توسعه مدل های مبتنی بر هوش مصنوعی پیش بینی فرکانس های خشکسالی با استفاده از شاخص های SPI و RDI و پیش بینی جریان رودخانه در ایستگاه های هیدرومتری با استفاده از پارامترهای بارش و دما و یافتن رابطه بین خشکسالی های هواشناسی و هیدرولوژیکی

مدیریت منابع آب امری پیچیده می باشد و با وقوع خشکسالی ها این موضوع پیچیده تر می شود. این مطالعه از یک شبکه پرسپترون چند لایه با الگوریتم آموزشی Levenberg-Marquardt و تابع محرک تانژانت سیگموئید جهت پیش بینی مقادیر کمی شاخص های خشکسالی SPI و RDI در ۴ ایستگاه سینتوپتیک (سمنان، شاهرود، گرمسار و بیارجمند) از استان سمنان مورد استفاده قرار گرفت. ایستگاه های مذکور بر اساس شاخص خشکی دومارتن اصلاح شده، دارای اقلیم خشک سرد می باشند. سه ترکیب متفاوت از ورودی ها برای آموزش شبکه مورد استفاده قرار گرفت تا شاخص های مذکور را برای ماه آینده پیش بینی کند. بدین منظور در اولین ترکیب ورودی از شاخص های SPI و RD برای سری های زمانی ۳، ۶، ۹، ۱۲ و ۲۴ مااهه در این ماه، ماه قبل، ۲، ۳، ۴ و ۱۲ ماه قبل استفاده گردید. با افزودن بارندگی های میانگین متحرک این ماه و ماه قبل در سری های زمانی مورد نظر دو ترکیب دیگر از ورودی ها نیز شکل گرفت. نتایج آنالیز همبستگی بین شاخص نوسانات جنوبی (SOI) و نوسانات اطلس شمالی (NAO) با شاخص های SPI و RDI نشان داد که همبستگی میان این پارامترها معنادار نمی باشد و به عبارتی افزودن دو شاخص SOI و NAO برای بهبود نتایج پیش بینی های شاخص های خشکسالی مفید نخواهد بود. نتایج نشان داد که مدل سوم از ورودی ها دارای نتایج شبیه سازی با دقت بالاتری می باشند و نشاندهنده این موضوع می باشد که افزودن بارندگی ها با تاخیرهای زمانی ۱ و ۲ ماه نتایج شبکه را بهبود بخشیده است. از طرفی شبکه پرسپترون چند لایه، شاخص های SPI و RDI را برای سری زمانی ۱۲ و ۲۴ ماهه با دقت بالاتری پیش بینی نموده است.

توسعه مدل های مبتنی بر هوش مصنوعی پیش بینی فرکانس های خشکسالی با استفاده از شاخص های SPI و RDI و پیش بینی جریان رودخانه در ایستگاه های هیدرومتری با استفاده از پارامترهای بارش و دما و یافتن رابطه بین خشکسالی های هواشناسی و هیدرولوژیکی Keywords:

پیش بینی خشکسالی , شاخص های خشکسالی , پرسپترون چند لایه , استان سمنان