بررسي كارآيي مدل‌هاي هيبريد شبكه عصبي مصنوعي- استوكاستيك لي‌هاي در پيش بيني خشكسالي هيدرولوژيكي با استفاده از آماره كاپا

A Study of Efficiency of the Hybrid model Artificial Neural Network Models - Stochastic in Hydrological Drought Forecasting Using kappa Statistics

خشكسالي يك رخداد طبيعي تكرار شونده و موقتي است كه ناشي از كاهش بارندگي نسبت به ميانگين بلندمدت آن مي باشد و مي تواند در هر اقليمي رخ دهد. از آنجايي كه خشكسالي پديده‌اي تصادفي و غيرخطي است ، استفاده از مدل‌هاي استوكاستيك خطي، شبكه عصبي مصنوعي و مدل‌هاي هيبريد مي‌تواند در توسعه نتايج پيش‌بيني مفيد باشد. مطالعه حاضر به بررسي كارايي مدل‌هاي ARIMA، شبكه عصبي مصنوعي و مدل هيبريد آريما - شبكه عصبي مصنوعي در پيش‌بيني خشكسالي هيدرولوژي در دو مقياس زماني ماهانه و فصلي در دو ايستگاه هيدرومتري واقع در بخش مياني و خروجي در حوزه آبخيز گاماسياب در دوره آماري (1353- 1387) مي‌پردازد و شاخص SDI بعنوان شاخص پيش‌بيني كننده انتخاب گرديد. بازه زماني آماري (1353- 1379) براي مرحله واسنجي و 8 سال باقيمانده جهت مرحله صحت سنجي مدل‌ها مورد استفاده قرار گرفت. نتايج نشان مي‌دهد، در ميان سه مدل مورد استفاده جهت پيش بيني يك گام زماني بعد، تركيب مدل هاي شبكه عصبي- استوكاستيك (هيبريد) نتيجه مناسبي نسبت به مدل‌هاي مجزاي آن ها در مقياس ماهانه و فصلي دارد بطوري‌كه مقادير ميانگين خطاي نسبي و آماره كاپاي اين مدل در مقياس زماني ماهانه در ايستگاه پل‌چهر (بخش خروجي) به ترتيب 79/5% RME=و 565/0K= و در مقياس زماني فصلي در ايستگاه دوآب (بخش مياني) 22% RME=و 232/0K= است.