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

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری مهندسی منابع آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه ارومیه

2 استادیار، دانشکده کشاورزی و منابع طبیعی، دانشگاه ارومیه

3 استاد، دانشکده کشاورزی و منابع طبیعی، دانشگاه ارومیه

4 استادیار، دانشکده مهندسی عمران، دانشگاه صنعتی ارومیه

چکیده

آگاهی از وضعیت خشکسالی و پیش‌­بینی شرایط آتی آن نقش مهمی در برنامه‌­های مدیریت منابع آب بر­عهده دارد و در این راستا متغیرهای بارش و دما تأثیر به‌­سزایی 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 پژوهش، وضعیت خشکسالی در ایستگاه سینوپتیک سقز به‌­عنوان 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، چند جمله­‌ای و پایه شعاعی و شبکه بیزین (BN) مورد بررسی قرار گرفت. برای این منظور از شاخص SPEI در مقیاس­‌های زمانی کوتاه­‌مدت یک و سه ماهه، میان­‌مدت شش و 12 ماهه و بلندمدت 24 و 48 ماهه در طی دوره­ آماری 49 ساله برای پایش وضعیت خشکسالی در این ایستگاه استفاده شد. نتایج نشان داد، هشت 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 پنج مدل ورودی با تأخیرهای یک تا پنج ماهه و مدل­‌های SVM و BN نسبت به پیش­‌بینی خشکسالی اقدام شد. نتایج نشان داد که در هر دو روش، مدل با پنج 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، به‌­نحوی که ضریب همبستگی در روش شبکه بیزین در مرحله آزمون از 0.174 در مقیاس یک ماهه به 0.985 در مقیاس 48 ماهه و در روش SVM با تابع هسته­‌ای خطی نیز از 0.149 به 0.983 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 3
  • Akbar Shirzad 4
1 PhD Students, Faculty of Agriculture, Urmia University, Urmia, Iran
2 Assistant Professor, Faculty of Agriculture, Urmia University, Urmia, Iran
3 Professor, Faculty of Agriculture, Urmia University, Urmia, Iran
4 Assistant Professor, Faculty of Civil Engineering, Urmia University of Technology, Urmia, Iran
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. Results showed that there was 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 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]

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