پیش‌بینی خشک‌سالی با بهره‌گیری از مدل ترکیبی ماشین بردار پشتیبان موجکی و شاخص SPI (مطالعه موردی: حوضه دریاچه ارومیه-ایران)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 عضو هیئت علمی گروه عمران دانشگاه ایت اله بروجردی (ره)

2 دانشجوی کارشناسی ارشد رشته سازه های هیدرولیکی

چکیده

خشک‌سالی تهدیدی جدی برای انسان و محیط‌زیست بوده ازاین‌رو یافتن شاخصی جهت پیش‌بینی این پدیده از اهمیت بسزایی برخوردار است. شاخص بارش استانداردشده (SPI) یک شاخص جامع جهت طبقه‌بندی شدت خشک‌سالی به‌حساب می‌آید. مدل‌های هوش مصنوعی کلاسیک از متداول‌ترین مدل‌هایی هستند که جهت پیش‌بینی شاخص SPI مورداستفاده قرارگرفته‌اند. ازآنجایی‌که 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 خشک‌سالی از مدل ترکیبی ماشین بردار پشتیبان موجکی و شاخص SPI استفاده‌شده است. برای این منظور سری زمانی شاخص SPI مربوط به حوضه ارومیه توسط آنالیز موجک به چندین زیر سری با مقیاس‌های زمانی مختلف تبدیل‌شده و این زیر سری‌های زمانی به‌عنوان ورودی مدل ماشین بردار پشتیبان برای پیش‌بینی خشک‌سالی در نظر گرفته می‌شوند. 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 0/865 و 0/237 و برای مدل ترکیبی ماشین بردار پشتیبان موجکی به ترتیب 0/954 و 0/056 می‌باشد. بنابراین مدل ترکیبی ماشین بردار پشتیبان موجکی در مقایسه با مدل منفرد ماشین بردار پشتیبان توانایی بسزایی را جهت پیش‌بینی سری‌ زمانی شاخص SPI و همچنین 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.

کلیدواژه‌ها

موضوعات