کاربرد روش ماشین بردار پشتیبان و شبکه بیزین در پیش‌بینی خشکسالی کشاورزی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 گروه مهندسی آب، دانشگاه ارومیه

2 دانشگاه ارومیه

3 استادیار گروه مهندسی عمران، دانشکده مهندسی عمران، دانشگاه صنعتی ارومیه

چکیده

آگاهی از وضعیت خشکسالی و پیش‌بینی شرایط آتی آن نقش مهمی در برنامه‌های مدیریت منابع آب بر عهده دارد و در این راستا متغیرهای بارش و دما تأثیر بسزایی در شدت و مدت وقوع این پدیده ایفا می‌کنند. با توجه به وضعیت حاکم بر دریاچه ارومیه در سال‌های اخیر و تنش آبی موجود در حوزه آبخیز آن، در این تحقیق وضعیت خشکسالی در ایستگاه سینوپتیک سقز به عنوان یکی از ایستگاه‌های مهم جنوبی حوزه آبخیز این دریاچه در مقیاس‌های زمانی مختلف با استفاده از شاخص بارش- تبخیر و تعرق استاندارد شده (SPEI) و مدل ماشین بردار پشتیبان (SVM) با سه تابع هسته‌ای خطی، چندجمله‌ای و پایه شعاعی و شبکه بیزین (BN) مورد بررسی قرار گرفت. برای این منظور از شاخص SPEI در مقیاس‌های زمانی کوتاه‌مدت ( 1 و 3 ماهه)، میان‌مدت (6 و 12 ماهه) و بلند مدت (24 و 48) ماهه در طی دوره‌ی آماری 49 ساله برای پایش وضعیت خشکسالی در این ایستگاه استفاده شد. نتایج نشان داد 8 دوره طولانی مدت خشکسالی مربوط به سال‌های 1968-1962، 1974-1972، 1979-1978، 1982-1980، 1984-1983، 1987-1986، 2003-1999 و 2009-2007 در طول دوره آماری وجود دارد. سپس با استفاده از سری زمانی مقادیر SPEI در 5 مدل ورودی با تأخیرهای یک تا 5 ماهه و مدل‌های SVM و BN نسبت به پیش‌بینی خشکسالی اقدام گردید. نتایج نشان داد که در هر دو روش مدل با 5 تأخیر زمانی عملکرد بهتری داشته و تابع هسته‌ای خطی در روش SVM نسبت به دو تابع دیگر دقت بیش‌تری داشته است. همچنین دقت پیش‌بینی‌ این مدل‌ها با افزایش مقیاس محاسبه SPEI رابطه مستقیم دارد به نحوی که ضریب همبستگی در روش شبکه بیزین در مرحله آزمون از 174/0 در مقیاس 1 ماهه به 985/0 در مقیاس 48 ماهه و در روش SVM با تابع هسته‌ای خطی نیز از 149/0 به 983/0 رسیده است.

کلیدواژه‌ها


عنوان مقاله [English]

Application of Support Vector Machine and Bayesian Network for Agricultural Drought Prediction

نویسندگان [English]

  • Abbas Abbasi 1
  • keivan Khalili 2
  • Javad Behmanesh 2
  • Akbar Shirzad 3
1 Urmia University
2 Urmia university
3 Faculty of Civil Engineering, Urmia University of Technology
چکیده [English]

Awareness of the drought status and the prediction of its future conditions play an important role in water resources management programs. In this regard, rainfall and temperature variables have a great influence on the severity and duration of this phenomenon. Regarding the status of the Urmia lake in recent years and the water stress in its watershed, in this study, the drought situation in Saghez synoptic station as one of the important stations of this basin in different time-scales using the standardized evapotranspiration index (SPEI) and SVM model with three linear, polynomial, and radial basis function and Bayesian network (BN) models, were investigated. For this purpose, the SPEI index in the short-term (1 and 3 months), mid-term (6, 12-months) and long-term (24 and 48-months) during the 49-year statistical period for monitoring the drought status at this station was used. The results showed that 8 prolonged periods of drought for the years 1962-1968, 1972-1974, 1978-1979, 1980-1982, 1983-1984, 1986-1987, 1999-2003 and 2007-2009 there are during the statistical period. Then SPEI values were applied to five input models with a delay of 1 to 5 months and SVM and BN models were used to predict drought. The results showed that in both methods, the model with 5-time delay had better performance and the linear basic function in the SVM method was more accurate than the other two functions. Also, the predictive accuracy of these models is directly correlated with increasing the SPEI scale, so that the correlation coefficient in the Bayesian network method at the test stage ranged from 0.174 in 1-month time-scale to 0.985 on a 48-month time-scale and in the SVM method with a linear basic function, it has risen from 1.149 to 0.983.

کلیدواژه‌ها [English]

  • monitoring
  • prediction
  • drought
  • Urmia Lake
  • Bayesian Network
  • Support Vector Machine