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

زمینه و هدف: خشک‌سالی تهدیدی جدی برای انسان و محیط‌زیست بوده ازاین‌رو یافتن شاخصی جهت پیش بینی این پدیده از اهمیت به سزایی برخوردار است. شاخص بارش استانداردشده (spi) یک شاخص جامع جهت طبقه‌بندی شدت خشک‌سالی به‌حساب می آید. مدل های هوش مصنوعی کلاسیک از متداول ترین مدل هایی هستند که جهت پیش بینی شاخص spi مورداستفاده قرارگرفته‌اند. ازآن جایی‌که این مدل ها بر پایه ی ویژگی  خودهم بستگی استوار هستند، بنابراین توانایی رصد نمودن سری های زمانی درازمدت و فصلی را دارا نمی باشند. در این پژوهش برای پیش بینی خشک‌سالی از مدل ترکیبی ماشین بردار پشتیبان موجکی و شاخص spi استفاده‌شده است.روش بررسی: برای این منظور سری زمانی شاخص spi مربوط به حوضه ارومیه توسط آنالیز موجک به چندین زیر سری با مقیاس های زمانی مختلف تبدیل‌شده و این زیر سری‌های زمانی به‌عنوان ورودی مدل ماشین بردار پشتیبان برای پیش بینی خشک‌سالی در نظر گرفته می شوند.یافته ها: نتایج حاصل از صحت سنجی مدل ها بیان گر آن است که بیش ترین مقدار ضریب تبیین و کم ترین 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 می باشد.بحث و نتیجه گیری: بنابراین مدل ترکیبی ماشین بردار پشتیبان موجکی در مقایسه با مدل منفرد ماشین بردار پشتیبان توانایی به سزایی جهت  پیش بینی سری زمانی شاخص spi و نیز رصد نمودن نقاط بیشینه این سری زمانی به سبب در نظر گرفتن تغییرات فصلی دارا می باشد. از سویی نشان داده شد که این مدل ترکیبی در مقایسه با سایر مدل های خودهم بسته کلاسیک هم چون شبکه عصبی مصنوعی از دقت و کارایی بالاتری برخوردار است.

Drought Forecasting Using Wavelet - Support Vector Machine and Standardized Precipitation Index (Case Study: Urmia Lake-Iran)

Background and Objectives: Drought is regarded as a serious threat for people and environment. As a result, finding some indices to forecast the drought is an important issue that needs to be addressed urgently. The appropriate and flexible index for drought classification is the Standardized Precipitation Index (SPI). Artificial intelligence models were commonly used to forecast SPI time series. These models are based on auto regressive property. So, they are not able to monitor the seasonal and longterm patterns in time series. In this study, the WaveletSupport Vector Machine (WSVM) approach was used for the drought forecasting through employing SPI.Method: In this way, the SPI time series of Urmia Lake watershed was decomposed to multiple frequent time series by wavelet transform; then, these time series were imposed as input data to the Support Vector Machine (SVM) model to forecast the drought.Findings: The results showed that, the maximum value of R2 and minimum value of RMSE indexes for SVM model are 0.865 and 0.237 and for WSVM model are 0.954 and 0.056 respectively in verification step.Discussion and Conclusion: So, the propounded hybrid model has superior ability in forecasting SPI time series comparing with the single SVM model and also it can accurately assess the extreme data in SPI time series by considering the seasonality effects. Finally, it was concluded that, the proposed hybrid model is relatively more appropriate than classical autoregressive models such as ANN.