پیش‌بینی و مدل‌سازی خشک‌سالی به روش هیبریدی موجک و الگوریتم‌های شبکه عصبی

پیشینه و هدف بحران خشک سالی یک دوره خشک آب و هوایی است که در هر نقطه از جهان و با هر اقلیمی ممکن است رخ دهد. این بحران اگرچه به آرامی شروع می شود اما می تواند برای مدتی طولانی تاثیر جدی بر سلامت، محصولات کشاورزی، اقتصاد، انرژی و محیط زیست بگذارد. خشک سالی معیشت و سلامت انسان ها را به شدت تهدید می کند و خطر ابتلا به انواع بیماری ها را افزایش می دهد. ازاین رو مدل سازی و پیش بینی خشک سالی از موضوعات مهم و جدی در جوامع علمی است. درگذشته از مدل های ریاضی و آماری مانند روش رگرسیون ساده، خودرگرسیون گیری (ar)، میانگین متحرک (ma) و نیز arima جهت مدل سازی خشک سالی استفاده می شد. در سال های اخیر استفاده از روش های یادگیری ماشین و هوش محاسباتی جهت مدل سازی و پیش بینی خشک سالی بسیار موردتوجه دانشمندان بوده است. ازجمله از الگوریتم های هوش محاسباتی که توسط دانشمندان جهت مدل سازی خشک سالی قبلاً موردتوجه قرارگرفته است می توان به شبکه عصبی پرسپترون چندلایه، شبکه عصبی rbf، ماشین بردار پشتیبان، روش های فازی و فازی عصبی اشاره کرد. در این تحقیق هدف مدل سازی و پیش بینی خشک سالی با بهره گیری از سه الگوریتم شبکه عصبی شامل پرسپترون چندلایه، شبکه عصبی rbf و شبکه عصبی رگرسیون تعمیم یافته است. شاخص خشک سالی استفاده شده در این تحقیق شاخص استانداردشده بارش (spi) است. در این تحقیق از تکنیک موجک در تلفیق با الگوریتم های شبکه عصبی مصنوعی جهت مدل سازی و پیش بینی خشک سالی در 10 ایستگاه سینوپتیک در کشور ایران (آبادان، بابلسر، بندرعباس، کرمان، مشهد، رشت، سقز، تهران، تبریز و زاهدان) در اقلیم های مختلف و با توزیع مکانی مناسب در کل کشور ایران استفاده شده است.مواد و روش ها در این تحقیق در ابتدا با استفاده از داده های بارش ماهانه بین سال های 1961 تا 2017 شاخص خشک سالی spi در مقیاس های زمانی 3، 6، 12، 18، 24 و 48 ماهه از طریق برنامه نویسی در محیط نرم افزار matlab پیاده سازی شد. نتایج این مرحله با استفاده از نرم افزارهای علمی موجود mdm و drinc صحت سنجی شد. در ادامه با استفاده از زنجیره مارکوف به طراحی مدل های پیش بینی پرداخته شد. در این تحقیق درمجموع از شش مدل هوش محاسباتی شامل سه مدل منفرد شبکه عصبی پرسپترون چندلایه (mlp)، شبکه عصبی تابع پایه شعاعی (rbf) و شبکه عصبی رگرسیون تعمیم یافته (grnn) و سه مدل ترکیبی (هیبریدی) موجک با این سه مدل به صورت (wmlp-wrbf-wgrnn) جهت مدل سازی و پیش بینی شاخص spi در 10 ایستگاه این تحقیق استفاده شده است. در پیاده سازی تمامی این شش مدل از محیط برنامه نویسی نرم افزار matlab استفاده شده است. در این تحقیق ابتدا از چهار نوع موجک گسسته شامل دابیشز (daubechies)، سیملت (symlets)، کویفلت (coiflets) و دوضلعی (biorthogonal) استفاده شد، به دلیل عملکرد بهتر موجک دابیشز، از این نوع موجک در تحقیق به عنوان گزینه نهایی استفاده شد. در موجک دابیشز استفاده شده در بین مرتبه های 1 تا 45، مرتبه 3 بهترین عملکرد را در بین مقیاس های زمانی مختلف spi از خود نشان داد، به همین دلیل از موجک دابیشز مرتبه 3 در تمامی مدل های ترکیبی این تحقیق استفاده شد. بعد از آموزش همه شش الگوریتم استفاده شده نتایج با معیارهای ارزیابی ضریب تعیین (r2) و جذر میانگین مربعات خطا (rmse) جهت اندازه گیری اختلاف بین مقادیر واقعی و برآورد شده استفاده شده است.نتایج و بحث نتایج این تحقیق نشان داد که روش های هوش محاسباتی دقت بالایی در مدل سازی و پیش بینی شاخص خشک سالی spi دارند. در مرحله اول نتایج نشان داد که مدل های منفرد mlp، rbf و grnn درصورتی که به طور صحیح آموزش داده شوند نتایجی نزدیک به هم در مدل سازی و پیش بینی شاخص خشک سالی spi دارند. در مرحله بعد مشاهده شد که تکنیک موجک باعث بهبود نتایج مدل سازی خواهد شد. در استفاده از تکنیک موجک در تلفیق با سه مدل منفرد mlp، rbf و grnn انتخاب نوع موجک نیز در مدل سازی بهتر موثر است، به نحوی که در این تحقیق ابتدا از چهار نوع موجک گسسته دابیشز، سیملت، کویفلت و دوضلعی در تلفیق با سه مدل منفرد این تحقیق استفاده شد که نتایج این چهار نوع موجک نشان از برتری نسبی موجک دابیشز نسبت به سه موجک دیگر بود. در استفاده از موجک دابیشز نیز از آنجایی این موجک 45 مرتبه دارد و انتخاب مرتبه نیز در مدل سازی موثر بود با آزمایش 45 مرتبه موجک مشاهده شد که موجک مرتبه 3 در حالت کلی دارای دقت بالاتری در تمامی مقیاس های زمانی شاخص spi (3، 6، 12، 18، 24 و 48 ماهه) و نیز در هر سه الگوریتم mlp، rbf و grnn دارد. ازاین رو در این تحقیق از موجک مرتبه سوم دابیشز در هر سه الگوریتم این تحقیق و نیز در همه مقیاس های زمانی استفاده شد.

