توسعه مدل تلفیقی غیرخطی پیش بینی خشکسالی مبتنی بر شبکه عصبی مصنوعی و تبدیلات موجک: مطالعه موردی: زیرحوضه سد زاینده رود

خشکسالی پدیده ای آرام و بخش طبیعی از اقلیم هر منطقه است. پیش بینی خشکسالی نقش مهمی در مدیریت منابع آب و کاهش خسارات خشکسالی ایفا می نماید. توانایی بالای شبکه های عصبی مصنوعی در مدل سازی و پیش بینی سری های زمانی نامانا و غیر خطی در مهندسی آب به اثبات رسیده است و تبدیلات موجک با تجزیه ساختن سری های زمانی به مولفه های قطعی و غیر قطعی سبب بهبود عملکرد شبکه های عصبی در پیش بینی ها می شود. در این مقاله ، مدل تلفیقی مبتنی بر شبکه های عصبی مصنوعی و تبدیلات موجک برای پیش بینی های 1، 3 و 6 ماهه خشکسالی ارائه میگردد. در مدل تلفیقی پیشنهاد شده، نخست سری های زمانی شاخص خشکسالی موثر ماهانه به زیر مولفه ها تجزیه شده و سپس این زیر مولفه به کمک مدل های شبکه عصبی مصنوعی پیش بینی می گردند. برای ساخت الگوهای ورودی شبکه از بارش ماهانه و شاخص بارش استاندارد شده نیز بهره گرفته شده است. نتایج به دست آمده از این مدل تلفیقی برای 4 ایستگاه چلگرد، قلعه شاهرخ، دامنه فریدن و سد زاینده رود واقع در حوزه آبریز سد زاینده رود نشا ن دهنده کارایی این مدل های تلفیقی در بهبود دقت پیش بینی های 1، 3و6 ماهه خشکسالی نسبت به مدل های شبکه عصبی مصنوعی می باشد.

کلیدواژه ها:

خشکسالی هواشناختی ، پیش بینی ، شاخص خشکسالی موثر ، شبکه عصبی مصنوعی ، تبدیلات موجک ، حوزه آبریز سد زاینده رود