توسعه مدل تلفیقی غیرخطی پیش بینی خشکسالی مبتنی بر شبکه عصبی مصنوعی و تبدیلات موجک: مطالعه موردی: زیرحوضه سد زاینده رود

چکیده مقاله

خشکسالی پدیده ای آرام و بخش طبیعی از اقلیم هر منطقه است پیش بینی خشکسالی نقش مهمی در مدیریت منابع آب و کاهش خسارات خشکسالی ایفا می نماید توانایی بالای شبکه های عصبی مصنوعی در مدل سازی و پیش بینی سری های زمانی نامانا و غیر خطی در مهندسی آب به اثبات رسیده است و تبدیلات موجک با تجزیه ساختن سری های زمانی به مولفه های قطعی و غیر قطعی سبب بهبود عملکرد شبکه های عصبی در پیش بینی ها می شود در این مقاله ، مدل تلفیقی مبتنی بر شبکه های عصبی مصنوعی و تبدیلات موجک برای پیش بینی های 1، 3 و 6 ماهه خشکسالی ارائه میگردد در مدل تلفیقی پیشنهاد شده، نخست سری های زمانی شاخص خشکسالی موثر ماهانه به زیر مولفه ها تجزیه شده و سپس این زیر مولفه به کمک مدل های شبکه عصبی مصنوعی پیش بینی می گردند برای ساخت الگوهای ورودی شبکه از بارش ماهانه و شاخص بارش استاندارد شده نیز بهره گرفته شده است نتایج به دست آمده از این مدل تلفیقی برای 4 ایستگاه چلگرد، قلعه شاهرخ، دامنه فریدن و سد زاینده رود واقع در حوزه آبریز سد زاینده رود نشا ن دهنده کارایی این مدل های تلفیقی در بهبود دقت پیش بینی های 1، 3و6 ماهه خشکسالی نسبت به مدل های شبکه عصبی مصنوعی می باشد

کلیدواژه‌ها

نویسندگان

احمد ابریشمچی

استاد دانشکده مهندسی عمران، دانشگاه صنعتی شریف

حسین مهدیخانی

کارشناس ارشد مهندسی منابع آب، دانشکده مهندسی عمران، دانشگاه صنعتی ش

مسعود تجریشی

دانشیار دانشکده مهندسی عمران، دانشگاه صنعتی شریف

�بریشم چی، احمد و مهدیخانی، حسین و تجریشی، مسعود،1385،توسعه مدل تلفیقی غیرخطی پیش بینی خشکسالی مبتنی بر شبکه عصبی مصنوعی و تبدیلات موجک: مطالعه موردی: زیرحوضه سد زاینده رود،دومین کنفرانس مدیریت منابع آب،اصفهان

ارائه‌شده در

مجموعه مقالات دومین کنفرانس مدیریت منابع آب3 بهمن 1385 · اصفهان