drought prediction and modeling by hybrid wavelet method and neural network algorithms

background and objective a drought crisis is a dry period of climate that can occur anywhere globally and with any climate. although this crisis starts slowly, it can have a serious impact on health, agricultural products, the economy, energy, and the environment for a long time to come. drought severely threatens human livelihood and health and increases the risk of various diseases. therefore, modeling and predicting drought is one of the most important and serious issues in the scientific community. in the past, mathematical and statistical models such as simple regression, auto-regression (ar), moving average (ma), and arima were used to model the drought. in recent years, machine learning methods and computational intelligence to model and predict drought have been of great interest to scientists. computational intelligence algorithms that have been previously considered by scientists to model drought include multilayer perceptron neural network, rbf neural network, support vector machine, fuzzy, and anfis methods. in this research, the purpose of modeling and predicting drought is by using three neural network algorithms, including multilayer perceptron, rbf neural network, and generalized regression neural. the drought index used in this research is the standardized precipitation index (spi). in this research, the wavelet technique in combination with artificial neural network algorithms for modeling and predicting drought in 10 synoptic stations in iran (abadan, babolsar, bandar abbas, kerman, mashhad, rasht, saqez, tehran, tabriz, and zahedan) have been used in different climates and with suitable spatial distribution throughout iran.materials and methods this study, initially using monthly precipitation data between 1961 and 2017, spi drought index in time scales of 3, 6, 12, 18, 24, and 48 months through programming in soft environment matlab software implemented. the results of this step were validated using the available scientific software mdm and drinc. then, prediction models were designed using the markov chain. in this study, a total of six computational intelligence models, including three single models of multilayer perceptron neural network (mlp), radial basis function neural network (rbf), and generalized regression neural network (grnn), and three hybrids wavelet models with these three models (wmlp-wrbf-wgrnn) have been used to model and predict the spi index in 10 stations of this research. in implementing all these six models, the matlab software programming environment has been used. in this study, four types of discrete wavelets were used, including daubechies, symlets, coiflets, and biorthogonal. due to the better performance of the dobbies wavelet, this type of wavelet was used as a final option in the research. in the daubechies wavelet used between levels 1 to 45, level 3 showed the best performance among different spi time scales; therefore, the daubechies level 3 wavelet was used in all hybrid models of this study. after training all six algorithms used, the evaluation criteria of coefficient of determination (r2) and root mean square error (rmse) was used to measure the difference between actual and estimated values.