پیش‌بینی خشک‌سالی با استفاده از مدل تلفیقی شبکه عصبی فازی موجک (مطالعه موردی: دشت الشتر استان-لرستان)

با توجه به اهمیت موضوع، پیش‌بینی خشک‌سالی برای مدیریت صحیح منابع آب امری کاملاً ضروری است. روش‌های مختلفی برای پیش‌بینی سری‌های زمانی هیدرولوژیکی نظیر خشک‌سالی وجود دارد. در این پژوهش، با استفاده از مدل‌های تلفیقی شبکه‌ی عصبی- فازی تطبیقی- موجکی (wnf) و شبکه‌ی عصبی- موجکی (wnn) اقدام به پیش‌بینی خشک‌سالی دشت الشتر در استان لرستان شده است. در این پژوهش کارآیی 4 مدل ann، anfis، wnn و wnf در پیش‌بینی 1، 3 و 6 ماهه‌ی خشکسالی هواشناسی و آب زیرزمینی، مورد ارزیابی و مقایسه قرار گرفته است. برای این منظور از داده‌های دما، بارش و سطح آب زیرزمینی دشت الشتر در زمان‌های ، و برای پیش‌بینی خشکسالی آب زیرزمینی (شاخص gri) در زمان‌های ، و و داده‌های دما، بارش و تبخیر و تعرق دشت الشتر در زمان‌های ، و برای پیش‌بینی خشکسالی هواشناسی ( شاخصspi) در زمان‌های ، و استفاده شده است. نتایج نشان داد به‌ طور کلی داده‌های سطح آب زیرزمینی برای خشکسالی آب زیرزمینی و بارش برای خشکسالی هواشناسی در زمان همبستگی قابل ملاحظه‌ای بترتیب با داده‌های بارش و دما و همچنین دما و تبخیر و تعرق در زمان‌های و قبل از آن نیز همبستگی وجود دارد. مقایسه‌ی مقادیر معیارهای و مربوط به مدل‌های غیرخطی ann، anfis، wnn و wnf نشان می‌دهد که به طور کلی مدل‌های غیرخطی توانایی مناسبی در پیش‌بینی خشکسالی هواشناسی و آب زیرزمینی در ماه‌های آینده دارند. نتایج حاصل از مدل‌سازی سطح آب زیرزمینی توسط مدل‌های تلفیقی wnn و wnf با مدل‌های ann و anfis بر مبنای معیارهای و نشان می‌دهد که استفاده از تبدیل موجک در تجزیه‌ی سری‌های زمانی ورودی به این مدل‌ها سبب افزایش و کاهش به میزان قابل ملاحظه‌ای شده و نتایج پیش‌بینی را به طور چشمگیری بهبود می‌بخشد. بنابراین مدل‌های تلفیقی wnn نسبت به مدل‌های ann و مدل‌های تلفیقی wnf نسبت به مدل‌های anfis سطح آب زیرزمینی را با دقت بیشتری به ویژه در گام‌های پیش‌بینی 1 ماهه و 3 ماهه پیش‌بینی می‌کنند.