستگاه استفاده شد. نتايج نشان داد، هشت دوره طولاني مدت خشكسالي مربوط به سال هاي 1968-1962، 1974-1972، 1979-1978، 1982-1980، 1984-1983، 1987-1986، 2003-1999 و 2009-2007 در طول دوره آماري وجود دارد. سپس، با استفاده از سري زماني مقادير SPEI در پنج مدل ورودي با تاخيرهاي يك تا پنج ماهه و مدل هاي SVM و BN نسبت به پيش بيني خشكسالي اقدام شد. نتايج نشان داد كه در هر دو روش، مدل با پنج تاخير زماني عملكرد بهتري داشته و تابع هسته اي خطي در روش SVM نسبت به دو تابع ديگر دقت بيشتري داشته است. همچنين، دقت پيش بيني اين مدل ها با افزايش مقياس محاسبه SPEI رابطه مستقيم دارد، به نحوي كه ضريب همبستگي در روش شبكه بيزين در مرحله آزمون از 0.174 در مقياس يك ماهه به 0.985 در مقياس 48 ماهه و در روش SVM با تابع هسته اي خطي نيز از 0.149 به 0.983 رسيده است.

Awareness of the drought status and the prediction of its future conditions play an important role in water resources management programs. In this regard, rainfall and temperature variables have a great influence on the severity and duration of this phenomenon. Regarding the status of the Urmia Lake in recent years and the water stress in its watershed, in this study, the drought situation in Saghez synoptic station as one of the important stations of this basin in different time-scales using the Standardized Evapotranspiration Index (SPEI) and SVM model with three linear, polynomial, and radial basis function and Bayesian network (BN) models, were investigated. For this purpose, the SPEI index in the short-term (1 and 3 months), mid-term (6, 12-months) and long-term (24 and 48-months) during the 49-year statistical period for monitoring the drought status at this station was used. Results showed that there was 8 prolonged periods of drought for the years 1962-1968, 1972-1974, 1978-1979, 1980-1982, 1983-1984, 1986-1987, 1999-2003 and 2007-2009 during the statistical period. Then SPEI values were applied to five input models with a delay of 1 to 5 months and SVM and BN models were used to predict drought. The results showed that in both methods, the model with 5-time delay had better performance and the linear basic function in the SVM method was more accurate than the other two functions. Also, the predictive accuracy of these models is directly correlated with increasing the SPEI scale, so that the correlation coefficient in the Bayesian network method at the test stage ranged from 0.174 in 1-month time-scale to 0.985 on a 48-month time-scale and in the SVM method with a linear basic function, it has risen from 1.149 to 0.983.