ام البنین بذرافشان؛ علی سلاجقه؛ احمد فاتحی مرج؛ محمد مهدوی؛ جواد بذرافشان؛ سمیه حجابی
چکیده
خشک‌سالی پدیده‌ای است که برای پیش‌بینی آن نمی‌توان از مدل مشخصی استفاده کرد. بر این اساس، محققان تلاش می‌کنند با استفاده از مدل‌های پیشرفته دقت پیش‌بینی‌ها را افزایش دهند. در این زمینه، مدل‌های استوکاستیک خطی، شبکة عصبی مصنوعی، و مدل‌های هیبرید می‌توانند در دقت پیش‌بینی مفید باشند. تحقیق حاضر به بررسی کارایی مدل‌های اتورگرسیو ...
بیشتر
خشک‌سالی پدیده‌ای است که برای پیش‌بینی آن نمی‌توان از مدل مشخصی استفاده کرد. بر این اساس، محققان تلاش می‌کنند با استفاده از مدل‌های پیشرفته دقت پیش‌بینی‌ها را افزایش دهند. در این زمینه، مدل‌های استوکاستیک خطی، شبکة عصبی مصنوعی، و مدل‌های هیبرید می‌توانند در دقت پیش‌بینی مفید باشند. تحقیق حاضر به بررسی کارایی مدل‌های اتورگرسیو میانگین متحرک تجمعی (ARIMA)، شبکة عصبی مصنوعی مستقیم (DMSNN)، شبکة عصبی مصنوعی چندگامی بازگشتی (RMSNN)، مدل هیبرید آریما- شبکة عصبی مصنوعی چندگامی مستقیم (HSNNDM)، و مدل هیبرید آریما- شبکة عصبی مصنوعی چندگامی بازگشتی (HSNNRA) در پیش‌بینی خشک‌سالی هیدرولوژی در دو مقیاس زمانی ماهانه و فصلی میپردازد. شاخص استانداردشدة جریان (SDI) به عنوان نمایة جریان و شاخص پیشبینیشونده در حوزة آبخیز کرخه انتخاب شد. نتایج این پژوهش نشان میدهد مدل هیبرید شبکة عصبی مستقیم- آریما (HSNNDA) نسبت به سایر مدلها دارای عملکرد بهتری در پیش‌بینی SDI است و همچنین کارایی مدل در پیش‌بینی ماهانه بهتر از مقیاس فصلی است.
