کاربرد مدل تلفیقی تبدیل موجک و شبکه عصبی مصنوعی در پایش خشک سالی هواشناسی (مطالعه موردی: حوضه آبریز کوهرنگ)

خشک سالی یکی از بلایای طبیعی است که سالانه خسارات فراوانی را برای جوامع مختلف به دنبال دارد. ارزیابی و پیش بینی خشکسالی ها می تواند اطلاعات با ارزشی جهت تدوین برنامه های مقابله با خشک سالی و کاهش خسارات مربوط به آن در اختیار مدیران و برنامه ریزان منابع آب بگذارد. در تحقیق حاضر، خشک سالی های هواشناسی ایستگاه کوهرنگ در استان چهارمحال و بختیاری با استفاده از شاخص خشک سالی احیایی (rdi) در دوره آماری 2016-1987 مورد بررسی و تحلیل قرار گرفت. سپس با استفاده از مدل شبکه عصبی مصنوعی (ann) و مدل تلفیقی موجک با شبکه عصبی مصنوعی (wann) داده های ماهانه بارش و تبخیر تعرق پتانسیل برای سال 2016 پیش بینی شد. نتایج نشان داد که هرچند مدل ann در پیش بینی داده های تبخیر تعرق پتانسیل از دقت قابل قبولی برخوردار بود، اما دقت آن در پیش بینی داده های بارش مناسب نبوده است. در حالی که مدل wann از دقت خوبی در پیش بینی داده های بارش ماهانه و تبخیر تعرق پتانسیل برخوردار بود، به طوری که میزان  مرحله تست، در پیش بینی داده های ماهانه بارش معادل 0.69 و برای داده های ماهانه تبخیر تعرق پتانسیل معادل 0.99 بود که نتایج مطلوب تری نسبت به مدل شبکه عصبی داشت (میزان  مدل شبکه عصبی مصنوعی برای بارش 0.52 بود). بنابراین، از مدل wann برای پیش بینی داده های بارش و تبخیر تعرق پتانسیل استفاده شد. در مرحله بعد با استفاده از داده های پیش بینی شده، مقادیر شاخص rdi محاسبه و با مقادیر متناظر این شاخص که با داده های مشاهداتی محاسبه شده بودند، مقایسه گردید. نتایج نشان داد که مدل wann عملکرد خوبی در پیش بینی خشک سالی کوهرنگ داشته است.

Prediction of Meteorological Droughts in Kuhrang Using the Hybrid Model of Wavelet and Artificial Neural Network

Meteorological drought is defined as a lack of rainfall over long periods, which reduces soil moisture and river flow. One of the critical drought assessment tools is drought indices (Tsakiris Vangelis, 2005). So far, many drought indicators have been developed by researchers, for example, the RDI )Reconnaissance Drought Index) (Tsakiris Vangelis, 2005). The difference between this index and other drought indices is that it is estimated based on two variables of precipitation and potential evapotranspiration. For this reason, it is more accurate than indices that are calculated only based on precipitation. So far, some studies have been used the RDI for drought assessment. Zarei et al. (2016) studied the spatial pattern of drought using the RDI index in southern Iran. The results showed that the area with dry conditions had an increasing trend. Asadi Zarch (2017) investigated the drought trend in Yazd province between 19662009 using the RDI index. The results showed that drought occurrence in Yazd increased during the studied period. Because, unlike other natural disasters, it is difficult to accurately determine the onset and the end of the drought period (Moried et al., 2005). Accordingly, it is difficult to diagnose and evaluate the drought phenomenon. Therefore, monitoring and predicting drought is very important in water resources management. The use of wavelets is a new and very effective way of analyzing signals and time series. Application of Wavelet in Wavelet Artificial Neural Network (WANN) models as a function for training has recently been used as an alternative for Artificial Neural Network (ANN) models. In recent years, the combination of wavelet theory and artificial neural networks has led to the development of wavelet neural networks (Thuillard, 2000). Zhang et al. (2017) applied the ARIMA, ANN, WANN, and Support Vector Regression (SVR) models to predict droughts in China’s northern Haihe River basin using the SPI index. The results showed that the WANN model performed better than other considered models for predicting the SPI values at 6 and 12 months time scales. This study aimed to predict the meteorological droughts in the Kuhrang region using ANN and WANN models. To this end, the efficiency of ANN and WANN models in predicting precipitation and potential evapotranspiration will be evaluated. Then, the Resilience Drought Index (RDI) will be calculated based on the predicted values by ANN and WANN to describe and prediction of Kuhrang wetness conditions.