پیش‌بینی نمایه خشکسالی SPI به‌روش‌های رگرسیون بردار پشتیبان و خطی چندگانه

محورهای موضوعی : مدیریت آب در مزرعه با هدف بهبود شاخص های مدیریتی آبیاری

سعید صمدیان فرد ¹ (عضو هیات علمی دانشگاه تبریز)
اسماعیل اسدی ² (عضو هیات علمی دانشگاه تبریز)

تاریخ دریافت : 1395/04/30 تاریخ پذیرش : 1395/10/26 تاریخ انتشار : 1396/03/01

کلید واژه: تحلیل آماری, خشکسالی, نمایه بارش استاندارد شده, پیش‌بینی,

چکیده مقاله :

خشکسالی پدیده ای طبیعی است که به‌علت برهم‌کنش عوامل مختلف هواشناسی، دارای فرآیند پیچیده ای بوده و در همه شرایط اقلیمی و در تمام مناطق کره زمین به وقوع می‌پیوندد. لذا پیش‌بینی نمایه‌های خشکسالی و ارزیابی زمانی آن‌ها، یکی از راه‌های مؤثر در مدیریت بحران خشکسالی و تدوین طرح‌هایی به‌منظور کاهش اثرات آن به نظر می‌رسد. در پژوهش حاضر، برای پیش‌بینی نمایه خشکسالی بارش استاندارد شده (SPI) در ایستگاه سینوپتیک تبریز در بازه‌زمانی سال‌های 1358 تا 1391، از روش‌های رگرسیون بردار پشتیبان و رگرسیون خطی چندگانه استفاده گردید. بدین منظور، برای پیش‌بینی نمایه SPI در دوره‌های 3، 6، 9، 12، 24 و 48 ماهه از شش ترکیب متفاوت ورودی متشکل از مقادیر متناظر قبلی همان نمایه استفاده گردید. نتایج حاصل از تحلیل پارامترهای آماری نشان داد که هر دو روش مورد مطالعه دقت مناسبی در پیش‌بینی نمایه‌های خشکسالی داشته‌اند ولی با این وجود، روش رگرسیون بردار پشتیبان در پیش‌بینی نمایه‌های SPI-6، SPI-9 و SPI-24 به‌ترتیب با داشتن جذر میانگین مربعات خطای 4985/0، 4340/0 و 2427/0 عملکرد بهتری در مقایسه با رگرسیون خطی چندگانه داشته است. ولی در پیش‌بینی نمایه‌های SPI-3، SPI-12 و SPI-48، روش رگرسیون خطی چندگانه خطای نسبی کم‌تری را نشان داد. با این وجود، می‌توان چنین نتیجه‌گیری نمود که هر دو روش مورد مطالعه شامل رگرسیون بردار پشتیبان و خطی چندگانه پیش‌بینی‌های مناسبی از نمایه‌های خشکسالی داشته‌اند و می‌توانند برای مدیریت عواقب ناشی از پدیده مذکور، با اطمینان قابل قبولی مورد استفاده قرار گیرند.

چکیده انگلیسی:

Drought is a natural phenomenon, which has a complex mechanism as a result of interactions of meteorological parameters and usually occurs in all climates. So, predicting drought indices and their chronological evaluation is an effective way for the drought management and adaptation with its consequences. In the current research, prediction of drought indices are carried out for Tabriz synoptic station, using  support vector regression, multiple linear regression and standard precipitation index (SPI) for the time period of 1979 to 2012. In this regard, for predicting SPI indices in the periods of 3, 6, 9, 12, 24 and 48 months, six different input combinations including the antecedent correspondent values of the mentioned index have been utilized. The results of statistical analysis showed that both methods had significant accuracy. Nonetheless, the support vector regressions for predicting SPI-6, SPI-9 and SPI-24 had better performances, regarding the root mean squared errors of 0.4985, 0.4340 and 0.2427, respectively. However, the multiple linear regressions showed lower relative errors, for predicting SPI-3, SPI-12 and SPI-48. Meanwhile, it can be concluded that both examined methods including support vector and multiple linear regressions had acceptable predictions of drought index and can be used with an admissible confidentiality for the management of drought consequences.  

منابع و مأخذ:

اسدپور اصل، ر. و ستاری، م. 1394. پیش­بینی عمق حفره آب شستگی اطراف پایه پل با استفاده از روش رگرسیون ماشین بردار پشتیبان. دهمین کنگره بین المللی مهندسی عمران، تبریز، ایران.

