سال انتشار: ۱۳۸۶

محل انتشار: نخستین کنگره بین المللی مدیریت ریسک

تعداد صفحات: ۷

نویسنده(ها):

حسین مهدیخانی – کارشناس ارشد مهندسی منابع آب، دانشکده مهندسی عمران، دانشگاه صنعتی شریف
افشین یوسف گمرکچی – عضو هیات علمی مرکز تحقیقات کشاورزی و منابع طبیعی استان قزوین

چکیده:

خشکسالی پدیده ای آرام و بخش طبیعی از اقلیم هر منطقه میباشد . پیشبینی خشکسالی نقش مهمی در مدیریت منابع آب و کاهش خسارات خشکسالی و تبدیل مدیریت بحران به مدیریت ریسک در طرح جامع خشکسالی ایفا مینمای د . توان ایی بالا ی شبکه ه ای – عصبی مصنوعی در مدلسازی و پیشبینی سریهای زمانی نامانا و غیرخطی در مهندسی آب به اثبات رسیده است و تبدیلات موجک با تجزیه ساختن سریهای زمانی به مؤلفه های قطعی و غیرقطعی سبب بهبود عملکرد شبکه های عصبی در پیش بینی ها میشود . در این تحقیق،توانایی مدل تلفیقی مبتنی بر شبکه های عصبی مصنوعی و تبدیلات موجک برای پیش بینی های ۱ ، ۲ و ۳ ماهه خشکسا لی مورد بررسی قرار گرفته است . در مدل تلفیقی پیشنهادشده، نخست،سریهای زمانی شاخص خشکسالی موثر ماهانه به زیرمؤلفه ها تجزیه شدهو سپس این زیرمؤلفه به کمک مدلهای شبکه عصبی مصنوعی پیشبینی میگردند . برای ساخت الگوهای ورودی شبکه از بارش ماهانه و شاخص بارش استانداردشده نیز بهره گرفته شده است . نتایج بدست آمده از این مدل تلفیقی برای ایستگاه سینوپتیک استان قزوین نشان دهنده کارایی این مدلهای تلفیقی در بهبود دقت پیشبینی های ۱ ، ۲ و ۳ ماهه خشکسا لی نسبت به مدل ه ای شبکه عصب ی مصنوعی میباشد به طوری که با استفاده از مدل تلفیقی موجک در پیش بینی های ۳ ماهه، مدلهای تلفیقی بطور کلی با افزایش کارایی خود را در ۰/۰۳۲۸ به حدود ۰/۶۴۲۴ از حدود RMSE ANN برای مدل های ۰/۳۶۴ از حدود R 2 اصلاح نتایج و قابل اعتماد بودن نتایج پیش بینی های ۳ ماهه نشان داده اند . به این ترتیب با استفاده از این متد امکان کاهش خطای پیش بینی و گذر از مدیریت بحران به مدیریت ریسک در پایش خشکسالی امکان پذیر خواهد بود .