پيش بيني خشكسالي با استفاده از مدل تلفيقي شبكه عصبي مصنوعي موجك و مدل سري زمانيARIMA

تبديل موجك يكي از روش­هاي نوين و بسيار موثر در زمينه تحليل سيگنال­ها و سري­هاي زماني است. در اين روش سيگنال شاخص بارش استاندارد (SPI) با استفاده از موجك مادر منتخب تجزيه شده، داده­هاي حاصل به­عنوان ورودي مدل شبكه عصبي مصنوعي در نظر گرفته شده و يك مدل تلفيقي براي پيش­بيني خشكسالي ارائه مي­گردد. در اين تحقيق، از شبكه­هاي عصبي مصنوعي پرسپترون چند لايه (MLP) و تابع پايه‌اي شعاعي ((RBF، سري زماني ARIMA و هم­چنين شبكه­هاي عصبي مصنوعي موجك پرسپترون چند لايه (WAMLP) و تابع پايه‌اي شعاعي (WARBF) براي پيش­بيني استفاده شده است. در اين خصوص، از داده‌هاي بارندگي ايستگاه بيدستان با دوره آماري 44 ساله در حوضه آبريز شور استفاده شد. وضعيت رطوبتي با استفاده از شاخص بارندگي استاندارد شده (SPI) در دوره‌ سه ماهه محاسبه گرديد. براي تخمين مقدار SPI در هر بازه زماني، از مقادير مربوطه در زمان‌هاي ماقبل، استفاده شد. نتايج نشان داد مدل WAMLP با دقت بالاتري (87/0=R2) مقادير SPI و وضعيت خشكسالي كوتاه مدت را پيش‌بيني مي‌كند.