اژدری مقدم، م.، خسروی، م.، حسین پور نیکنام، ح. و جعفری ندوشن، ا. 1391. پیش‌بینی خشکسالی با استفاده از مدل فازی - عصبی، شاخص‌های اقلیمی، بارندگی و شاخص خشکسالی (مطالعه موردی: زاهدان). جغرافیا و توسعه. 26: 61-72.

جلالی لیچایی، م. و نبی بیدهندی، م. 1385. مقایسه روش‌های رگرسیون خطی چندگانه و شبکه‌های عصبی مصنوعی برای برآورد تخلخل و نفوذپذیری. علوم زمین. 61: 149-140.

حسن زاده، ی.، عبدی کردانی، ا. و فاخری فرد، ا. 1391. پیش‌بینی خشکسالی با استفاده از الگوریتم ژنتیک و مدل ترکیبی شبکه عصبی – موجکی. آب و فاضلاب. 3: 59-48.

حسین پور نیکنام، ح.، اژدری مقدم، م. و خسروی، م. 1391. پیش‌بینی خشکسالی یک ساله با استفاده از مدل فازی - عصبی، سری‌های زمانی خشکسالی و شاخص‌های اقلیمی (مطالعه موردی: زاهدان). آب و فاضلاب. 2: 51-42.

صادقی نیا، ع.، حجازی زاده، ز.، حمیدیان پور، م. و پورسربندان، ر. 1392. برآورد احتمالات خشکسالی و ترسالی با استفاده از نمایه SPI و مدل زنجیره مارکف مطالعه موردی: تهران. فصلنامه­ی فضای جغرافیایی. 43: 81-65.

عابدینی، ا.، موسوی بایگی، م. و انصاری، ح. 1393. کاربرد مدل‌های شبکه عصبی مصنوعی در تخمین نمایه‌های خشکسالی SPI و PDSI در ایستگاه سینوپتیک شهر مشهد. نشریه پژوهش آب در کشاورزی. 28(1): 239-227.

علیزاده، ا. 1394. اصول هیدرولوژی کاربردی. چاپ بیست و هشتم. دانشگاه امام رضا (ع). مشهد. ایران. 946 صفحه.

عیوضی، م.، مساعدی، ا. و دهقانی، ا.ا. 1388. مقایسه روش‌های مختلف پیش‌بینی شاخص خشکسالی SPI. مجله پژوهش های حفاظت آب و خاک. 16(2): 167-145.

قبایی سوق، م. و مساعدی، ا. 1392. پایش خشکسالی گندم با استفاده از مدل اسکالوگرام تعمیم یافته در محدوده ایستگاه­های سینوپتیک مشهد و شیراز. نشریه آبیاری و زهکشی ایران. 1(7): 35-23.

قمقامی، م. و بذرافشان، ج. 1391. پیش آگاهی وضعیت خشکسالی هواشناسی در گستره ایران با استفاده از مدل زنجیره مارکف. نشریه حفاظت منابع آب و خاک. 1(3): 11-1.

کماسی، م.، اعلمی، م.ت. و نورانی، و. 1392. پیش بینی خشکسالی با نمایه SPI به روش مدل‌سازی ANFIS بر مبنای خوشه‌بندی C-mean فازی. آب و فاضلاب. 4: 102-90.

معروفی، ص.، ختار، ب.، صادقی فر، م.، پارسافر، ن. و ایلدورمی، ع. 1393. پیش‌بینی خشکسالی با استفاده از سری زمانی SARIMA و شاخص SPI در ناحیه مرکزی استان همدان. نشریه پژوهش آب در کشاورزی. 28(1): 225-213.

میرعباسی نجف آبادی، ر.، فاخری فرد ا.، دین پژوه، ی. و اسلامیان س. 1392. پایش بلند مدت خشکسالی های ارومیه با استفاده از شاخص کمبود توأم. نشریه دانش کشاورزی (آب و خاک). 23(4): 103-87.

نیک بخت شهبازی، ع.، زهرایی، ب. و ناصری، م. 1391. پیش‌بینی فصلی خشکسالی هواشناسی با استفاده از ماشین‌های بردار پشتیبان. آب و فاضلاب. 2: 84-72.

هاشمی نسب، آ. بذرافشان، ج. و نازی قمشلو، آ. 1394. ارزیابی شاخص خشکسالی کمبود توام تحت شرایط اقلیمی ایران. نشریه حفاظت منابع آب و خاک. 4(3): 64-53.

