مقایسة کارایی مدل های آماری و مفهومی در پیش بینی خشک سالی هیدرولوژی (مطالعة موردی: حوزة آبخیز کرخه)

خشک سالی پدیده ای است که برای پیش بینی آن نمی توان از مدل مشخصی استفاده کرد. بر این اساس، محققان تلاش می کنند با استفاده از مدل های پیشرفته دقت پیش بینی ها را افزایش دهند. در این زمینه، مدل های استوکاستیک خطی، شبکة عصبی مصنوعی، و مدل های هیبرید می توانند در دقت پیش بینی مفید باشند. تحقیق حاضر به بررسی کارایی مدل های اتورگرسیو میانگین متحرک تجمعی (arima)، شبکة عصبی مصنوعی مستقیم (dmsnn)، شبکة عصبی مصنوعی چندگامی بازگشتی (rmsnn)، مدل هیبرید آریما- شبکة عصبی مصنوعی چندگامی مستقیم (hsnndm)، و مدل هیبرید آریما- شبکة عصبی مصنوعی چندگامی بازگشتی (hsnnra) در پیش بینی خشک سالی هیدرولوژی در دو مقیاس زمانی ماهانه و فصلی می پردازد. شاخص استانداردشدة جریان (sdi) به عنوان نمایة جریان و شاخص پیش بینی شونده در حوزة آبخیز کرخه انتخاب شد. نتایج این پژوهش نشان می دهد مدل هیبرید شبکة عصبی مستقیم- آریما (hsnnda) نسبت به سایر مدل ها دارای عملکرد بهتری در پیش بینی sdi است و همچنین کارایی مدل در پیش بینی ماهانه بهتر از مقیاس فصلی است.