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)
Publish Year: 1393
نوع سند: مقاله ژورنالی
زبان: Persian
View: 47
This Paper With 14 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JWMS-8-27_005
تاریخ نمایه سازی: 5 دی 1402
Abstract:
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.
Keywords: