پیش‌بینی نمایه خشکسالی spi به‌روش‌های رگرسیون بردار پشتیبان و خطی چندگانه

خشکسالی پدیده ای طبیعی است که به‌علت برهم‌کنش عوامل مختلف هواشناسی، دارای فرآیند پیچیده ای بوده و در همه شرایط اقلیمی و در تمام مناطق کره زمین به وقوع می‌پیوندد. لذا پیش‌بینی نمایه‌های خشکسالی و ارزیابی زمانی آن‌ها، یکی از راه‌های موثر در مدیریت بحران خشکسالی و تدوین طرح‌هایی به‌منظور کاهش اثرات آن به نظر می‌رسد. در پژوهش حاضر، برای پیش‌بینی نمایه خشکسالی بارش استاندارد شده (spi) در ایستگاه سینوپتیک تبریز در بازه‌زمانی سال‌های 1358 تا 1391، از روش‌های رگرسیون بردار پشتیبان و رگرسیون خطی چندگانه استفاده گردید. بدین منظور، برای پیش‌بینی نمایه spi در دوره‌های 3، 6، 9، 12، 24 و 48 ماهه از شش ترکیب متفاوت ورودی متشکل از مقادیر متناظر قبلی همان نمایه استفاده گردید. نتایج حاصل از تحلیل پارامترهای آماری نشان داد که هر دو روش مورد مطالعه دقت مناسبی در پیش‌بینی نمایه‌های خشکسالی داشته‌اند ولی با این وجود، روش رگرسیون بردار پشتیبان در پیش‌بینی نمایه‌های spi6، spi9 و spi24 به‌ترتیب با داشتن جذر میانگین مربعات خطای 4985/0، 4340/0 و 2427/0 عملکرد بهتری در مقایسه با رگرسیون خطی چندگانه داشته است. ولی در پیش‌بینی نمایه‌های spi3، spi12 و spi48، روش رگرسیون خطی چندگانه خطای نسبی کم‌تری را نشان داد. با این وجود، می‌توان چنین نتیجه‌گیری نمود که هر دو روش مورد مطالعه شامل رگرسیون بردار پشتیبان و خطی چندگانه پیش‌بینی‌های مناسبی از نمایه‌های خشکسالی داشته‌اند و می‌توانند برای مدیریت عواقب ناشی از پدیده مذکور، با اطمینان قابل قبولی مورد استفاده قرار گیرند.

Prediction of SPI drought index using support vector and multiple linear regressions

Drought is a natural phenomenon, which has a complex mechanism as a result of interactions of meteorological parameters and usually occurs in all climates. So, predicting drought indices and their chronological evaluation is an effective way for the drought management and adaptation with its consequences. In the current research, prediction of drought indices are carried out for Tabriz synoptic station, using  support vector regression, multiple linear regression and standard precipitation index (SPI) for the time period of 1979 to 2012. In this regard, for predicting SPI indices in the periods of 3, 6, 9, 12, 24 and 48 months, six different input combinations including the antecedent correspondent values of the mentioned index have been utilized. The results of statistical analysis showed that both methods had significant accuracy. Nonetheless, the support vector regressions for predicting SPI6, SPI9 and SPI24 had better performances, regarding the root mean squared errors of 0.4985, 0.4340 and 0.2427, respectively. However, the multiple linear regressions showed lower relative errors, for predicting SPI3, SPI12 and SPI48. Meanwhile, it can be concluded that both examined methods including support vector and multiple linear regressions had acceptable predictions of drought index and can be used with an admissible confidentiality for the management of drought consequences.