مقایسۀ کارایی شبکۀ عصبی مصنوعی در پیش‌بینی خشکسالی هواشناسی با استفاده از پیوند از دور و پارامترهای اقلیمی (مطالعۀ موردی: جنوب استان قزوین)

خشکسالی در نگاهی کلی معلول یک دورۀ شرایط خشک غیرعادی است که به اندازۀ کافی دوام داشته و سبب عدم تعادل در وضعیت هیدرولوژیک یک ناحیه همچون افت منابع آب سطحی و زیرزمینی می‌گردد. هدف از این تحقیق مدل‌سازی پیش‌بینی خشکسالی هواشناسی در سه مقیاس زمانی کوتاه مدت، میان مدت و بلند مدت در ایستگاه باران سنجی واقع در دشت جنوبی استان قزوین، با استفاده از شبکۀ عصبی پرسپترون چندلایه و با در نظر گرفتن پارامترها و سیگنال‌های اقلیمی می‌باشد. بدین منظور سه سناریوی مختلف به عنوان ورودی‌های مدل، مورد آزمون قرار گرفت. پس از تعیین متغیرهای ورودی با روش همبستگی متقاطع اقدام به تعیین ترکیب بهینۀ متغیرها با استفاده از آزمون گاما گردید. نتایج نشان داد که با افزایش مقیاس زمانی از کوتاه مدت به بلند مدت، تاثیر سیگنال‌های اقلیمی افزایش و در عوض تاثیر پارامترهای هواشناسی کمتر می‌شود. همچنین موثرترین سیگنال اقلیمی و پارامتر هواشناسی در هر مقیاس، به ترتیب mei (شاخص چند متغیرۀ النینو نوسانات جنوبی) و بارندگی معرفی گردیدند. جهت مدل سازی از شبکۀ عصبی با یک لایۀ مخفی با تعداد کافی نرون، با تابع سیگموئید در لایۀ میانی و تابع خطی در لایۀ خروجی استفاده شد. مناسب ترین تعداد نرون در هر سناریو تعیین شد. در نهایت براساس معیارهای ارزیابی، مناسب ترین ساختار شبکه در هر مقیاس زمانی و در سه سناریوی مورد بررسی تعیین گردید.

comparing the performance of artificial neural network (ann) to predict the long term meteorological drought using climatic parameters and teleconnection (case study: south of qazvin province)

overview, drought is effected an unusual dry period which is enough continued and causes imbalance in the hydrologic status, as depletion of surface water and groundwater resources. the purpose of this research is modeling meteorological drought prediction using neural network multi layer perceptron, parameters and climatic signals in three time scales include short, middle and long term in a raingauge station located at south plain of qazvin province. three different scenarios were tested as inputs model. optimal combination of variables was determinate by gammatest after identification of input variables using crosscorrelation. results showed, influence of climatic signals increased and against the influence of meteorological parameters decreased when time scale were increased from shortterm to longterm. mei (multivariate enso index) and rainfall were introduced as the most effective climatic signals and meteorological parameter for each scale, respectively. neural network modeling which has hidden layer with enough neurons, sigmoid function in middle layer and linear function at output layer was used. the most appropriate of the number neurons was determined in each scenario and wasn’t observed significant correlation between increasing or decreasing the error and number of neurons. finally, the most appropriate network structure was determined based on evaluation indexes in three scenarios and each time scale.