پیش بینی خشکسالی کوتاه مدت با استفاده از تبدیل موجک و شبکه های عصبی مصنوعی

تبدیل موجک یکی از روش های نوین و بسیار موثر در زمینه آنالیز سیگنال ها و سری های زمانی است. در این روش سیگنال شاخص بارش استاندارد (SPI) با استفاده از موجک مادر منتخب تجزیه شده، داده های حاصل به عنوان ورودی مدل شبکه عصبی مصنوعی در نظر گرفته شده و یک مدل تلفیقی جهت پیشبینی خشکسالی ارایه می-گردد. در این تحقیق، از شبکه های عصبی مصنوعی پرسپترون چند لایه (MLP) و تابع پایه ای شعاعی (RBF) و همچنین شبکه های عصبی مصنوعی- موجک پرسپترون چند لایه (WA-MLP) و تابع پایه ای شعاعی( WA- RBF )برای پیش بینی استفاده شده است. در این خصوص، از داده های بارندگی ایستگاه کبریت میان با دوره آماری 44 ساله در حوضه آبخیز شور استفاده شد. وضعیت رطوبتی با استفاده از شاخص بارندگی استاندارد شده (SPI) در دوره زمانی کوتاه مدت 3 ماهه محاسبه گردید. برای تخمین مقدار SPI در هر بازه زمانی، از مقادیر مربوطه آن در زمان های ماقبل استفاده شد. نتایج نشان داد که مدل WA-MLP با دقت بالاتری مقادیر SPI و وضعیت خشکسالی کوتاه مدت را پیشبینی میکند.

کلیدواژه ها:

خشکسالی ، پیشبینی ، شبکه عصبی مصنوعی- موجک ، SPI