پيش‌بيني خشكسالي با نمايه SPI به‌روش مدل‌سازي ANFIS بر مبناي خوشه‌بندي C-mean فازي

Drought Forecasting by SPI Index and ANFIS Model Using Fuzzy C-mean Clustering

خشكسالي نتيجه اندركنش بين محيط زيست و چرخه آب در طبيعت است كه تهديدي مخاطره آميز براي محيط زيست و حيات گونه‌هاي زيستي محسوب مي‌شود. لذا يافتن نمايه‌هاي اندازه‌گيري خشكسالي براي پيش بيني و ارزيابي مكاني و زماني اين پديده به‌منظور مديريت بحران آن ضرروي و حياتي به‌نظر مي‌رسد. در اين مقاله ابتدا به بيان مفهوم خشكسالي و مقايسه نمايه‌هاي اندازه‌گيري آن پرداخته شد و سپس از مباني شبكه‌هاي عصبي- فازي به‌همراه آناليز خوشه‌بندي براي پيش بيني خشكسالي با نمايه بارش استاندارد استفاده شد. نتايجي حاكي از آن است كه نمايه SPI قابليت بيشتري در پيش‌بيني نسبت به نمايه‌هايي چون پالمر، پالفي و ديگر نمايه‌ها دارد و از سويي راهبرد شبكه عصبي- فازي تطبيقي بر مبناي روش خوشه‌بندي C-mean در امر مدل‌سازي براي پيش‌بيني خشكسالي از كارايي بالايي برخودار است.

Drought is the interaction between environment and water cycle in the world and affects natural environment of an area when it persists for a longer period. So, developing a suitable index to forecast the spatial and temporal distribution of drought plays an important role in the planning and management of natural resources and water resource systems. In this article, firstly, the drought concept and drought indexes were introduced and then the fuzzy neural networks and fuzzy C-mean clustering were applied to forecast drought via standardized precipitation index (SPI). The results of this research indicate that the SPI index is more capable than the other indexes such as PDSI (Palmer Drought Severity Index), PAI (Palfai Aridity Index) and etc. in drought forecasting process. Moreover, application of adaptive nero-fuzzy network accomplished by C-mean clustering has high efficiency in the drought forecasting.