مقایسه روش های شبکه های عصبی مصنوعی، شبکه بیزین و برنامه ریزی بیان ژن در پیش بینی خشکسالی (مطالعه موردی: ایستگاه سینوپتیک مراغه)

خشکسالی جزء جدایی ناپذیر هر اقلیمی محسوب می گردد که تاثیرات مهمی بر بخش های مختلف جامعه دارد و سبب افزایش فشار بر منابع آبی می گردد. لذا پیش بینی وضعیت آتی آن می تواند به برنامه ریزان و تصمیم گیران در بخش های مختلف کمک شایانی نماید. در این تحقیق جهت پیش ینی خشکسالی در مقیاس های زمانی مختلف شاخص خشکسالی بارش و تبخیر تعرق استاندارد (spei) از 5 ورودی مختلف شامل مقادیر شاخص spei با تاخیرهای یک تا 5 ماهه استفاده و سپس از سه روش هوشمند شامل برنامه ریزی بیان ژن (gep)، شبکه بیزین (bn) و شبکه عصبی مصنوعی (ann) جهت پیش بینی مقادیر آتی استفاده گردید. نتایج نشان داد که هر سه روش در مقیاس زمانی کوتاه مدت شاخص spei از دقت مناسب برخوردار نمی باشند به طوری که بهترین عملکرد در مقیاس زمانی یک ماهه مربوط به مدل شبکه بیزین با ضریب همبستگی 0.142 و در مقیاس سه ماهه مربوط به روش ann با ضریب همبستگی 0.704 می باشد. نتایج همچنین نشان داد که دقت پیش بینی مدل با افزایش مقیاس محاسبه spei رابطه مستقیم دارد و با افزایش مقیاس زمانی spei، دقت پیش بینی افزایش پیدا می کند. همچنین هر سه روش در مقیاس های زمانی بلندمدت از عملکرد مناسبی برخوردار می باشند.

Comparison of Artificial Neural Networks, Bayesian Network and Gene Expression Programming in Drought Prediction (Case Study: Maragheh Synoptic Station)

Drought is an inseparable part of any climate that has significant effects on different parts of the community and it increases the stress on water resources. Therefore, predicting its future status can help planners and decision makers in different sectors. In this study, for predicting drought in different time scales of the SPEI drought index, from 5 different inputs, including SPEI values with a lag of 1 to 5 months, then three intelligent methods including Gene Expression Programming (GEP), Bayesian Network (BN) and Artificial Neural Networks (ANNs) were used to predict future values. The results showed that all three methods in the shortterm timescale of the SPEI index are not appropriate so that the best performance in the onemonth time scale is related to the Bayesian network model with a correlation coefficient of 0.142 and in the 3month timescale is related to the ANN model with correlation coefficient of 0.704. The results also showed that predictive accuracy of the model has a direct correlation with the SPEI calculation scale and, with increasing SPEI time scale, predictive accuracy increases. Also, all three methods have good performance in longterm timescales.