پیشبینی خشکسالی هواشناسی در ایستگاه سینوپتیک ساری، با استفاده شاخص بارش استاندارد (spi) و مدل پرسپترون چندلایه (mlp)

خشکسالی از پدیده‌های مخرب طبیعی است که گستره وقوع آن شامل تمامیِ مناطق از جمله اقلیم‌های مرطوب نیز می‌شود. در تحقیق جاری قصد بر ارائه پیش‌بینی خشکسالی هواشناسی در منطقه معتدل و مرطوب ساری می‌باشد. بدین منظور داده‌های ماهانه بارش از سازمان هواشناسی کشور، برای دوره 2000 تا 2017 دریافت گردید. سپس شاخص بارش استاندارد (spi) برای این منطقه در سه پنجره زمانی 3 ماهه (spi3)، 6 ماهه (spi6) و 12 ماهه (spi12) محاسبه شد. مدل استفاده شده برای پیش‌بینی، مدل پرسپترون چندلایه (mlp) است که از مهمترین مدل‌های هوش مصنوعی می‌باشد. ورودی‌های استفاده شده برای پیش‌بینی spi، شامل مقادیر گذشته ی خود متغیر بود و برای هر پنجره زمانی توسط تابع خودهمبستگی انتخاب گردید. داده ها برای ورود به مدل به دو بخش آموزش و آزمون تقسیم گردیدند که به ترتیب شامل 75 و 25 درصد از کل داده‌ها می‌باشد. پس از اجرای مدل مشخص شد که بهترین آرایش شبکه برای پیش‌بینی spi، آرایش یک لایه پنهان و 15 نورون است و توابع انتقال تانژانت سیگموییدی و لگاریتم سیگموییدی بهترین سازگاری را با داده‌های این تحقیق داشتند. نتایج نشان داد که مدل mlp دقت بسیار خوبی در پیش‌بینی spi برای این اقلیم داشته است و در مقایسه با نواحی خشک و نیمه‌خشک بسیار کارآمد تر است. همچنین پیش‌بینی پنجره‌های زمانی بزرگتر (spi6 و spi12) با دقت بیشتری نسبت به پنجره زمانی کوچکتر (spi3) انجام می‌گیرد.

Forecasting meteorological drought in Sari synoptic station, using Standardized Precipitation Index (SPI) and Multilayer Perceptron (MLP) model

Drought is a destructive natural phenomenon which occurs in all areas, including humid climates. In this study, the aim is to represent a prediction for meteorological drought, in the humid-moderate region of Sari. For this, the monthly precipitation dataset was prepared from Iranian Meteorological Organization (IRIMO) by the period of 2000 to 2017. Then, Standardized Precipitation Index (SPI) was calculated in three time windows of 3-month (SPI3), 6-month (SPI6), 12-month (SPI12). The used model for prediction is Multilayer Perceptron (MLP) neural network, which is one of the most important artificial intelligent models. The inputs are the time lags of the index that was selected by Autocorrelation Function (ACF) for each of the time windows. To import the data to the model, the data samples were divided into two phases of training and testing, which includes 75% and 25% of the samples, respectively. After implementing the model, it was shown that the best network makeup for SPI prediction was 1- hidden layer and 15 neurons, and the tansig and logsig transfer functions had the best adaptation with this study’s dataset. The results show that MLP model has a very good accuracy in predicting SPI for this climate and is more efficient in comparison with the arid and semi-arid areas. In addition, prediction of the larger SPI time windows (SPI6 & SPI12) has more accurate performances related to smaller time window (SPI3).