پيش بيني خشكسالي با نمايه هاي SPI و EDI به روش مدل سازي ANFIS بر مبناي خوشه بندي C-Mean و SC

Drought forecasting by SPI and EDI indices using ANFIS method based on C-mean and SC clustering (Case study: Kohgiluyeh and Boyer Ahmad Province)

خشكسالي از جمله اصلي‌ترين و قديمي‌ترين بلاي طبيعي است كه اثرات زيست محيطي مهمي را به دنبال دارد. استان كهگيلويه و بوير احمد عليرغم آنكه از لحاظ ميزان بارش مقام سوم را در سطح كشور دارا مي­باشد، اما خشكسالي‌ها به‌طور متناوب اين استان را تحت تأثير قرار داده و خسارات بسيار سنگيني را به دنبال دارند. ﻳﺎﻓﺘﻦ نمايه‌هاي اندازه‌گيري ﺧﺸﮑﺴﺎﻟﻲ ﺑﺮﺍﻱ پيش‌بيني ﻭ ﺍﺭﺯﻳﺎﺑﻲ ﻣﮑـﺎﻧﻲ ﻭ ﺯﻣـﺎﻧﻲ ﺍﻳـﻦ ﭘﺪﻳـﺪﻩ به‌منظور ﻣﺪﻳﺮﻳﺖ ﺑﺤﺮﺍﻥ ﺁﻥ ضروري ﻭ ﺣﻴﺎﺗﻲ ﺑﻪ ﻧﻈﺮ مي‌رسد. ﺩﺭ ﺍﻳﻦ پژوهش با استفاده ﺍﺯ ﻣﺒﺎﻧﻲ شبكه‌هاي عصبي مصنوعي (ANN) و مدل ﻋﺼﺒﻲ ﻓﺎﺯﻱ تطبيقي (ANFIS) ﺑﻪ ﻫﻤﺮﺍﻩ آناليز خوشه‌بندي فازي ﺑﺮﺍﻱ پيش‌بيني ﺧﺸﮑﺴﺎﻟﻲ ﺑﺎ ﻧﻤﺎﻳـﻪ ﺑـﺎﺭﺵ استاندارد (SPI) و نمايه خشكسالي مؤثر (EDI) اﺳﺘﻔﺎﺩﻩ گرديده است. نتايج به دست آمده از پژوهش بيانگر آن است كه نمايه SPI با ضريب صحت‌سنجي 0/87 نسبت به نمايه EDI با ضريب صحت‌سنجي 0/73 قابليت و دقت بيشتري در پيش­بيني خشكسالي دارد و از طرف ديگر راهبرد شبكه عصبي- فازي تطبيقي بر مبناي روش خوشه­بندي تكراري (C-Mean) و كاهشي (SC) در امر مدل‌سازي براي پيش‌بيني خشكسالي از كارايي بالايي برخوردار است. نتايج نشان مي­دهد كه خوشه‌بندي باعث افزايش دقت مدل‌سازي در مرحله صحت‌سنجي و واسنجي شده است. همچنين خوشه­بندي تكراري با ضريب واسنجي 0/93 و ضريب صحت‌‌سنجي 0/87 بهترين مدل مي‌باشد

Drought is one of the most and oldest natural disaster that cause significant environmental impacts. Despite Kohgilouyeh and Boyerahmad is in the third place in terms of rainfall but the drought has affect the province intermittently and causes many heavy losses. In other to drought crisis management, finding the index measurement of the drought to predict and evaluate the spatial and temporal of this phenomenon, seems essential. In this research, using Artificial Neural Networks (ANN) and Adaptive Neuro Fuzzy System (ANFIS) model with phase clustering analysis with standardized precipitation index (SPI) and effective drought index (EDI) were used to predict drought. The results of study indicate that the SPI index by validation coefficient 0.87 has more capability and accuracy than EDI index by validation coefficient 0.73 in predicting of drought. On the other hand according to C-mean and SC clustering in modeling for predicting the drought, ANFIS approach has more efficacy the result show that, clustering causes the increasing of model accuracy in verification and calibration stages. C-mean clustering by calibration coefficient 0.93 and validation coefficient 0.87 is the best model