سامانه نشریات علمی

---

خشک‌سالی یک اختلال موقتی است که خصوصیات آن از منطقه­ای با منطقه دیگر متفاوت است، از این ‌رو نمی­توان تعریف جامع­ و مطلق برای خشک‌سالی بیان نمود.در تحقیق حاضر، به منظور معرفی یک روش مناسب جهت پیش­بینی خشکسالی برای یک ماه آتی، چهار روش هوش مصنوعی شامل یادگیری عمیق (Deeplearning) (از شبکه الکس­نت که یکی از شبکه­های کانولوشن می­باشد استفاده شده است)، الگوریتم K نزدیک­ترین همسایه (KNN)، ماشین برداد پشتیبان چند طبقه (SVM-MultiClass) و درخت تصمیم (Decision Tree) در نظر گرفته شد. داده­های بارندگی 11 ایستگاه سینوتیک استان یزد طی دوره ­آماری 29 ساله (1988 تا 2017) به صورت ماهانه به عنوان داده­های آزمایشی مورد استفاده قرار گرفتند. شاخص بارش استاندارد شده (SPI) برای نشان دادن وضعیت خشکسالی از نظر شدت و مدت در مقیاس­های زمانی 1، 3، 6، 9، 12 و 24 ماهه محاسبه گردید. در ابتدا داده­های بارش به عنوان ورودی شبکه­های عصبی و کلاس­بندی SPI  به عنوان خروجی شبکه­ها قرار داده شد. 80 درصد داده­ها برای آموزش و20 درصد داده­­ها برای تست شبکه­ها به کار گرفته شد. نتایج نشان داد که تمامی شبکه­ها توانایی پیش­بینی خشکسالی را داشته­اند، بر اساس معیار ارزیابی macro-f1 شبکه Deeplearning در مقیاس زمانی 1 ماهه با 71/22 درصد، ناکارآمدترین روش و  Decision Tree با 65/64 درصد، کارآمدترین روش بوده­اند، اما با افزایش مقیاس زمانی، شبکه Deeplearning عملکرد خود را بهبود بخشید، به­طوریکه در مقیاس زمانی 24 ماهه با 35/65 درصد، بهترین عملکرد مربوط به شبکه Deeplearning و بعد از آن، شبکه SVM-MultiClass با 40/57 درصد، قرار گرفت.