مقايسه كارايي شبكه عصبي مصنوعي در پيش بيني خشكسالي هواشناسي با استفاده از پيوند از دور و پارامترهاي اقليمي (مطالعه موردي: جنوب استان قزوين)

Comparing the performance of Artificial Neural Network (ANN) to predict the long term Meteorological Drought using Climatic Parameters and teleconnection (case study: South of Qazvin Province

خشكسالي در نگاهي كلي معلول يك دوره شرايط خشك غيرعادي است كه به اندازه كافي دوام داشته و سبب عدم تعادل در وضعيت هيدرولوژيك يك ناحيه همچون افت منابع آب سطحي و زيرزميني مي گردد. هدف از اين تحقيق مدل سازي پيش بيني خشكسالي هواشناسي در سه مقياس زماني كوتاه مدت، ميان مدت و بلند مدت در ايستگاه باران سنجي واقع در دشت جنوبي استان قزوين، با استفاده از شبكه عصبي پرسپترون چندلايه و با در نظر گرفتن پارامترها و سيگنال هاي اقليمي مي باشد. بدين منظور سه سناريوي مختلف به عنوان ورودي هاي مدل، مورد آزمون قرار گرفت. پس از تعيين متغيرهاي ورودي با روش همبستگي متقاطع اقدام به تعيين تركيب بهينه متغيرها با استفاده از آزمون گاما گرديد. نتايج نشان داد كه با افزايش مقياس زماني از كوتاه مدت به بلند مدت، تاثير سيگنال هاي اقليمي افزايش و در عوض تاثير پارامترهاي هواشناسي كمتر مي شود. همچنين موثرترين سيگنال اقليمي و پارامتر هواشناسي در هر مقياس، به ترتيب MEI (شاخص چند متغيره النينو- نوسانات جنوبي) و بارندگي معرفي گرديدند. جهت مدل سازي از شبكه عصبي با يك لايه مخفي با تعداد كافي نرون، با تابع سيگموئيد در لايه مياني و تابع خطي در لايه خروجي استفاده شد. مناسب ترين تعداد نرون در هر سناريو تعيين شد. در نهايت براساس معيارهاي ارزيابي، مناسب ترين ساختار شبكه در هر مقياس زماني و در سه سناريوي مورد بررسي تعيين گرديد.

Overview، drought is effected an unusual dry period which is enough continued and causes imbalance in the hydrologic status، as depletion of surface water and groundwater resources. The purpose of this research is modeling meteorological drought prediction using Neural Network- Multi layer Perceptron، parameters and climatic signals in three time scales include short، middle and long term in a rain-gauge station located at south plain of Qazvin Province. Three different scenarios were tested as inputs model. Optimal combination of variables was determinate by Gamma-Test after identification of input variables using cross-correlation. Results showed، influence of climatic signals increased and against the influence of meteorological parameters decreased when time scale were increased from short-term to long-term. MEI (Multivariate ENSO Index) and rainfall were introduced as the most effective climatic signals and meteorological parameter for each scale، respectively. Neural Network modeling which has hidden layer with enough neurons، Sigmoid Function in middle layer and linear function at output layer was used. The most appropriate of the number neurons was determined in each scenario and wasn’t observed significant correlation between increasing or decreasing the error and number of neurons. Finally، the most appropriate network structure was determined based on evaluation indexes in three scenarios and each time scale.