پیش‌بینی خشکسالی با استفاده از مدل ترکیبی GEP-GARCH(مطالعه موردی: ایستگاه سینوپتیک سلماس)

Authors

  • اکبر شیرزاد استادیار گروه مهندسی عمران، دانشکده مهندسی عمران، دانشگاه صنعتی ارومیه، ارومیه، ایران
  • جواد بهمنش دانشیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران
  • عباس عباسی دانشجوی دکتری مهندسی آب، گروه مهندسی آب، دانشکده کشاورزی،دانشگاه ارومیه، ارومیه، ایران
  • کیوان خلیلی* استادیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران
Abstract:

پیش­بینی خشکسالی نقش مهمی در طراحی سیستم­های سازگاری با خشکسالی و اجرای عملیات تسکین ایفا می­نماید. داده­های هیدرولوژیک به‌صورت ترکیبی از بخش قطعی و تصادفی می­باشند. با توجه به اینکه داده­های تولیدی مدل­های هوشمند به‌صورت قطعی می­باشند، استفاده از رویکردی جدید برای اعمال بخش تصادفی در پیش­بینی این داده­ها می­تواند قطعیت مدل را افزایش دهد. در این تحقیق با ترکیب مدل برنامه­ریزی بیان ژن (GEP) و مدل سری زمانی مبتنی بر واریانس ناهمسان شرطی (GARCH) سعی در ارائه مدلی ترکیبی برای پیش­بینی خشکسالی شده است. بدین منظور پیش­بینی خشکسالی در ایستگاه سلماس با استفاده از شاخص خشکسالی SPEI در گام­های زمانی مختلف در طی دوره آماری 35 ساله و با پنج مدل ورودی مختلف شامل مقادیر شاخص SPEI از یک تا پنج گام زمانی تأخیر، مورد بررسی قرار گرفت. نتایج نشان داد که روش GEP در مقیاس زمانی کوتاه­مدت شاخص SPEI از دقت مناسب برخوردار نمی­باشد و با افزایش مقیاس زمانی عملکرد مدل بهبود پیدا می­کند. نتایج مدل ترکیبی نشان داد که خطای مدل GEP در همه مقیاس­های زمانی کاهش پیدا می­کند و این بهبود عملکرد در مقیاس­های زمانی کوتاه­مدت ملموس­تر می­باشد به‌نحوی‌که ضریب همبستگی در مقیاس زمانی سه‌ماهه در مدل ساده GEP از 622/0 به 891/0 در مدل ترکیبی افزایش پیدا کرده است.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

پیش‌بینی تبخیر-تعرق مرجع ایستگاه سینوپتیک اهواز با استفاده از مدل ترکیبی موجک – شبکه عصبی GMDH

سابقه و هدف: تخمین دقیق مقدار تبخیر-تعرق مرجع برای انجام بسیاری از تحقیقات ضروری و از مهم‌ترین مسائل در طرح‌های آبیاری و زهکشی و منابع آب به شمار می‌رود. یکی از این مسائل که می‌تواند در راستای اهداف ذکرشده اعمال شود، پیش‌بینی تبخیر-تعرق مرجع برای آینده است تا بتوان با برنامه‌ریزی‌های مناسب، امکان استفاده بهتر از منابع موجود را فراهم نمود (7). در سال‌های اخیر استفاده از روش‌های هوش مصنوعی و مدل ...

full text

ارزیابی کارایی مدل درخت تصمیم ‌رگرسیونی در پیش‌بینی خشکسالی نمونة موردی: ایستگاه سینوپتیک سنندج

     برای مطالعة خشکسالی روش‌های مختلفی وجود دارد. روش تحلیل داده‌های بارندگی، جزو عمومی روش های تحلیل خشکسالی به شمار می رود؛ لذا پیش‌بینی دقیق و پیش از وقوع بارش می تواند شرایط را برای ارزیابی وضعیت خشکسالی فراهم نماید. هدف این پژوهش، بررسی تأثیر پیش‌پردازشِ داده‌های بارش ماهانة ایستگاه سینوپتیک سنندج بر عملکرد مدل درخت تصمیم در پیش‌بینی خشکسالی در ایستگاه سینوپتیک سنندج می‌باشد. در این پژوهش ...

full text

مدل‌سازی و پیش‌‌‌بینی خشکسالی فصلی با استفاده از شاخص RDI و مدل‌های سری زمانی (مطالعۀ موردی: ایستگاه سینوپتیک تهران)

Drought is one of the most important natural hazards that should affect Agriculture and water resources. The frequency of its occurrence, especially in arid and semi-arid areas of Iran is very high. Therefore simulation and drought forecasting is necessary more than ever. This factor is importance in the planning and management of natural resources and water resources. In this study seasonal dr...

full text

پیش‌بینی وضعیت خشکسالی برای دوره‌های آتی با استفاده از مدل LARS-WG (مطالعه موردی: ایستگاه شیراز)

در این پژوهش به‌منظور شبیه­سازی اقلیم آینـده سال­های )1443-1397) بـرای محاسـبه شاخص خشک‌سالی در اسـتان فـارس، داده­های مورداستفاده شامل مقادیر روزانه­ی بارش، دمای کمینه، دمای بیشینه و ساعات آفتابی ایستگاه شیراز در یک دوره­ی 46 ساله (1349-1395) و به‌عنوان ورودی برای مدل آماری LARS-WG بود. برای شبیه­سازی پارامترهای اقلیمی در حوضه ایستگاه شیراز داده­های مدل HADCM3 با استفاده از مدل WG-LARS تحت دو ...

full text

پیش بینی خشکسالی با استفاده از شبکه ی عصبی مصنوعی مطالعه ی موردی : ایستگاه سینوپتیک شیراز

خشکسالی یک رویداد اقلیمی است که خصوصیات آن بستگی به مدت شدت و وسعت منطقه تحت تاٌثیر و تسلط آن دارد که می تواند کوتاه یا شدید باشد . منشاء آن کمبود بارش می باشد که منجر به کاهش ذخیره ی آبی و زیان اقتصادی می شود. موفقیت در کاهش خشکسالی به چگونگی تعیین خشکسالی بستگی دارد . با توجه به دقت کمتر و خطای بیشتر روش های آماری متداول در این پژوهش برای پیش بینی خشکسالی شهرستان شیراز از شبکه ی عصبی مصنوعی در...

15 صفحه اول

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 50  issue 6

pages  1317- 1329

publication date 2019-10-23

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023