پیشبینی خشکسالی با استفاده از مدل ترکیبی GEP-GARCH(مطالعه موردی: ایستگاه سینوپتیک سلماس)
نویسندگان
چکیده مقاله:
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.
منابع مشابه
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 ...
متن کاملارزیابی 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 ...
متن کاملمدلسازی 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...
متن کاملپیشبینی 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 ...
متن کاملپیش 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 اولمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 50 شماره 6
صفحات 1317- 1329
تاریخ انتشار 2019-10-23
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
کلمات کلیدی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023