پیش بینی خشکسالی با استفاده از مدل تلفیقی شبکه عصبی مصنوعی- موجک و مدل سری زمانیARIMA
عنوان مقاله: پیش بینی خشکسالی با استفاده از مدل تلفیقی شبکه عصبی مصنوعی- موجک و مدل سری زمانیARIMA
شناسه ملی مقاله: JR_JISE-41-2_012
منتشر شده در شماره 2 دوره 41 فصل در سال 1397
شناسه ملی مقاله: JR_JISE-41-2_012
منتشر شده در شماره 2 دوره 41 فصل در سال 1397
مشخصات نویسندگان مقاله:
محبوبه یونسی - دانشجوی دکتری، گروه مهندسی آب، دانشگاه بوعلی سینا، همدان، ایران.
نادیا شهرکی - دانشجوی دکتری، گروه مهندسی آب، دانشگاه بوعلی سینا، همدان، ایران.
صفر معروفی - استاد گروه مهندسی آب، دانشگاه بوعلی سینا، همدان، ایران.
حامد نوذری - استادیار گروه مهندسی آب، دانشگاه بوعلی سینا، همدان، ایران.
خلاصه مقاله:
محبوبه یونسی - دانشجوی دکتری، گروه مهندسی آب، دانشگاه بوعلی سینا، همدان، ایران.
نادیا شهرکی - دانشجوی دکتری، گروه مهندسی آب، دانشگاه بوعلی سینا، همدان، ایران.
صفر معروفی - استاد گروه مهندسی آب، دانشگاه بوعلی سینا، همدان، ایران.
حامد نوذری - استادیار گروه مهندسی آب، دانشگاه بوعلی سینا، همدان، ایران.
تبدیل موجک یکی از روشهای نوین و بسیار موثر در زمینه تحلیل سیگنالها و سریهای زمانی است. در این روش سیگنال شاخص بارش استاندارد (SPI) با استفاده از موجک مادر منتخب تجزیه شده، دادههای حاصل بهعنوان ورودی مدل شبکه عصبی مصنوعی در نظر گرفته شده و یک مدل تلفیقی برای پیشبینی خشکسالی ارائه میگردد. در این تحقیق، از شبکههای عصبی مصنوعی پرسپترون چند لایه (MLP) و تابع پایه ای شعاعی ((RBF، سری زمانی ARIMA و همچنین شبکههای عصبی مصنوعی- موجک پرسپترون چند لایه (WA-MLP) و تابع پایه ای شعاعی (WA-RBF) برای پیشبینی استفاده شده است. در این خصوص، از داده های بارندگی ایستگاه بیدستان با دوره آماری 44 ساله در حوضه آبریز شور استفاده شد. وضعیت رطوبتی با استفاده از شاخص بارندگی استاندارد شده (SPI) در دوره سه ماهه محاسبه گردید. برای تخمین مقدار SPI در هر بازه زمانی، از مقادیر مربوطه در زمان های ماقبل، استفاده شد. نتایج نشان داد مدل WA-MLP با دقت بالاتری (87/0=R2) مقادیر SPI و وضعیت خشکسالی کوتاه مدت را پیش بینی می کند.
کلمات کلیدی: پیش بینی, خشکسالی, شبکه عصبی مصنوعی- موجک, ARIMA, SPI
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/887865/