کاربرد روش ماشین بردار پشتیبان و شبکه بیزین در پیش‌بینی خشکسالی کشاورزی

آگاهی از وضعیت خشکسالی و پیش‌ بینی شرایط آتی آن نقش مهمی در برنامه‌ های مدیریت منابع آب بر عهده دارد و در این راستا متغیرهای بارش و دما تاثیر به‌ سزایی در شدت و مدت وقوع این پدیده ایفا می‌ کنند. با توجه به وضعیت حاکم بر دریاچه ارومیه در سال ‌های اخیر و تنش آبی موجود در حوزه آبخیز آن، در این پژوهش، وضعیت خشکسالی در ایستگاه سینوپتیک سقز به‌ عنوان یکی از ایستگاه ‌های مهم جنوبی حوزه آبخیز این دریاچه در مقیاس ‌های زمانی مختلف با استفاده از شاخص بارشتبخیر و تعرق استاندارد شده (spei) و مدل ماشین بردار پشتیبان (svm) با سه تابع هسته‌ ای خطی، چند جمله ‌ای و پایه شعاعی و شبکه بیزین (bn) مورد بررسی قرار گرفت. برای این منظور از شاخص spei در مقیاس ‌های زمانی کوتاه ‌مدت یک و سه ماهه، میان ‌مدت شش و 12 ماهه و بلندمدت 24 و 48 ماهه در طی دوره آماری 49 ساله برای پایش وضعیت خشکسالی در این ایستگاه استفاده شد. نتایج نشان داد، هشت دوره طولانی مدت خشکسالی مربوط به سال‌ های 1968-1962، 1974-1972، 1979-1978، 1982-1980، 1984-1983، 1987-1986، 2003-1999 و 2009-2007 در طول دوره آماری وجود دارد. سپس، با استفاده از سری زمانی مقادیر spei در پنج مدل ورودی با تاخیرهای یک تا پنج ماهه و مدل ‌های svm و bn نسبت به پیش ‌بینی خشکسالی اقدام شد. نتایج نشان داد که در هر دو روش، مدل با پنج تاخیر زمانی عملکرد بهتری داشته و تابع هسته‌ ای خطی در روش svm نسبت به دو تابع دیگر دقت بیشتری داشته است. همچنین، دقت پیش‌ بینی این مدل ‌ها با افزایش مقیاس محاسبه spei رابطه مستقیم دارد، به‌ نحوی که ضریب همبستگی در روش شبکه بیزین در مرحله آزمون از 0.174 در مقیاس یک ماهه به 0.985 در مقیاس 48 ماهه و در روش svm با تابع هسته ‌ای خطی نیز از 0.149 به 0.983 رسیده است.

Application of support vector machine and bayesian network for agricultural drought prediction

Awareness of the drought status and the prediction of its future conditions play an important role in water resources management programs. In this regard, rainfall and temperature variables have a great influence on the severity and duration of this phenomenon. Regarding the status of the Urmia Lake in recent years and the water stress in its watershed, in this study, the drought situation in Saghez synoptic station as one of the important stations of this basin in different timescales using the Standardized Evapotranspiration Index (SPEI) and SVM model with three linear, polynomial, and radial basis function and Bayesian network (BN) models, were investigated. For this purpose, the SPEI index in the shortterm (1 and 3 months), midterm (6, 12months) and longterm (24 and 48months) during the 49year statistical period for monitoring the drought status at this station was used. Results showed that there was 8 prolonged periods of drought for the years 19621968, 19721974, 19781979, 19801982, 19831984, 19861987, 19992003 and 20072009 during the statistical period. Then SPEI values were applied to five input models with a delay of 1 to 5 months and SVM and BN models were used to predict drought. The results showed that in both methods, the model with 5time delay had better performance and the linear basic function in the SVM method was more accurate than the other two functions. Also, the predictive accuracy of these models is directly correlated with increasing the SPEI scale, so that the correlation coefficient in the Bayesian network method at the test stage ranged from 0.174 in 1month timescale to 0.985 on a 48month timescale and in the SVM method with a linear basic function, it has risen from 1.149 to 0.983.