مهدی کماسی - عضو هیئت علمی گروه عمران دانشگاه ایت اله بروجردی (ره)
سروش شرقی - دانشجوی کارشناسی ارشد، مهندسی آب و سازه های هیدرولیکی، دانشگاه آیت اله العظمی بروجردی (ره)، بروجرد.

زمینه و هدف: خشک سالی تهدیدی جدی برای انسان و محیط زیست بوده ازاین رو یافتن شاخصی جهت پیش­بینی این پدیده از اهمیت به­سزایی برخوردار است. شاخص بارش استانداردشده (SPI) یک شاخص جامع جهت طبقه بندی شدت خشک سالی به حساب می­آید. مدل­های هوش مصنوعی کلاسیک از متداول­ترین مدل­هایی هستند که جهت پیش­بینی شاخص SPI مورداستفاده قرارگرفته اند. ازآن­جایی که این مدل­ها بر پایه­ی ویژگی  خودهم­بستگی استوار هستند، بنابراین توانایی رصد نمودن سری­های زمانی درازمدت و فصلی را دارا نمی­باشند. در این پژوهش برای پیش­بینی خشک سالی از مدل ترکیبی ماشین بردار پشتیبان موجکی و شاخص SPI استفاده شده است. روش بررسی: برای این منظور سری زمانی شاخص SPI مربوط به حوضه ارومیه توسط آنالیز موجک به چندین زیر سری با مقیاس­های زمانی مختلف تبدیل شده و این زیر سری های زمانی به عنوان ورودی مدل ماشین بردار پشتیبان برای پیش­بینی خشک سالی در نظر گرفته می­شوند. یافته ها: نتایج حاصل از صحت سنجی مدل­ها بیان­گر آن است که بیش­ترین مقدار ضریب تبیین و کم­ترین مقدار جذر میانگین مربع خطا برای مدل منفرد ماشین بردار پشتیبان به ترتیب ۸۶۵/۰ و ۲۳۷/۰ و برای مدل ترکیبی ماشین بردار پشتیبان موجکی به ترتیب ۹۵۴/۰ و ۰۵۶/۰ می­باشد. بحث و نتیجه گیری: بنابراین مدل ترکیبی ماشین بردار پشتیبان موجکی در مقایسه با مدل منفرد ماشین بردار پشتیبان توانایی به­سزایی جهت  پیش­بینی سری­ زمانی شاخص SPI و نیز رصد نمودن نقاط بیشینه این سری زمانی به سبب در نظر گرفتن تغییرات فصلی دارا می­باشد. از سویی نشان داده شد که این مدل ترکیبی در مقایسه با سایر مدل­های خودهم­بسته کلاسیک هم­چون شبکه عصبی مصنوعی از دقت و کارایی بالاتری برخوردار است.

مدل ماشین بردار پشتیبان, تبدیل موجک, شاخص SPI, پیش بینی خشک سالی, حوضه ارومیه