پیش بینی خشکسالی با استفاده از روش های شبکه بیزین و برنامه ریزی بیان ژن (مطالعه موردی: ایستگاه سینوپتیک سقز)

پیش بینی صحیح وضعیت خشکسالی تاثیر مهمی در برنامه ریزی و مدیریت منابع آب ایفاء می‌نماید. در سالیان اخیر، روش‌های هوش مصنوعی و سری های زمانی به‌طور گسترده‌ای در فرآیندهای مدل‌سازی و پیش بینی بکار گرفته شده‌اند. در تحقیق حاضر، جهت پیش بینی خشکسالی در ایستگاه سینوپتیک سقز واقع در حوزه آبخیز دریاچه ارومیه از شاخص بارش- تبخیر و تعرق استاندارد شده (spei) و روش های برنامه ریزی بیان ژن و شبکه بیزین در مقیاس های زمانی کوتاه مدت، میان مدت و بلندمدت استفاده گردید. نتایج نشان داد که در مقیاس های زمانی کوتاه-مدت شاخص خشکسالی هر دو مدل از دقت کافی جهت پیش بینی خشکسالی برخوردار نیستند و با افزایش مقیاس زمانی عملکرد هر دو مدل بهبود پیدا می کند. مقایسه عملکرد دو مدل نیز نشان داد که هر دو مدل از دقت مناسب در مقیاس های زمانی بالای شاخص خشکسالی برخوردار می باشند و دقت آنها تقریباً یکسان می باشد.

prediction of drought using bayesian network methods and gene expression programming (case study: saqhez synoptic station)

proper forecasting of droughts plays an important role in water resources planning and management. in recent years, artificial intelligence methods and time series have been widely used in modeling and prediction processes. in the present study, to predict drought at the saqhez synoptic station in the urmia lake basin, the standardized precipitation-evapotranspiration index (spei) and bayesian network and gene expression programming methods in short, medium and long-term time-scale were used. the results showed that in short-term time-scales of drought index, both models are not sufficiently accurate to predict drought and with increasing time -scale, performance of both models improves. comparison of the performance of the two models showed that both models have good accuracy in long-term time- scales and their accuracy is almost the same.