بررسی کارآیی مدل تلفیقی شبکه عصبی و تبدیلات موجک در پیش بینی خشکسالی (مطالعه موردی ایستگاه سینوپتیک قزوین)

خشکسالی پدیدهای آرام و بخش طبیعی از اقلیم هر منطقه میباشد. پیشبینی خشکسالی نقش مهمی در مدیریت منابع آب و کاهش خسارات خشکسالی ایفا می نماید . توانایی بالای شبکه های عصبی مصنوعی در مدلسازی و پیشبینی سری های زمانی نامانا و غیرخطی در مهندسی آب به اثبات رسیده است و تبدیلات موجک با تجزیه ساختن سری های زمانی به مؤلفه های قطعی و غیرقطعی سبب بهبود عملکرد شبکه های عصبی در پیشبینی ها میشود.در این تحقیق،توانایی مدل تلفیقی مبتنی بر شبکه های عصبی مصنوعی و تبدیلات موجک برای پیش بینی های ۱،۲ و ۳ماهه خشکسالی مورد بررسی قرار گرفته است.در مدل تلفیقی پیشنهاد شده، نخست،سری های زمانی شاخص خشکسالی موثر ماهانه به زیرمؤلفها تجزیه شده و سپس این زیرمؤلفه به کمک مدل های شبکه عصبی مصنوعی پیشبینی میگردند. برای ساخت الگوهای ورودی شبکه از بارش ماهانه و شاخص بارش استانداردشده نیز بهره گرفته شدهاست. نتایج بدست آمده از این مدل تلفیقی برای ایستگاه سینوپتیک استان قزوین نشان دهنده کارآیی این مدلهای تلفیقی در بهبود دقت پیشبینی های ۱،۲ و ۳ماهه خشکسالی نسبت به مدلهای شبکه عصبی مصنوعی میباشد.همچنین نتایج تحلیل هیستوگرام فراوانی طبقاتی شاخص خشکسا لی موثر در این ایستگاه بیانگر آن است که در طبقات نرمال و نزدیک به نرمال(طبقات کمی مرطوب و خشکسالی ملایم) مدلهای تلفیقی مبتنی بر تئوری موجک از خود عملکرد بهتری نشان می دهد.

کلیدواژه ها:

خشکسالی هواشناختی ، پیشبینی ، شاخص خشکسالی مؤثر ، شبکه عصبی ، تبدیلات موجک ، قزوین