پيش‌بيني خشكسالي با بكار‌گيري از مدل‌هاي شبكه عصبي مصنوعي و سيستم استنتاج عصبي‌‌ فازي تطبيقي در حوزه مُند استان فارس

Comparison of artificial neural network models and adaptive neurofuzzy inference system in predicting the drought Mond Basin of Fars Province

امروزه خشكسالي يك معضل جدّي و گريبانگير دربسياري از كشورهاي جهان است؛بنابراين پيش بينيِ آن از اهميت به‌سزايي برخوردار مي باشد. در اين تحقيق، كارايي شبكه عصبي مصنوعي و سيستم استنتاج عصبي فازي تطبيقي به عنوان روش هايي مؤثر براي پيش بيني شدت خشكسالي حوزه مُند استان فارس مورد بررسي قرار گرفت. براي اين منظور از داده هاي بارندگي ماهانه ايستگاه باران‌سنجي تنگاب استان فارس با دوره آماري 32 ساله استفاده گرديد. شدت خشكسالي در دوره ماهانه با استفاده از شاخص بارندگي استاندارد شده (SPI) تعيين شد؛ سپس به‌وسيله مدل هاي ANN وANFIS و با استفاده از شاخص SPI پيش بيني شدت خشكسالي انجام گرديد. از بين داده هاي موجود، 70 درصد به عنوان داده هاي آموزش و مابقي به عنوان داده هاي اعتبارسنجي و داده هاي آزمون انتخاب شد؛ سپس از طريق معيارهاي آماري شامل ضريب همبستگي، ميانگين مجذور مربعات خطا و ضريب ناش به كارايي عملكرد مدل ها پرداخته شد. نتايج نشان دادد كه دقت روش شبكه هاي عصبي مصنوعي از روش سيستم استنتاج عصبي فازي تطبيقي بيشتر مي باشد؛ همچنين يافته هاي حاصل از اين بررسي نشان مي دهد كه هرچه پراكندگي داده هاي ورودي مدل بيشتر باشد مدل استنتاج عصبي فازي تطبيقي داراي توانايي بيشتري در شبيه سازي اين نوع از داده ها مي باشد.

Drought has gripped a serious problem in many countries of the world. So great is the importance of drought prediction. In this research, performances Artificial Neural Networks (ANN) and Adaptive NeuroFuzzy Inference System (ANFIS) for Drought Prediction Techniques in Mond Basin of Fars Province have been comparatively evaluated on the  basis  of the monthly data for a 32year period (19782012) including  rainfall, temperature and drought indices SPI, the training data length of  %70 and the testing data length of %30 were determined. After conducting  prediction by using  ANN and ANFIS models, the performances of  these models were evaluated on the basis of statistical criteria of  Nash index (E), correlation coefficient (R) and Root Mean Square Error (RMSE). The obtained  results indicated higher accuracy of ANN model rather than ANFIS model in orther to Drought Prediction Techniques in Mond Basin of Fars Province.