پیش بینی خشکسالی با استفاده از مدل تلفیقی شبکه عصبی مصنوعی- موجک و مدل سری زمانیARIMA

Abstract

<strong>تبدیل موجک یکی از روش­های نوین و بسیار موثر در زمینه تحلیل سیگنال­ها و سری­های زمانی است. در این روش سیگنال شاخص بارش استاندارد (</strong><strong>SPI</strong><strong>) با استفاده از موجک مادر منتخب تجزیه شده، داده­های حاصل به­عنوان ورودی مدل شبکه عصبی مصنوعی در نظر گرفته شده و یک مدل تلفیقی برای پیش­بینی خشکسالی ارائه می­گردد. در این تحقیق، از شبکه­های عصبی مصنوعی پرسپترون چند لایه (</strong><strong>MLP</strong><strong>) و تابع پایه‌ای شعاعی (</strong><strong>(RBF</strong><strong>، سری زمانی </strong><strong>ARIMA</strong><strong> و هم­چنین شبکه­های عصبی مصنوعی- موجک پرسپترون چند لایه (</strong><strong>WA-MLP</strong><strong>) و تابع پایه‌ای شعاعی (</strong><strong>WA-RBF</strong><strong>) برای پیش­بینی استفاده شده است. در این خصوص، از داده‌های بارندگی ایستگاه بیدستان با دوره آماری 44 ساله در حوضه آبریز شور استفاده شد. وضعیت رطوبتی با استفاده از شاخص بارندگی استاندارد شده (</strong><strong>SPI</strong><strong>) در دوره‌ سه ماهه محاسبه گردید. برای تخمین مقدار </strong><strong>SPI</strong><strong> در هر بازه زمانی، از مقادیر مربوطه در زمان‌های ماقبل، استفاده شد. نتایج نشان داد مدل </strong><strong>WA-MLP</strong><strong> با دقت بالاتری (87/0=</strong><strong>R²</strong><strong>) مقادیر </strong><strong>SPI</strong><strong> و وضعیت خشکسالی کوتاه مدت را پیش‌بینی می‌کند. </strong>