ارزيابي مدل‌هاي يادگيري ماشين در پيش‌بيني شاخص‌هاي خشك‌سالي( مطالعۀ موردي: محدودۀ عجب‌شير)

خشك‏سالي يكي از پديده‏هاي مخرب است كه مي‏تواند تأثيرات منفي زيادي بر منابع آب و نيازهاي آبي بگذارد. مدل‏هاي يادگيري ماشين يكي از ابزارهاي سودمند در پيش‏بيني‏هاي سري زماني هستند كه مي‏توانند پيش‏بيني مناسبي بدون داشتن اطلاعات اساسي از يك سامانه ارائه دهند. بنابراين، در اين تحقيق از مدل‏هاي شبكۀ عصبي‌ فازي (ANFIS) و حداقل مربعات رگرسيون بردار پشتيبان (LSSVR) براي پيش‏بيني شاخص خشك‏سالي هواشناسي (SPI) و شاخص خشك‏سالي هيدرولوژيكي (SDI) براي يك دوره (1380-1398) استفاده شد. از ايستگاه‏هاي هواشناسي و هيدرولوژيكي آجي‏چاي در محدودۀ مطالعاتي عجب‏شير به‌ترتيب براي محاسبۀ شاخص‏هاي خشك‏سالي SPI و SDI استفاده شد. به منظور پيش‏بيني شاخص SPI داده‏هاي بارش و براي شاخص SDI داده‏هاي دبي به ‏عنوان پارامترهاي ورودي به مدل‏ها در نظر گرفته شدند. نتايج شاخص‏هاي خشك‏سالي نشان داد طي دورۀ مورد بررسي، طي سال‏هاي 1385-1390 خشك‏سالي هواشناسي و از 1386 تا 1390 خشك‏سالي هيدرولوژيكي شديدتر بوده است (SPI -3). نتايج پيش‏بيني شاخص‏ها نيز نشان داد عملكرد مدل LS-SVR بهتر از ANFIS در هر دو شاخص بوده است. LS-SVR با شاخص ارزيابي خطاي RMSE و MAPE براي SPI به‌ترتيب 0.74 و 0.59 پيش‏بيني كرد كه اين مقادير براي SDI به‌ترتيب 0.62 و 0.46 به دست آمد. نتايج اين تحقيق نشان داد مدل‏هاي يادگيري ماشين ابزار مناسبي براي پيش‏بيني شاخص‏هاي خشك‏سالي هستند. لذا استفاده از آن‏ها براي پيش‏بيني شاخص‏هاي خشك‏سالي در ساير محدوده‏هاي مشابه پيشنهاد مي‏شود.