كاربرد سري هاي زماني بارش و نمايه هاي آماري اقليمي در پيش بيني خشكسالي به كمك شبكه CANFIS (مطالعه موردي: بيرجند- خراسان جنوبي)

پيش بيني خشكسالي به عنوان يكي از راهكارهاي مديريتي است كه به برنامه ريزان كمك خواهد كرد تا برنامه ريزي صحيحي براي استفاده از منابع محدود آب و خاك فراهم كنند. خراسان جنوبي بويژه در دهه اخير به يكي از كانون هاي اصلي بحران خشكسالي در كشور تبديل شده كه اين امر تاثير بسزايي در كاهش توليد مواد غذايي، خطر گرسنگي، افت سطح آب زيرزميني، تخريب خاك و اراضي داشته است. در اين مطالعه با تركيب سيگنال هاي اقليمي بزرگ مقياس با ميزان بارش و مقادير پيشين شاخص خشكسالي SPI، به بررسي كارآيي شبكه هاي عصبي-فازي CANFIS در پيش بيني خشكسالي منطقه اقليمي بيرجند پرداخته شده است. از شاخص SPI به منظور تعريف و پايش خشكسالي در گام زماني ماهانه استفاده شد. در اين تحقيق و با مرور منابع انجام شده 9 شاخص اقليمي بزرگ مقياس جهت پيش بيني خشكسالي انتخاب شد. از بين شاخص ها، الگوهاي NINO 1+2، NINO 3، MEI، TSA، AMO و NINO 3.4 به كمك روش رگرسيون گام به گام و بررسي ماتريس همبستگي، موثر بر خشكسالي شهر بيرجند تشخيص داده شدندكه در مدل سازي از آن ها بهره گرفته شد. طول دوره آماري 41 سال (2010-1970) مي باشد كه 60 درصد از اين دوره جهت آموزش، 15 درصد جهت اعتبار سنجي متقابل و 25 درصد باقيمانده جهت آزمون شبكه مورد استفاده قرار گرفتند. الگوريتم مورد استفاده در آموزش شبكه، مومنتم و نوع تابع عضويت فازي، تابع گوسي انتخاب شد. با توجه به نتايج حاصل از روش رگرسيون گام به گام، 12 مدل استخراج شد. ولي با توجه به محدوديت شبكه CANFIS در اجراي مدل هاي با تعداد ورودي هاي بيش از 5 متغير، فقط 8 مدل اول توسط شبكه CANFIS شبيه سازي گرديدند. نتايج آناليز حساسيت شبكه نشان داد كه تقريباً در كليه مدل هاي مختلف، شاخص هاي NINO و بارش بيشترين تاثير را بر عملكرد شبكه داشته اند. در مدل شماره 4 (بعنوان مدلي كه كمترين ميزان خطا را در فرآيند آموزش و آزمون نشان داد)، شاخص NINO 1+2(t-5) با متوسط حساسيت 7/0 بيش ترين تاثير را بر عملكرد شبكه داشت. پس از آن متغيرهاي بارش، NINO 1+2(t)و NINO 3(t-6) به ترتيب با حساسيت 59/0، 28/0 و 28/0 توانستند خروجي شبكه را بيش از همه تحت تاثير تغييرات خود قرار دهند. بر اساس محاسبات آماري و شاخص هاي ارزيابي شبكه مشخص شد كه همبستگي با تاخير شاخص هاي اقليمي نتايج قابل قبول تري بين خشكسالي و ENSO را ارائه داد. در مجموع مدل چهارم با تركيبي از پارامترهاي ورودي NINO 1+2 (با پنج ماه تاخير و بدون تاخير)، بارش ماهانه و NINO 3 (با 6 ماه تاخير) و ضريب همبستگي 903/0 (بين مقادير مشاهداتي و پيش بيني شده) به عنوان مناسب ترين مدل جهت پيش بيني خشكسالي در منطقه اقليمي بيرجند با استفاده از شبكه CANFIS ارائه شد.