مدیریت ریسک روزانه خشکسالی در منابع آب حوزه آبریز دز

این مطالعه با هدف ارزیابی دقت مدل شبکه عصبی مصنوعی در پیش بینی خشکسالی پایه ریزی شده است. برای این منظور, ابتدا روش پیشنهادی  بیون و ویلهایت   برای داده های بارندگی روزانه یک دوره 25 ساله هیدرولوژی در شش ایستگاه بارانسنجی حوزه آبریز دز اعمال گردید. سپس, با توجه به ضرورت آگاهی مدیران و برنامه ریزان از وضعیت خشکسالی حوضه در نیمه دوم سال هیدرولوژی، یک سال هیدرولوژی به دو نیمه تقسیم و ویژگیهای شدت و تداوم خشکسالی در هر دو نیمه بطور مجزا استخراج گردید. در فرآیند مدلسازی خشکسالی از شبکه پرسپترون چند لایه (MLP) و الگوریتم پس انتشار خطا استفاده گردید. بردار ورودی مدل را چهار پارامتر شامل مجموع بارندگی، بیشینه شدت خشکسالی، بیشینه بارندگی مورد نیاز برای بازگشت از حالت کمبود به حالت نرمال و فراوانی خشکسالی در نیمه اول سال هیدرولوژی تشکیل می دهد. عناصر بردار خروجی (پارامترهای پیش بینی) مدلها، بیشینه شدت خشکسالی (EDIMAX)، بیشینه بارندگی مورد نیاز برای بازگشت از حالت کمبود به حالت نرمال (PRNMAX) و فراوانی خشکسالی (FD) در نیمه دوم سال هیدرولوژی انتخاب گردید. نتایج حاصله نشان داد: الف) روش بارش موثر از کارایی مناسبی در مانیتورینگ روزانه خشکسالی برخوردار می باشد زیرا، این روش انطباق خوبی با روند تغییرات بارندگیهای شدید یک روزه یا دوره های خشک چند روزه نشان می دهد. ب) در مرحله آموزش مدلها، بهترین پیش بینی برای EDIMAX ، PRNMAX و FD به ترتیب با ریشه مجذور مربعات خطای (RMSE) 7/0 ، 6 و 31 درصد بدست آمد. ج) در مرحله آزمون مدل، موفقیتی در پیش بینی فراوانی خشکسالی حاصل نشد. در عوض، پیش بینی EDIMAX و PRNMAX از دقت مناسبی برخوردار بود.

کلیدواژه ها:

شبکه‌‌های عصبی مصنوعی ، خشکسالی ، مانیتورینگ ، پیش‌بینی ، حوضه دز