پیش‌بینی خشکسالی با بکار‌گیری از مدل‌های شبکه عصبی مصنوعی و سیستم استنتاج عصبی‌‌ فازی تطبیقی در حوزه مُند استان فارس

امروزه خشکسالی یک معضل جدّی و گریبانگیر دربسیاری از کشورهای جهان است؛بنابراین پیش بینیِ آن از اهمیت به‌سزایی برخوردار می باشد. در این تحقیق، کارایی شبکه عصبی مصنوعی و سیستم استنتاج عصبی فازی تطبیقی به عنوان روش هایی موثر برای پیش بینی شدت خشکسالی حوزه مُند استان فارس مورد بررسی قرار گرفت. برای این منظور از داده های بارندگی ماهانه ایستگاه باران‌سنجی تنگاب استان فارس با دوره آماری 32 ساله استفاده گردید. شدت خشکسالی در دوره ماهانه با استفاده از شاخص بارندگی استاندارد شده (spi) تعیین شد؛ سپس به‌وسیله مدل های ann وanfis و با استفاده از شاخص spi پیش بینی شدت خشکسالی انجام گردید. از بین داده های موجود، 70 درصد به عنوان داده های آموزش و مابقی به عنوان داده های اعتبارسنجی و داده های آزمون انتخاب شد؛ سپس از طریق معیارهای آماری شامل ضریب همبستگی، میانگین مجذور مربعات خطا و ضریب ناش به کارایی عملکرد مدل ها پرداخته شد. نتایج نشان دادد که دقت روش شبکه های عصبی مصنوعی از روش سیستم استنتاج عصبی فازی تطبیقی بیشتر می باشد؛ همچنین یافته های حاصل از این بررسی نشان می دهد که هرچه پراکندگی داده های ورودی مدل بیشتر باشد مدل استنتاج عصبی فازی تطبیقی دارای توانایی بیشتری در شبیه سازی این نوع از داده ها می باشد.

Comparison of artificial neural network models and adaptive neurofuzzy inference system in predicting the drought Mond Basin of Fars Province

Drought has gripped a serious problem in many countries of the world. So great is the importance of drought prediction. In this research, performances Artificial Neural Networks (ANN) and Adaptive NeuroFuzzy Inference System (ANFIS) for Drought Prediction Techniques in Mond Basin of Fars Province have been comparatively evaluated on the  basis  of the monthly data for a 32year period (19782012) including  rainfall, temperature and drought indices SPI, the training data length of  %70 and the testing data length of %30 were determined. After conducting  prediction by using  ANN and ANFIS models, the performances of  these models were evaluated on the basis of statistical criteria of  Nash index (E), correlation coefficient (R) and Root Mean Square Error (RMSE). The obtained  results indicated higher accuracy of ANN model rather than ANFIS model in orther to Drought Prediction Techniques in Mond Basin of Fars Province.