پیش بینی بلند مدت خشکسالی با استفاده از مدل های تلفیق داده و بررسی تاثیر سیگنال های بزرگ مقیاس اقلیمی

سال انتشار: 1396
محل انتشار: پنجمین کنفرانس ملی پژوهشهای کاربردی در مهندسی عمران، معماری و مدیریت شهری
کد COI اختصاصی: CEUCONF05_600
زبان مقاله: فارسی
تعداد مشاهده: 504

نویسندگان

دانشجوی کارشناسی ارشد، دانشکده مهندسی عمران، دانشگاه صنعتی خواجه نصیر الدین طوسی

استاد یار دانشکده مهندسی عمران، دانشگاه صنعتی خواجه نصیر الدین طوسی

چکیده

پایش و پیش بینی خشکسالی ها در افق های زمانی بلندمدت به ویژه تعیین دقیق زمان شروع و تداوم آن به دلیل نقش موثری که در مدیریت تخصیص منابع آب و کاهش اثرات مخرب می تواند داشتهباشد، حایز اهمیت است. خشکسالی به کاهش در مقدار متغیر های هیدرومتیورولوژیکی EDI در مقایسه با میانگین بلند مدت گفته می شود. این متغیر ها می توانند شامل بارش، رواناب، رطوبت خاک، توده های برف و سطح آب زیر زمینی باشند. با به کار گیری تکنیک های تلفیقداده می توان از قابلیت های مدل های منفرد مختلف پیش بینی با ترکیب خروجی های آن ها به طور همزمان بهره جست. در این مقاله هدف ارزیابی مقایسه ای عملکرد مدل های منفرد و تلفیقی در پیش بینی بلند مدت خشکسالی (شاخص های و (MSPIدر استان خوزستان، با استفاده از مدل های شبکه عصبی مصنوعی، موجک_شبکه عصبی، درخت تصمیم M5، فازی_عصبی و رگرسیون بردار پشتیبان می باشد. علاوه بر این سعی شده است تا تاثیر سیگنال های بزرگ مقیاس اقلیمی در پیش بینی ها بررسی شود. نتایج حاصل نشان می دهد که به طور کلی، بکارگیری تکنیک تلفیق داده و سیگنال های اقلیمی باعث بهبود نتایج شده است.

کلیدواژه ها

پیش بینی بلند مدت، تلفیق داده، خشکسالی، سیگنال های بزرگ مقیاس اقلیمی

مقالات مرتبط جدید

اطلاعات بیشتر در مورد COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.