تخمين خشكسالي دراستان لرستان با استفاده از شبكه هاي هوشمند

خشكسالي يكي از پديده‌هاي آب و هوايي است كه در همه شرايط اقليمي و در همه مناطق كره زمين به وقوع مي‌پيوندد. پيش‌بيني خشك‌سالي نقش مهمي در طراحي و مديريت منابع طبيعي، سيستم‌هاي منابع آب، تعيين نياز آبي گياه  ايفا مي‌نمايد. در اين پژوهش جهت تخمين شاخص بارش استاندارد 12 ماهه چهار ايستگاه باران سنجي نورآباد، الشتر، درود و بروجرد واقع در استان لرستان از مدل شبكه عصبي موجك استفاده شد و نتايج آن با سايرروشهاي هوشمند از جمله  شبكه عصبي مصنوعي مقايسه گرديد. براي اين منظور از پارامتر بارش در مقياس زماني ماهانه در طي دوره آماري (1372-1392) بعنوان ورودي و شاخص بارش استاندارد بعنوان پارامتر خروجي مدلها انتخاب گرديد. معيارهاي ضريب همبستگي، ريشه ميانگين مربعات خطا و ميانگين قدر مطلق خطا براي ارزيابي و عملكرد مدلها مورد استفاده قرار گرفت. نتايج نشان داد هر دو مدل قابليت خوبي در تخمين شاخص بارش استاندارد دارند، ليكن از لحاظ دقت، مدل شبكه عصبي موجك در ايستگاه دورود ضريب همبستگي 0.811 و كمترين ريشه ميانگين مربعات خطا 0.068 ميلي متر و كمترين ميانگين قدر مطلق خطا 0.051 ميلي متر، در ايستگاه بروجرد ضريب همبستگي 0.885 و كمترين ريشه ميانگين مربعات خطا 0.056 ميلي متر و كمترين ميانگين قدر مطلق خطا 0.048 ميلي متر، ايستگاه الشتر  ضريب همبستگي 0.827 و كمترين ريشه ميانگين مربعات خطا 0.045 ميلي متر و كمترين ميانگين قدر مطلق خطا 0.039 ميلي متر و در نهايت در ايستگاه نورآباد با ضريب همبستگي 0.849 و كمترين ريشه ميانگين مربعات خطا 0.050 ميلي متر و كمترين ميانگين قدر مطلق خطا 0.046 ميلي متر در مرحله صحت سنجي نسبت به ساير ساختارها جهت مدل‌سازي شاخص بارش استاندارد درمقياس زماني ماهانه عملكرد بهتري نسبت به شبكه عصبي مصنوعي از خود نشان داده است. در مجموع نتايج نشان داد استفاده از مدل شبكه عصبي موجك مي‏تواند در زمينه تخمين خشكسالي موثر باشد كه در نوبه خود براي تسهيل توسعه و پياده سازي استراتژي هاي مديريتي جهت جلوگيري از ايجاد خشكسالي مفيد است.