بررسي عملكرد شبكه عصبي مصنوعي و سري هاي زماني در مدل سازي شاخص خشكسالي بارش استاندارد (مطالعه موردي: ايستگاه هاي منتخب استان خوزستان)

An Investigation of Artificial Neural Network and Time Series Performance in the Index Standard Precipitation Drought Modeling (Case Study: Selected Stations of Khuzestan Province)

خشكسالي پديده اي طبيعي است كه مي تواند در هر جايي رخ دهد و خسارات قابل توجهي به بشر و سازه هاي طبيعي وارد آورد. در اين تحقيق به منظور پيش بيني شاخص خشكسالي بارش استاندارد، از دو نوع شبكه هاي عصبي مصنوعي، پرسپترون چند لايه و تابع پايه ي شعاعي و مدل هاي سري زماني استفاده شد. به اين منظور، در ابتدا مقادير شاخص بارش استاندارد در دوره هاي سه، شش، نه و دوازده ماهه ي ايستگاه هاي منتخب استان خوزستان محاسبه گرديد. سپس با استفاده از مدل هاي شبكه عصبي مصنوعي و سري هاي زماني اقدام به پيش-بيني مقادير شاخص بارش استاندارد گرديد. نتايج اين تحقيق نشان داد كه مدل هاي سري زماني در تمام دوره هاي زماني مورد مطالعه عملكرد بهتري در پيش بيني مقادير شاخص بارش استاندارد نسبت به شبكه هاي عصبي مصنوعي دارند و شبكه عصبي مصنوعي پرسپترون-چند لايه نيز نسبت به شبكه عصبي مصنوعي تابع پايه ي شعاعي در تمام دوره ها مقادير شاخص بارش استاندارد را بهتر پيش بيني مي كند.

Drought is a natural phenomenon which may happen everywhere and cause remarkable damages to human and natural structures. In this study, two types of artificial Neural networks; multilayer perceptron, radial basis function, as well as time series models have been used to predict the standardized pereipitation drought index. To this end, the amount of standard precipitation index was calculated firstly in the selected stations of Khuzestan province in three, six, nine, and twelve months periods. Finally, the amount of standard precipitation index was predicted using the artificial Neural network and time series models. The results showed that the time series models have better performance in predicting the amount of standard precipitation index in all of the mentioned time periods in comparison to the artificial Neural network. In addition, the results indicated that the multilayer perceptron could better predict the amount of standard precipitation index in all periods comparing to the radial basis function.