پيش‌بيني فصلي خشكسالي هواشناسي با استفاده ازماشين‌هاي بردار پشتيبان

Seasonal Meteorological Drought Prediction Using Support Vector Machine

در تحقيقات مختلف، پارامترهاي هواشناسي متفاوتي در پيش‌بيني دوره‌هاي كم بارش مورد توجه قرار گرفته‌اند. در اين تحقيق نمايه بارش استاندارد شده (SPI) براي 6 سناريوي فصل (پاييز، زمستان، بهار، پاييز+ زمستان، زمستان+ بهار و پاييز تا بهار) محاسبه شده و متغيرهاي هواشناسي پيش‌بيني كننده دماي هوا (در سطح 300، 500، 700 و 850 ميلي بار) و ارتفاع ژيوپتانسيل (در سطح 300، 500، 700 و 850 ميلي بار) در محدوده طول و عرض جغرافيايي 0 تا 60 درجه شمالي و 0 تا 90 درجه شرقي، در سالهاي (1354-1386) براي پيش‌بيني پديده خشكسالي هواشناسي مورد استفاده قرار گرفت. در اين مدل پيش‌بيني، بازه زماني پيش‌بيني كننده بين ماههاي اكتبر تا آوريل براي SPI پيش‌بيني شده در همان بازه زماني قرار دارد. نمايه بارش استاندارد شده در حوضه‌هاي مورد مطالعه (حوضه سدهاي طالقان و ماملو) بر اساس بارش متوسط حوضه‌ها كه به روش ميانگين معكوس فاصله وزندار محاسبه شده، تخمين زده شده است. يكي از روشهاي يادگيري آماري با استفاده از ناظر به‌نام ماشين‌بردار پشتيبان (SVM) براي تدوين مدل پيش‌بيني SPI استفاده شد. با استفاده از تكنيك آماري مبتني بر آنتروپي مشترك اطلاعات، نقاط موثر بر بارش حوضه سدهاي تهران در فصل بهار بيشتر در جنوب، جنوب غربي و شمال غربي كشور و در فصل پاييز، شمال، شمال غربي و جنوب و در زمستان در شمال غربي و غرب كشور تشخيص داده شدند. نتايج مدل SVM در اكثر موارد پيش‌بيني، دقت مناسب داشت. اين روش مي‌تواند در پيش‌بيني رفتارهاي غيرخطي داده‌هاي هواشناسي با طول دوره آماري كوتاه مورد استفاده قرار گيرد. اين دقت براي دسته‌بندي SPI فصلهاي پاييز و بهار بيشتر از ساير سناريوها است.

In various researches, implementation of meteorological parameters in drought prediction is studied. In the current work, meteorological drought classes based on Standardized Precipitation Index (SPI) for six seasonal scenarios (autumn, winter, spring, autumn + winter, winter +spring, and autumn + winter + spring) and meteorological predictors contained ground and sea surface temperature, weather temperature (at 300, 500, 700 and 850 mi bar) and geopotential height (at 300, 500, 700 and 850 mi bar) wide of North (0, 60) and East (0, 90) was applied in prediction models based on data from 1975 to 2005. In these models, temporal range of meteorological predictors is between October to April month on the same predicted SPI. SPI was calculated based on mean precipitation at seasonal time scale in the main watershed of Tehran (Taleghan, Mamloo) by Inverse Weighted Distance method. The well known statistical supervised machine learning method, support vector machine (SVM), is applied to predict SPI. Regarding to selected data points, the effective regions on Tehran precipitation are southern, southwestern and northwestern of Iran in spring, northern and northwestern in autumn and northwestern and western in winter. SVM depicted accurate results in prediction of SPI, spatially prediction of SPI in all scenarios, and it can be proposed as a very suitable statistical learning method in investigating of nonlinear behavior of meteorological phenomena with a short samples. The predicted SPI in spring and autumn are more accurate than the other scenarios.