مقایسه ی مدل تلفیقی شبکه ی عصبی- موجکی با مدل شبکه ی عصبی در پیش بینی خشکسالی هواشناسی

خشکسالی پدیده ای طبیعی است که ضررهای زیادی را بر زندگی انسان و محیط زیست بر جای می گذارد. پیش بینی خشکسالی نقش مهمی در مدیریت سیستم های منابع آبی و محیط زیستی ایفا می کند. لذا سعی در ارائه ی مدل ها و الگوهای ورودی دقیق تر اهمیت پیدا می کند. در این مطالعه توانایی مدل تلفیقی شبکه ی عصبی- موجکی و مدل شبکه ی عصبی در پیش بینی خشکسالی هواشناسی ایستگاه قرمزیگل حوضه ی آبریز دریاچه ی ارومیه با پارامترهای ورودی و گام های زمانی مختلف مورد بررسی و مقایسه قرار گرفت. نتایج نشان داد که هر دو مدل قابلیت بالایی در پیش بینی دارند و پیش پردازش داده ها با استفاده از تبدیلات موجک به علت جداسازی مولفه های قطعی و غیرقطعی پارامترهای ورودی، سبب بهبود دقت پیش بینی ها می شود. نتایج تحقیقات نشان می دهد که پارامتر اقلیمی Nino4 در بهبود دقت پیش بینی ها موثر است. همچنین استفاده ازگام های زمانی عقب تر پارامترهای ورودی مدل ها، عموما سبب بهبود دقت پیش بینی ها می شوند. همچنین افزایش گام های زمانی پیش بینی، سبب کاهش دقت پیش بینی مدل ها می گردد. همچنین نوع موجک ها و تعداد نرون های لایه ی مخفی شبکه ی عصبی برای یافتن بهترین مدل، از قانون خاصی تبعیت نمی کند و فقط از سعی و خطا به دست می آید.

کلیدواژه های مقایسه ی مدل تلفیقی شبکه ی عصبی- موجکی با مدل شبکه ی عصبی در پیش بینی خشکسالی هواشناسی:

ایستگاه قرمزیگل ، حوضه ی آبریز دریاچه ی ارومیه ، شاخص خشکسالی موثر ، بارش ماهانه ، پارامتر Nino4