پيش بيني خشك‌سالي در سطح استان يزد با استفاده از روش هوش مصنوعي

Drought prediction using Artificial Intelligence at Yazd province

شريفي پور لاله Sharifipour Laleh

قانعي محمدجواد Ghaneei Bafghi Mohammad Javad

كوثري محمدرضا Kosari Mohammad Reza

مديريت و كنترل بيابان

كشاورزي و منابع طبيعي

مهندسي طبيعت

114ص

خشك سالي , بارش استاندارد شده , پديده ال نينو , هوش مصنوعي

خشك‌سالي يك اختلال موقتي است كه خصوصيات آن از منطقه¬اي با منطقه ديگر متفاوت است ازاين‌رو نمي¬توان تعريف جامع¬ و مطلق براي خشك‌سالي بيان نمود. پديده¬هاي اقليمي مختلف همچون نوسانات جنوبي مي¬توانند در وقوع خشكسالي تاثير گذار باشند. تحقيق حاضر به منظور پيش¬بيني خشكسالي با استفاده از هوش مصنوعي و همچنين بررسي تاثير پديده ال¬نينو بر وقوع خشكسالي در سطح استان يزد انجام گرفته است. داده¬هاي بارندگي 11 ايستگاه سينوتيك طي دور ¬آماري 29 ساله (1988 تا 2017) به صورت ماهانه مورد استفاده قرار گرفت. شاخص بارش استاندارد شده (SPI) در مقياس¬هاي زماني 1، 3، 6، 9، 12 و 24 ماهه محاسبه گرديد كه گوياي وضعيت خشكسالي از نظر شدت و مدت مي¬باشد. تاثير پديده ال¬نينو در وقوع خشكسالي به صورت همزمان و با تاخير زماني 2 ماه بررسي گرديد و هيچگونه ارتباط معني داري بين خشكسالي و ترسالي¬هاي به وقوع پيوسته مشاهده نگرديد. براي پيش¬بيني يك¬ماه بعد خشكسالي از 4 روش Deeplearning ، KNN، Decision Tree و SVM-MultiClass استفاده شده است، داده¬هاي بارش به عنوان ورودي و كلاس¬ SPI به عنوان خروجي شبكه¬ها در نظر گرفته شده است. نتايج نشان داده است تمامي شبكه¬ها توانايي پيش¬بيني خشكسالي را داشته¬اند، بر اساس معيار ارزيابي macro-f1 شبكه Deeplearning در مقياس زماني 1 ماهه با 71/22% ناكارآمدترين روش و Decision Tree با 65/64% كارآمدترين روش بوده¬اند، اما با افزايش مقياس زماني، شبكه Deeplearning عملكرد خود را بهبود بخشيده است به طوريكه در مقياس زماني 24 ماهه با 35/65% بهترين عملكرد مربوط به شبكه Deeplearning و بعد از آن، شبكه SVM-MultiClass با 40/57% قرار گرفت.

Drought is a temporary disorder characterized by a different region from another, so a comprehensive and absolute definition of drought cannot be expressed. Various climatic phenomena such as southern fluctuations can affect the occurrence of drought. The present study is conducted by artificial intelligence to predict drought and also to investigate the effect of El Niño phenomenon on drought occurrence in Yazd province. The rainfall data of 11 synoptic stations was used on a monthly basis during the 29-year period (1988 to 2017). The standardized precipitation index (SPI) was calculated on the time scale of 1, 3, 6, 9, 12 and 24 months which indicates the drought condition in terms of intensity and duration. The effect of El Niño phenomena on the occurrence of drought has been investigated both simultaneously also based on a 2-month-delay. However no significant correlation was observed between the occurred drought and wet year. In order for prediction of the draught related to one month later, four Deeplearning, KNN, Decision Tree and SVM-Multi Class methods have been used. And, raining datum is considered as input and SPI Class is considered as network output. Based on the received conclusions, all networks have been able to predict draught. Increasing the time scale, the Deeplearning method has improved and performed better than the others.

3/6/2019 12:00:00 AM

104

NE41

خانم فتوحي