پيش‌بيني خشك‌سالي با استفاده از مدل تلفيقي شبكه عصبي فازي موجك (مطالعه موردي: دشت الشتر استان-لرستان)

با توجه به اهميت موضوع، پيش‌بيني خشك‌سالي براي مديريت صحيح منابع آب امري كاملاً ضروري است. روش‌هاي مختلفي براي پيش‌بيني سري‌هاي زماني هيدرولوژيكي نظير خشك‌سالي وجود دارد. در اين پژوهش، با استفاده از مدل‌هاي تلفيقي شبكه‌ي عصبي- فازي تطبيقي- موجكي (WNF) و شبكه‌ي عصبي- موجكي (WNN) اقدام به پيش‌بيني خشك‌سالي دشت الشتر در استان لرستان شده است. در اين پژوهش كارآيي 4 مدل ANN، ANFIS، WNN و WNF در پيش‌بيني 1، 3 و 6 ماهه‌ي خشكسالي هواشناسي و آب زيرزميني، مورد ارزيابي و مقايسه قرار گرفته است. براي اين منظور از داده‌هاي دما، بارش و سطح آب زيرزميني دشت الشتر در زمان‌هاي ، و براي پيش‌بيني خشكسالي آب زيرزميني (شاخص GRI) در زمان‌هاي ، و و داده‌هاي دما، بارش و تبخير و تعرق دشت الشتر در زمان‌هاي ، و براي پيش‌بيني خشكسالي هواشناسي ( شاخصSPI) در زمان‌هاي ، و استفاده شده است. نتايج نشان داد به‌ طور كلي داده‌هاي سطح آب زيرزميني براي خشكسالي آب زيرزميني و بارش براي خشكسالي هواشناسي در زمان همبستگي قابل ملاحظه‌اي بترتيب با داده‌هاي بارش و دما و همچنين دما و تبخير و تعرق در زمان‌هاي و قبل از آن نيز همبستگي وجود دارد. مقايسه‌ي مقادير معيارهاي و مربوط به مدل‌هاي غيرخطي ANN، ANFIS، WNN و WNF نشان مي‌دهد كه به طور كلي مدل‌هاي غيرخطي توانايي مناسبي در پيش‌بيني خشكسالي هواشناسي و آب زيرزميني در ماه‌هاي آينده دارند. نتايج حاصل از مدل‌سازي سطح آب زيرزميني توسط مدل‌هاي تلفيقي WNN و WNF با مدل‌هاي ANN و ANFIS بر مبناي معيارهاي و نشان مي‌دهد كه استفاده از تبديل موجك در تجزيه‌ي سري‌هاي زماني ورودي به اين مدل‌ها سبب افزايش و كاهش به ميزان قابل ملاحظه‌اي شده و نتايج پيش‌بيني را به طور چشمگيري بهبود مي‌بخشد. بنابراين مدل‌هاي تلفيقي WNN نسبت به مدل‌هاي ANN و مدل‌هاي تلفيقي WNF نسبت به مدل‌هاي ANFIS سطح آب زيرزميني را با دقت بيشتري به ويژه در گام‌هاي پيش‌بيني 1 ماهه و 3 ماهه پيش‌بيني مي‌كنند.