بررسی کارآیی مدل‌های هیبرید شبکه عصبی مصنوعی- استوکاستیک لی‌های در پیش بینی خشکسالی هیدرولوژیکی با استفاده از آماره کاپا

خشکسالی یک رخداد طبیعی تکرار شونده و موقتی است که ناشی از کاهش بارندگی نسبت به میانگین بلندمدت آن می باشد و می تواند در هر اقلیمی رخ دهد. از آنجایی که خشکسالی پدیده‌ای تصادفی و غیرخطی است ، استفاده از مدل‌های استوکاستیک خطی، شبکه عصبی مصنوعی و مدل‌های هیبرید می‌تواند در توسعه نتایج پیش‌بینی مفید باشد. مطالعه حاضر به بررسی کارایی مدل‌های arima، شبکه عصبی مصنوعی و مدل هیبرید آریما - شبکه عصبی مصنوعی در پیش‌بینی خشکسالی هیدرولوژی در دو مقیاس زمانی ماهانه و فصلی در دو ایستگاه هیدرومتری واقع در بخش میانی و خروجی در حوزه آبخیز گاماسیاب در دوره آماری (1353- 1387) می‌پردازد و شاخص sdi بعنوان شاخص پیش‌بینی کننده انتخاب گردید. بازه زمانی آماری (1353- 1379) برای مرحله واسنجی و 8 سال باقیمانده جهت مرحله صحت سنجی مدل‌ها مورد استفاده قرار گرفت. نتایج نشان می‌دهد، در میان سه مدل مورد استفاده جهت پیش بینی یک گام زمانی بعد، ترکیب مدل های شبکه عصبی- استوکاستیک (هیبرید) نتیجه مناسبی نسبت به مدل‌های مجزای آن ها در مقیاس ماهانه و فصلی دارد بطوری‌که مقادیر میانگین خطای نسبی و آماره کاپای این مدل در مقیاس زمانی ماهانه در ایستگاه پل‌چهر (بخش خروجی) به ترتیب 79/5% rme=و 565/0k= و در مقیاس زمانی فصلی در ایستگاه دوآب (بخش میانی) 22% rme=و 232/0k= است.