كاربرد مدل تركيبي شبكه عصبي مصنوعي و الگوريتم‌هاي بهينه‌سازي فرا ابتكاري در پيش‌بيني شاخص خشكسالي SPEI12

خشكسالي يكي از مهم‌ترين بلاياي طبيعي مي‌باشد كه در همه‌ي رژيم‌هاي آب و هوايي رخ مي‌دهد. بنابراين، پيش‌بيني و مقابله با آن از اهميت بالايي برخوردار است. در پژوهش حاضر از سه الگوريتم‌هاي بهينه‌سازي هوشمند (الگوريتم بهينه‌سازي مبتني بر آموزش و يادگيري (TLBO)، الگوريتم بهينه‌سازي علف‌هاي هرز (IWO)، الگوريتم ازدحام ذرات (PSO)) و الگوريتم متداول لونبرگ ماركوات به‌منظور آموزش شبكه عصبي مصنوعي چند لايه، براي پيش‌بيني شاخص خشكسالي SPEI12 يك الي سه ماه آينده در 79 ايستگاه سينوپتيك كشور استفاده گرديد. با توجه به تعداد زياد ايستگاه‌هاي سينوپتيك، ايستگاه‌ها با توجه به سري‌هاي زماني خشكسالي و با استفاده از روش Kmeans به پنج خوشه C1 تا C5 تقسيم شدند. نتايج با توجه به قرارگيري ايستگاه‌ها در خوشه‌ها مورد مقايسه قرار گرفتند و دقت مدل‌ها بر اساس آماره‌هاي RMSE) و (R2 داده‌هاي آزمون، مورد ارزيابي قرار گرفتند. نتايج به‌دست ‌آمده از اين پژوهش نشان داد كه در هر سه مدل پيش‌بيني با افزايش مقياس زماني پيش‌بيني دقت مدل‌ها كاهش يافته است. مقايسه بين سه الگوريتم بهينه‌سازي ذكر شده و الگوريتم لونبرگ ماركوات به‌عنوان يك الگوريتم پركاربرد در بهينه‌سازي وزن‌هاي شبكه عصبي، نشان‌دهنده برتري قابل توجه الگوريتم‌هاي بهينه‌سازي فراابتكاري است. مقايسه بين سه الگوريتم TLBO،IWO و PSO نشان داد كه الگوريتم TLBO اندكي بهتر از ساير الگوريتم‌ها عمل مي‌كند و نتايج دقيق‌تري را ارائه مي‌كند. بهترين پيش‌بيني مدل‌هاي ذكر شده و بيشترين مقادير R2 در خوشه يك (شرق، نوار جنوب و جنوب شرقي ايران) و بيشترين مقادير RMSE و كمترين دقت مدل‌ها در خوشه پنج (نوار شمالي كشور) مشاهده شد.