فهرست نشریات علمی دسترسی آزاد ایران

گام ضروری برای مقابله با خشکسالی و تعدیل تبعات آن، شناخت و درک دقیق ابعاد آسیب‌پذیری هر منطقه است. این امر ضرورت مطالعه در زمینه تعیین آسیب‌پذیری و شناسایی عوامل اثرگذاربرآن در مناطق مختلف کشور را مشهودمی‌سازد درتحقیق حاضر، به‌منظو معرفی یک روش مناسب جهتپیش‌بینی خشکسالی برای یک ماه آتی، چهار روش هوش مصنوعی شامل یادگیری عمیق (از شبکه الکس نت که یکی از شبکههای کانولوشن است استفاده شده استالگوریتم K نزدیک‌ترین همسایه، ماشین بردار پشتیبان چندطبقه و درخت تصمیم در نظر گرفته شد. داده‌های بارندگی 11 ایستگاه سینوتیک استان فارس طی دوره آماری ۲۹ساله (1988 تا 2017) به‌صورت ماهانه به‌عنوان داده‌های آزمایشی مورد استفاده قرار گرفتند. شاخص بارش استاندارد شده (SPI) برای نشان‌دادن وضعیت خشکسالی از نظر شدت و مدت در مقیاس‌های زمانی 1، 3، 6، 9، 12 و ۲۴ماهه محاسبه گردید. در ابتدا داده‌های بارش به‌عنوان ورودی شبکه‌های عصبی و کلاس‌بندی شاخص بارش استاندارد شده به‌عنوان خروجی شبکه‌ها قرار داده شد. 80 درصد داده‌ها برای آموزش و 20 درصد داده‌ها برای تست شبکه‌ها به کار گرفته شد. نتایج نشان داد که تمامی شبکه‌ها توانایی پیش‌بینی خشکسالی را داشته‌اند، بر اساس معیار ارزیابی ماکرو -f1 شبکه یادگیری عمیق در مقیاس زمانی ۱ماهه با 71/22 درصد، ناکارآمدترین روش و درخت تصمیم با 65/64 درصد، کارآمدترین روش بوده‌اند، اما با افزایش مقیاس زمانی، شبکه یادگیری عمیق عملکرد خود را بهبود بخشید، به طور یکه در مقیاس زمانی ۲۴ماهه با 35/65 درصد، بهترین عملکرد مربوط به شبکه یادگیری عمیق و بعد از آن، شبکه ماشین بردار پشتیبان با 40/57 درصد، قرار گرفت