|
|
|
|
پیش بینی خشکسالی با استفاده از مدل تلفیقی شبکه عصبی مصنوعی-موجک و مدل سری زمانیarima
|
|
|
|
|
|
|
|
نویسنده
|
یونسی محبوبه ,شهرکی نادیا ,معروفی صفر ,نوذری حامد
|
|
منبع
|
علوم و مهندسي آبياري - 1397 - دوره : 41 - شماره : 2 - صفحه:167 -181
|
|
چکیده
|
تبدیل موجک یکی از روش های نوین و بسیار موثر در زمینه تحلیل سیگنال ها و سری های زمانی است. در این روش سیگنال شاخص بارش استاندارد (spi) با استفاده از موجک مادر منتخب تجزیه شده، داده های حاصل به عنوان ورودی مدل شبکه عصبی مصنوعی در نظر گرفته شده و یک مدل تلفیقی برای پیش بینی خشکسالی ارائه می گردد. در این تحقیق، از شبکه های عصبی مصنوعی پرسپترون چند لایه (mlp) و تابع پایه‌ای شعاعی ((rbf، سری زمانی arima و هم چنین شبکه های عصبی مصنوعی موجک پرسپترون چند لایه (wa-mlp) و تابع پایه‌ای شعاعی (wa-rbf) برای پیش بینی استفاده شده است. در این خصوص، از داده‌های بارندگی ایستگاه بیدستان با دوره آماری 44 ساله در حوضه آبریز شور استفاده شد. وضعیت رطوبتی با استفاده از شاخص بارندگی استاندارد شده (spi) در دوره سه ماهه محاسبه گردید. برای تخمین مقدار spi در هر بازه زمانی، از مقادیر مربوطه در زمان‌های ماقبل، استفاده شد. نتایج نشان داد مدل wamlp با دقت بالاتری (0.87=r^2) مقادیر spi و وضعیت خشکسالی کوتاه مدت را پیش‌بینی می‌کند.
|
|
کلیدواژه
|
پیش‌بینی، خشکسالی، شبکه عصبی مصنوعی-موجک، arima، spi
|
|
آدرس
|
دانشگاه بوعلی سینا, گروه مهندسی آب, ایران, دانشگاه بوعلی سینا, گروه مهندسی آب, ایران, دانشگاه بوعلی سینا, گروه مهندسی آب, ایران, دانشگاه بوعلی سینا, گروه مهندسی آب, ایران
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Drought Forecasting Using Artificial Wavelet Neural Network Integrated Model (WAANN) and Time Series Model (ARIMA)
|
|
|
|
|
Authors
|
younesi mahbobeh ,Shahraki Nadiya ,Marofi Safar ,Nozari Hamed
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|