بررسی کارآیی مدل های هیبرید شبکه عصبی مصنوعی- استوکاستیک در پیش بینی خشکسالی های هیدرولوژیکی با استفاده از آماره کاپا (مطالعه موردی: حوزه آبخیز رودخانه گاماسیاب)

خشکسالی یک رخداد طبیعی تکرار­شونده و موقتی است که ناشی از کاهش بارندگی نسبت به میانگین بلندمدت آن می­باشد و می­تواند در هر اقلیمی رخ دهد. از آنجائی که خشکسالی پدیده ای تصادفی و غیرخطی است ، استفاده از مدل های استوکاستیک خطی، شبکه عصبی مصنوعی و مدل های هیبرید می تواند در توسعه نتایج پیش بینی مفید باشد. مطالعه حاضر به بررسی کارایی مدل های ARIMA، شبکه عصبی مصنوعی و مدل هیبرید آریما - شبکه عصبی مصنوعی در پیش بینی خشکسالی هیدرولوژی در دو مقیاس زمانی ماهانه و فصلی در دو ایستگاه هیدرومتری واقع در بخش میانی و خروجی در حوزه آبخیز گاماسیاب در دوره آماری (۱۳۵۳- ۱۳۸۷) می پردازد و شاخص SDI بعنوان شاخص پیش بینی کننده انتخاب گردید. بازه زمانی آماری (۱۳۵۳- ۱۳۷۹) برای مرحله واسنجی و ۸ سال باقیمانده جهت مرحله صحت سنجی مدل ها مورد استفاده قرار گرفت. نتایج نشان می دهد، در میان سه مدل مورد استفاده جهت پیش­بینی یک گام زمانی بعد، ترکیب مدل­های شبکه عصبی- استوکاستیک (هیبرید) نتیجه مناسبی نسبت به مدل های مجزای آن­ها در مقیاس ماهانه و فصلی دارد بطوری که مقادیر میانگین خطای نسبی و آماره کاپای این مدل در مقیاس زمانی ماهانه در ایستگاه پل چهر (بخش خروجی) به ترتیب ۷۹/۵% RME=و   ۵۶۵/۰K= و در مقیاس زمانی فصلی در ایستگاه دوآب (بخش میانی) ۲۲% RME=و   ۲۳۲/۰K= است.

کلیدواژه ها:

: Hydrological drought ، forecasting ، Hybrid models ، SDI ، River basin Gamasiab. ، خشکسالی هیدرولوژی ، پیش بینی ، مدل های هیبرید ، شاخص SDI ، حوزه آبخیزگاماسیاب