Abramowitz, M. and Stegun I.A. 1965. Handbook of Mathematical Functions with Formulas, Graphs, and Mathematical Tables. Dover Publications, Inc., New York. 1046 pp.

Abrishamchi, A., Mehdikhani, H., Tajrishy, M., and Marino, M.A. 2007. Application of conjunctive
nonlinear model based on wavelet transforms and artificial neural networks to drought forecasting.
American Geophysical Union, Fall Meeting, Abstract Number: PA33A-1021.

Balan, B., Mohaghegh, S., Ameri, S. 1995. State - of -Art in permeability determination from well log data : Part - 1 -A comparative study , Model development. SPE 30978 , 17-25.

Belayneh, A. and Adamowski, J. 2012. Standard precipitation index drought forecasting using neural networks, wavelet neural networks, and support vector regression. Applied Computational Intelligence and Soft Computing, 2012, 1-13.

Boser, B.E., Guyon, I.M. and Vapnik, V.N. 1992. A training algorithm for optimal margin classiers. In D.Haussler, editor, 5th Annual ACM Workshop on COLT , pages 144-152, Pittsburgh, PA.

Cios KJ, Pedrycz W, Swiniarski RW, Kurgan LA. 2007. Data Mining: A Knowledge Discovery Approach. USA: Springer; 473-4.

Danandeh Mehr, A., Kahya, E. and Özger, M. 2014. A gene–wavelet model for long lead time drought forecasting. Journal of HydrlogyHydrology, 517: 691-699.

Edwards, D.C. and McKee, T.B. 1997. Characteristics of 20th century drought in the United States at multiple timescales. Colorado State University: Fort Collins. Climatology Report No. 97-2.

Jones, P.D. and Moberg, A. 2003. Hemispheric and large-scale surface air temperature variations: an extensive revision and an update to 2001. Journal of Climate. 16: 206-223.

Kao, S.C., and Govindaraju, R.S. 2010. A copula-based joint deficit index for droughts. Journal of Hydrology. 380: 121-134.

Khadr, M. 2016. Forecasting of meteorological drought using Hidden Markov Model (case study: The upper Blue Nile river basin, Ethiopia). Ain Shams Engineering Journal, 7: 47-56.

Khan, S., Gabriel, H. F. and Rana, T. 2008. Standardized precipitation index to track drought and assess impact of rainfall on water tables in irrigation areas. Irrigation and Drainage Systems, 22: 159-177.

Kisi, O. and Cimen, M. 2011. A wavelet-support vector machine conjunction model for monthly streamflow forecasting. Journal of Hydrology, 399: 132–140.

McKee, T. B., Doesken, N. J. and Kleist, J. 1993. The relationship of drought frequency and duration to time scales, Preprints, Eighth Conference on Applied Climatology, Anaheim, California, American Meteorology Society, 179-184.

Morid, S., Smakhtin,V., and Bagherzadeh, K. 2007. Drought forecasting using artificial neural networks and time series of drought indices. International Journal of Climatology, 27(15): 2103–2111.

Nalbantis, I., and Tsakiris, G. 2009. Assessment of hydrological drought revisited. Water Resource Management, 23(5), 881-897.

Olson D.L., Delen D. 2008. Advanced Data Mining Techniques. USA: Springer; 141:3.

Shukla, S.H., and Wood, A.W. 2008. Use of a Standardized Runoff runoff Index index for Characterizing characterizing Hydrologic hydrologic Droughtdrought. Geophysical Research Letters, 35: 1-7.

Sims, A. P., Nigoyi, D. S., and Raman, S. 2002. Adopting indices for estimating soil moisture: A North Carolina case study. Geophysical Research Letters, 29: 1–4.

Szalai, S., Szinell, C. S., and Zoboki, J. 2000. Drought monitoring in Hungary, in Early warning systems for drought preparedness and drought management. World Meteorological Organization. Lisboa, 182–199.

Vapnik, V. 1995. The Nature of Statistical Learning Theory. Springer, New York.

Vapnik, V.N. 1998. Statistical Learning Theory. Wiley, New York. p. 736.

Vicente-Serrano, S. M. and Lopez-Moreno, J. I. 2005. Hydrological response to different time scales of climatological drought: an evaluation of the standardized precipitation index in a mountainous Mediterranean basin, Hydrology and Earth System Sciences, 9: 523-533.

Witten, I.H., Frank, E. and Hall, M.A. 2005. Data Mining: Practical Machine Learning Tools and Techniques. USA: EsevierElsevier. p. 664.