چکیده:
خشکسالی یکی از مخرب ترین بلایای طبیعی در جوامع بشری محسوب می شود که می تواند تاثیرات جبران ناپذیر کشاورزی، زیست محیطی، اجتماعی و اقتصادی به همراه داشته باشد. بنابراین آگاهی از وقوع خشکسالی می تواند در کاهش خسارات موثر باشد. در این پژوهش، به منظور مدلسازی و شبیه سازی شدت خشکسالی در طول یک دوره آماری 37 ساله (1350- 1386) در 21 ایستگاه بارانسنجی واقع در ناحیه نیمه خشک سرد شمال غربی ایران از شبکه عصبی مصنوعی بهره گرفته شد. داده های ورودی به شبکه شامل میانگین بارش سالیانه و نیز شاخص دهک بارش سالیانه برای تمامی ایستگاه ها بوده که 80% داده ها برای آموزش شبکه (1350-1379) و20% باقیمانده برای تست و اعتبار سنجی شبکه (1380-1386) انتخاب گردید. سپس عمل پیش بینی خشکسالی توسط الگوریتم آموزش دیده شده توسط شبکه عصبی مصنوعی و بدون استفاده از داده های واقعی و مشاهداتی، برای سال های 1387 تا 1391صورت گرفت. معماری مطلوب شبکه به صورت مدل پرسپترون با سه لایه پنهان، الگوی پس انتشار خطا و تابع محرک سیگموئید به همراه 10 نرون در لایه میانی انتخاب گردید. نتایج حاصله نشان داد که شبکه عصبی مصنوعی به خوبی قادر به پیش بینی روابط غیر خطی بارش و خشکسالی بوده بطوریکه با همبستگی بیشتر از 97% و خطای کمتر از 5% مقادیر شاخص دهک بارش را پیش بینی نموده و نتایج حاصل از این پیش بینی بطور زیادی منطبق با مقادیر واقعی می باشد. از این رو با استفاده از این روش می توان وضعیت خشکسالی را در سال های آتی پیش بینی کرده و در مدیریت و بهره وری منابع آب و نیز مدیریت خشکسالی و تغییرات اقلیمی از این روش بهره جست.
خلاصه ماشینی:
پژوهشی توسط خوشحال دستجردی و حسینی (١٣٨٩: ١٠٧-١٢٠) تحت 1 - Mishra 2 - Camilo 3 - Keshin and Tezri عنوان پیش بینی سیکل خشکسالی توسط شبکه عصبی مصنوعی در ٢٠ ایستگاه هواشناسی استان اصفهان صورت گرفت و از این تحقیق این نتیجه حاصل شد که با استفاده از مدل شبکه عصبی می توان با دقت بالای ٩٥% سیکل خشکسالی استان را اندازه گیری کرد.
با توجه به موفقیت روش شبکه عصبی مصنوعی برای پیش بینی خشکسالی در مناطق مختلف ، در این پژوهش سعی بر آن است تا در ابتدا دقت شبکه عصبی مصنوعی در پیش بینی خشکسالی در اقلیم سرد و نیمه خشک مناطق شمال غربی ایران را که تا بحال بررسی نگردیده ، مورد ارزیابی قرار داده و با سایر نتایج مورد مقایسه قرار دهیم ، سپس در صورتیکه شبکه در مرحله اعتبار سنجی و تست از دقت کافی برای شبیه سازی برخوردار باشد و میزان خطای حاصله کم باشد، با استفاده از شبکه عصبی مصنوعی عمل پیش بینی برای سال های فاقد آمار صورت می گیرد.
بر این اساس و به این دلیل که شبکه عصبی با خطای بسیار کم و قابل قبول و همبستگی زیاد نتایج ، قادر به شبیه سازی در مرحله تست و اعتبار سنجی بوده ، عمل پیش بینی شاخص خشکسالی توسط شبکه عصبی مصنوعی برای سال های ١٣٨٧ تا ١٣٩١ بدون استفاده از آمار و داده های واقعی و مشاهداتی، و صرفا بر اساس الگو های آموزش دیده شده موجود در شبکه عصبی مصنوعی، صورت گرفت .