Adaptive Neuro-Fuzzy Inference System for drought forecasting

Abstract

Drought causes huge losses in agriculture and has many negative influences on natural ecosystems. In this study, the applicability of Adaptive Neuro-Fuzzy Inference System (ANFIS) for drought forecasting and quantitative value of drought indices, the Standardized Precipitation Index (SPI), is investigated. For this aim, 10 rainfall gauging stations located in Central Anatolia, Turkey are selected as study area. Monthly mean rainfall and SPI values are used for constructing the ANFIS forecasting models. For all stations, data sets include a total of 516 data records measured between in 1964 and 2006 years and data sets are divided into two subsets, training and testing. Different ANFIS forecasting models for SPI at time scales 1-12 months were trained and tested. The results of ANFIS forecasting models and observed values are compared and performances of models were evaluated. Moreover, the best fit models have been also trained and tested by Feed Forward Neural Networks (FFNN). The results demonstrate that ANFIS can be successfully applied and provide high accuracy and reliability for drought forecasting.

Χωροχρονική Ανάλυση Προσομοίωση Και Πρόγνωση Ξηρασίας Στην Υδρολογική Λεκάνη Πηνειού Ποταμού Θεσσαλίας

“…H καινοτομία της διατριβής είναι ότι προσπαθεί να δημιουργήσει ένα γενικευμένο χρονικό μοντέλο για ταυτόχρονη χωροχρονική πρόγνωση του SPI στους βροχομετρικούς σταθμούς της υδρολογικής λεκάνης του Πηνειού ποταμού. Τα πολυεπίπεδα προς τα εμπρός τροφοδοτούμενα νευρωνικά δίκτυα (MLPs ANNs) επιλέχτηκαν για την ταυτόχρονη χρονική πρόγνωση βραχυπρόθεσμων και μεσοπρόθεσμων κλιμάκων πρόγνωσης (lead times), γιατί προγενέστερες μελέτες έδωσαν καλύτερα αποτελέσματα από άλλες τεχνικές πρόγνωσης για πρόγνωση των επιφανειακών τιμών του SPI στην υδρολογική λεκάνη του Πηνειού ποταμού Vasiliades and Loukas, 2008] αλλά και σε άλλες μελέτες πρόγνωσης μετεωρολογικών δεικτών ξηρασίας [Kim and Valdes 2003;Mishra and Desai, 2006;Mishra et al, 2007;Morid et al, 2007;Bacanli et al, 2009;Cutore et al, 2009]. Ακολουθήθηκαν δύο προσεγγίσεις πολλαπλών χρονικών βημάτων πρόγνωσης.…”

“…Ο ποιοτικός δείκτης κρίσιμης επιτυχίας CSI (Critical Success Index ή Threat Score) [Schaefer 1990], που υπολογίζεται από τον πίνακα αξιολόγησης των αποτελεσμάτων πρόγνωσης επεισοδίων ξηρασίας (contingency table) για τιμές SPI≤-1, χρησιμοποιήθηκε για την αξιολόγηση των προγνώσεων και την επιλογή του χρονικού βήματος πρόγνωσης για επιχειρησιακές εφαρμογές [Vasiliades and Loukas, 2010a]. Τα αποτελέσματα που παρουσιάζονται στο Κεφάλαιο 7 δείχνουν ότι η γενικευμένη χρονική μεθοδολογία έχει καλύτερα στατιστικά κριτήρια πρόγνωσης του SPI από προηγούμενες έρευνες στην περιοχή μελέτης Vasiliades and Loukas, 2008] αλλά και σε άλλες μελέτες χρονικής πρόγνωσης του SPI [Mishra and Desai, 2006;Mishra et al, 2007;Morid et al, 2007;Bacanli et al, 2009].…”

“…Η εφαρμογή των μοντέλων έγινε για παροχές ποταμών λεκανών απορροής [Panu et al, 1978;Salas and Obeysekera 1982;Crespo and Mora, 1993;Shin and Salas, 2000;Hanson et al 2004;Yurekli et al 2005;Modarres, 2007;Abebe and Foerch, 2008;Fernandez et al, 2009;Durdu, 2010] και για μετεωρολογικούς δείκτες ξηρασίας [Kim and Valdes 2003;Mishra and Desai, 2005;Morid et al, 2007;Vasiliades and Loukas, 2007;Bacanli et al, 2009]. Οι Chung and Salas [2000] υπολόγισαν τις πιθανότητες των συμβάντων ξηρασίας με τη χρήση διακριτών ARMA (Discrete ARMA, DARMA) μοντέλων χαμηλής τάξης.…”

“…Για μεγαλύτερα χρονικά διαστήματα οι υβριδικές μεθοδολογίες έδωσαν λίγο καλύτερα αποτελέσματα και διαπιστώθηκε ότι μπορούν να χρησιμοποιηθούν μαζί με τα νευρωνικά δίκτυα σε συστήματα έγκαιρης προειδοποίησης της ξηρασίας . Οι Bacanli et al [2009] χρησιμοποίησαν μια ευρέως εφαρμοσμένη κατηγορία υβριδικών νευρο-ασαφών ελεγκτών, το μοντέλο ANFIS (Adaptive Neuro-Fuzzy Inference System) για την πρόγνωση των δεικτών ξηρασίας SPI σε 10 βροχομετρικούς σταθμούς της κεντρικής Ανατολίας στην Τουρκία για βραχυπρόθεσμες προγνώσεις του ενός μήνα μπροστά. Εξέτασαν 20 συνδυασμούς δεδομένων εισόδου από προηγούμενες τιμές βροχόπτωσης και τιμές του SPI έως έξι μήνες χρόνο υστέρησης.…”

“…Εξέτασαν 20 συνδυασμούς δεδομένων εισόδου από προηγούμενες τιμές βροχόπτωσης και τιμές του SPI έως έξι μήνες χρόνο υστέρησης. Τα αποτελέσματα έδειξαν ότι η προσθήκη της βροχόπτωσης στο μοντέλο ANFIS είναι μη σημαντική για την πρόγνωση του SPI [Bacanli et al, 2009]. Σε μία άλλη μελέτη, τα νευρωνικά δίκτυα χρησιμοποιήθηκαν για την πρόγνωση των μετεωρολογικών δεικτών ξηρασίας SPI και EDI (Effective Drought Index) για μηνιαίες προγνώσεις έως 12 μήνες μπροστά για έξι μετεωρολογικούς σταθμούς της επαρχίας Τεχεράνης στο Ιράν [Morid et al, 2007].…”