ارزیابی عملکرد مدل‌های canfis، mlpnn، mlr و m5، در شبیه‌سازی شاخص خشکسالی هواشناسی (مطالعه موردی: ایستگاه سینوپتیک کرمانشاه)

پیش‌بینی به‌موقع خشکسالی و شدت بروز آن، می‌تواند در اتخاذ تمهیدات لازم برای مقابله با این پدیده اثرگذار باشد. استان کرمانشاه در دهه اخیر به یکی از کانون های اصلی بحران خشکسالی در کشور تبدیل‌شده است. در این پژوهش به مقایسه مدل فازی عصبی canfis با مدل های دیگر شامل mlpnn، mlr و مدل درخت تصمیم گیری m5 در پیش بینی شاخص خشکسالی spi در مقیاس زمانی 12،9،6،3،1 و 24 ماهه، به مدت 70 سال پرداخته‌شده است. برای انتخاب بهینه ورودی از آنالیز خودهمبستگی و خودهمبستگی جزئی استفاده شد. نتایج بررسی نشان داد که درخت تصمیم‌گیری m5 با ضریب تعیین برابر با 0.93 و میانگین مربعات خطا برابر با 0.248 نسبت به سایر مدل‌ها عملکرد بهتری داشته است همچنین میانگین مربعات خطا در مدل‌های canfis، mlr و mlpnn به ترتیب 0.307، 0.399 و 0.312 مشخص کرد که مدل شبکه عصبی فازی canfis در مقایسه با mlpnn و mlr عملکرد بهتری را در پیش بینی شاخص خشکسالی داشته است. بر اساس محاسبات آماری و شاخص‌های ارزیابی شبکه مشخص شد که انتخاب گام زمانی تاثیر زیادی در نتایج مدل‌سازی دارد به‌طوری‌که همبستگی با گام‌های زمانی نه ماهه و بیشتر در تمامی مدل‌ها نتایج قابل‌قبول‌تری بین خشکسالی مشاهده‌شده و خشکسالی محاسبه‌شده ارائه داد. درمجموع نتایج نشان داد در برآورد خشکسالی مدل درختی m5 مدلی کارآمد است که می‌توان برای تسهیل توسعه و پیاده‌سازی استراتژی‌های مدیریتی به منظور جلوگیری از ایجاد خشکسالی مفید است.

evaluation of the performance of canfis, mlpnn, mlr and m5 models in the simulation of meteorological drought index (case study: kermanshah synoptic station)

drought is one of the most destructive phenomena in the world, especially in iran. the timely prediction of drought and its severity can make it easier to take the necessary measures to combat this phenomenon. different methods have been proposed to predict droughts; however, what matters is which method can make the predictions more accurate. many researchers have compared the canfis model with other models such as neural networks and linear regression malik and kumar (2020b); malik et al(2020a); malik et al (2019), but it has not been tested against the m5 tree model. in this study, canfis, m5, mlpnn and mlr models have been used to predict drought in kermanshah synoptic station, to enhance the accuracy of drought prediction by using a variety of modeling methods in addition to the influential variables of the spi index.