تاثیر پردازش متغیرهای ورودی شاخص بارش استاندارد در پیش بینی خشکسالی در شبکه های عصبی مصنوعی با استفاده از تبدیل موجک

خشکسالی یک رویداد طبیعی است که می تواند خسارات قابل توجهی را به زندگی بشر وارد سازد. پیش بینی خشکسالی نقش موثری را در مدیریت منابع آب ایفا می کند. در این تحقیق به منظور پیش بینی خشکسالی سه مدل ترکیبی از انواع شبکه های عصبی و تبدیل موجک ارائه شده است و سپس با استفاده از این مدل ها، شاخص بارش استاندارد (spi) برای 12 ماه آینده در ایستگاه سینوپتیک یزد پیش بینی گردیده است. شبکه های عصبی مصنوعی توانایی بالایی در پیش بینی سری های زمانی غیرخطی دارند. تبدیل موجک نیز با تجزیه سری های زمانی اصلی به سیگنال های فرعی منجر به وضوح بهتر آنها می گردد. در تحقیق حاضر با استفاده از مدل های ترکیبی، که شامل شبکه های پرسپترون موجکی(mlp-w)، شبکه های برگشتی موجکی(tr-w) و شبکه های برگشتی با تاخیر زمانی موجکی (tlrn-w) می باشند، به پیش بینی سیگنال های فرعی حاصل از تبدیل موجک پرداخته شده است. همچنین به منظور بررسی تاثیر تبدیل موجک در عملکرد مدل های ترکیبی، نتایج حاصل از این مدل ها با نتایج بدست آمده از مدل های شبکه عصبی منفرد مقایسه و کارایی آنها با استفاده از برخی آماره های ارزیابی اندازه گیری شده است. در نهایت، نتایج بدست آمده از مدل های ترکیبی، ضریب همبستگی بالاتر و خطای پایین تری را نسبت به مدل های منفرد، نشان داده اند. ضریب همبستگی در بهترین مدل ترکیبی (tlrn-w) حدود 977/0 و rmse وmae بترتیب 05/0 و020/0 بدست آمد در حالی که این مقادیر در بهترین مدل منفرد (tlrn) بترتیب برابر با 895/0 ، 07/0 و020/0 اندازه گیری گردید. در مجموع یافته های این تحقیق، بهبود کارایی شبکه های عصبی در پیش بینی شاخص خشکسالی را با استفاده از تبدیل موجک  نشان می دهند.