ارزیابی روش کنترل گروهی داده‌ها (gmdh) و سیستم استنتاج فازی-عصبی (anfis) در پیش‌بینی خشکسالی در چند نمونه اقلیمی مختلف

خشکسالی پدیده‌ای است که احتمال وقوع آن در همه نقاط کره زمین و با هر شرایط اقلیمی وجود دارد. پیش‌بینی خشکسالی می‌تواند نقش مهمی در مدیریت منابع آبی و بهره‌برداری بهینه از آن‌ها ایفا کند. در این مطالعه، برای پیش‌بینی خشکسالی، کاربرد دو روش هوشمند سیستم استنتاج فازیعصبی (anfis) و کنترل گروهی داده‌ها (gmdh) چند نمونه اقلیمی مختلف ایران مورد ارزیابی قرار گرفته است. به این منظور از  شاخص بارش استاندارد شده (spi) در سه مقیاس 6،3 و 12 ماهه استفاده شد. آمار و اطلاعات بارندگی طی یک دوره 20 ساله (2015-1996) در 7 ایستگاه سینوپتیک ایران با اقلیم‌های متفاوت بکار گرفته شد و جهت بررسی عملکرد مدل‌ها از سه معیار ریشه میانگین مربعات خطا (rmse)، ضریب تبیین (r2) و میانگین قدرمطلق خطا (mae) استفاده شد. نتایج نشان داد که در روش anfis مقدار ضریب تبیین در کمترین حالت مربوط به spi سه ماهه (spi-3) با 0.59 و بیشترین آن در  spi دوازده ماهه (spi-12) با مقدار 0.97 می‌باشد. در روش gmdh، مقادیر ضریب تبیین در هر سه مقیاس spi و در تمامی اقلیم‌ها بین 0.90 تا 0.99 بدست آمد که نشان‌دهنده دقت قابل قبول این مدل بود. . همچنین نتایج حاکی از عملکرد مناسب spi در مقیاس دوازده ماهه بودند. . در واقع، بهبود عملکرد مدل‌های ساخته شده با افزایش مقیاس زمانی محاسبه spi، رابطه مستقیمی دارد. در نهایت نتایج مربوط به مقایسه مقادیر مشاهداتی و پیش‌بینی شده‌ی هر سه مقیاس زمانی با استفاده از روش gmdh در تمامی اقلیم‌ها نشان داد که پیش‌بینی خشکسالی با این روش قابل اطمینان و امکان استفاده از این روش برای پیش‌بینی‌های آتی میسر می‌باشد. بطور کلی نتایج تولید شده توسط هردو روش anfis و gmdh دارای دقت قابل قبولی می‌باشند اما پاسخ‌های بدست آمده از روش gmdh بهتر بوده و به عنوان مدل برتر در پیش‌بینی خشکسالی در این پژوهش معرفی می‌گردد

Drought forecasting using Group Method of Data Handling (GMDH) and Adaptive NeuralFuzzy Inference System (ANFIS) in different climates

The results of model evaluation during training and testing demonstrated significant accuracy differences between various models. Results showed that in the ANFIS, minimum of R2 in SPI3 was 0.59, in hyperhumid climates (Ramsar and BandareAnzali) and maximum of R2 in SPI3 was 0.78, in hyperarid climate (Zahedan) and humid climate (Yasuj). Also minimum of R2 in SPI6 was 0.75, in semiarid climate (Hamedan) and maximum of R2 in SPI6 was 0.87, in hyperarid and arid climates (Zahedan and Mashhad). In SPI12, minimum of R2 was 0.88, in hypearid and semiarid climates (Zahedan and Hamedan) and minimum of R2 was 0.97 in arid climates (Mashhad). Also, results of ANFIS showed that membership functions type and climates type don’t have effect on ANFIS performance and when model is using precipitation in two delay step and SPI in 3 delay step, it has acceptable and high accuracy results. In the GMDH, R2 is between 0.910.99 in all three SPI scales (SPI3, SPI6 and SPI12) and in all climates which it indicates the acceptable accuracy of this model. In order to evaluate the results of GMDH models, the best models related to M4 and M9 that input variables are {SPI(t1), SPI(t2), SPI(t3), SPI(t4), SPI(t5)} and {SPI(t1), SPI(t2), SPI(t3), SPI(t4), SPI(t5), P(t1), P(t2)}. RMSE values indicated that it increases when climate type is changing. Hyperhumid and humid climates have RMSE more than other climates. It related to precipitation effect in models performance. M5 and M6 models that use just precipitation in the previous months have low performance in drought forecasting. Also results indicate that SPI is appropriate for 12month scale. In fact, the performance of the models has direct relationship with the increasing of the SPI time scale. Finally, The results of the comparison of observed and calculated values of three SPI scales (SPI3, SPI6 and SPI12) using the GMDH model in all climates showed that drought forecasting is reliable when this method used and it’ll use possibility for future drought forecasting. In general, the results are accurate when using ANFIS and GMDH but the performance of the GMDH model is better than other model. Also, execution speed and GMDH calculations are far more than the ANFIS. Finally, in this study, GMDH propose as the best model for drought forecasting