ارزیابی روش کنترل گروهی داده ها (GMDH) و سیستم استنتاج فازی-عصبی (ANFIS) در پیش بینی خشکسالی در چند نمونه اقلیمی مختلف

خشکسالی پدیده ای است که احتمال وقوع آن در همه نقاط کره زمین و با هر شرایط اقلیمی وجود دارد. پیش بینی خشکسالی می تواند نقش مهمی در مدیریت منابع آبی و بهره برداری بهینه از آن ها ایفا کند. در این مطالعه، برای پیش بینی خشکسالی، کاربرد دو روش هوشمند سیستم استنتاج فازی-عصبی (ANFIS) و کنترل گروهی داده ها (GMDH) چند نمونه اقلیمی مختلف ایران مورد ارزیابی قرار گرفته است. به این منظور از شاخص بارش استاندارد شده (SPI) در سه مقیاس 6،3 و 12 ماهه استفاده شد. آمار و اطلاعات بارندگی طی یک دوره 20 ساله (2015-1996) در 7 ایستگاه سینوپتیک ایران با اقلیم های متفاوت بکار گرفته شد و جهت بررسی عملکرد مدل ها از سه معیار ریشه میانگین مربعات خطا (RMSE)، ضریب تبیین (R2) و میانگین قدرمطلق خطا (MAE) استفاده شد. نتایج نشان داد که در روش ANFIS مقدار ضریب تبیین در کمترین حالت مربوط به SPI سه ماهه (SPI-3) با 59/0 و بیشترین آن در SPI دوازده ماهه (SPI-12) با مقدار 97/0 می باشد. در روش GMDH، مقادیر ضریب تبیین در هر سه مقیاس SPI و در تمامی اقلیم ها بین 90/0 تا 99/0 بدست آمد که نشان دهنده دقت قابل قبول این مدل بود. . همچنین نتایج حاکی از عملکرد مناسب SPI در مقیاس دوازده ماهه بودند. . در واقع، بهبود عملکرد مدل های ساخته شده با افزایش مقیاس زمانی محاسبه SPI، رابطه مستقیمی دارد. در نهایت نتایج مربوط به مقایسه مقادیر مشاهداتی و پیش بینی شده ی هر سه مقیاس زمانی با استفاده از روش GMDH در تمامی اقلیم ها نشان داد که پیش بینی خشکسالی با این روش قابل اطمینان و امکان استفاده از این روش برای پیش بینی های آتی میسر می باشد. بطور کلی نتایج تولید شده توسط هردو روش ANFIS و GMDH دارای دقت قابل قبولی می باشند اما پاسخ های بدست آمده از روش GMDH بهتر بوده و به عنوان مدل برتر در پیش بینی خشکسالی در این پژوهش معرفی می گردد