خشکسالی یک رخداد طبیعی تکرارشونده و موقتی است که ناشی از
کاهش بارندگی نسبت به میانگین بلندمدت آن میباشد و میتواند در هر اقلیمی رخ دهد.
از آنجائی که خشکسالی پدیدهای تصادفی و غیرخطی است ، استفاده از مدلهای
استوکاستیک خطی، شبکه عصبی مصنوعی و مدلهای هیبرید میتواند در توسعه نتایج پیشبینی
مفید باشد. مطالعه حاضر به بررسی کارایی مدلهای ARIMA، شبکه عصبی
مصنوعی و مدل هیبرید آریما - شبکه عصبی مصنوعی در پیشبینی خشکسالی هیدرولوژی در
دو مقیاس زمانی ماهانه و فصلی در دو ایستگاه هیدرومتری واقع در بخش میانی و خروجی
در حوزه آبخیز گاماسیاب در دوره آماری (1353- 1387) میپردازد و شاخص SDI
بعنوان شاخص پیشبینی کننده انتخاب گردید. بازه زمانی آماری (1353- 1379) برای
مرحله واسنجی و 8 سال باقیمانده جهت مرحله صحت سنجی مدلها مورد استفاده قرار
گرفت. نتایج نشان میدهد، در میان سه مدل مورد استفاده جهت پیشبینی یک گام زمانی
بعد، ترکیب مدلهای شبکه عصبی- استوکاستیک (هیبرید) نتیجه مناسبی نسبت به مدلهای
مجزای آنها در مقیاس ماهانه و فصلی دارد بطوریکه مقادیر میانگین خطای نسبی و
آماره کاپای این مدل در مقیاس زمانی ماهانه در ایستگاه پلچهر (بخش خروجی) به
ترتیب 79/5% RME=و 565/0K=
و در مقیاس زمانی فصلی در ایستگاه دوآب (بخش میانی) 22% RME=و 232/0K= است.
A Study of Efficiency of the Hybrid model Artificial Neural Network Models - Stochastic in Hydrological Drought Forecasting Using kappa Statistics (Case Study: Gamasiab Watershed Basin). jwmseir 2015; 8 (27) :35-48 URL: http://jwmsei.ir/article-1-475-fa.html
بذرافشان ام البنین، سلاجقه علی، مهدوی محمد، فاتحیمرج احمد. بررسی کارآیی مدلهای هیبرید شبکه عصبی مصنوعی- استوکاستیک در پیشبینی خشکسالیهای هیدرولوژیکی با استفاده از آماره کاپا (مطالعه موردی: حوزه آبخیز رودخانه گاماسیاب). مجله علوم ومهندسی آبخیزداری ایران. 1393; 8 (27) :35-48
به اطلاع کلیه نویسندگان ، محققین و داوران محترم می رساند:با عنایت به تصمیم هیئت تحریریه مجله علمی پژوهشی علوم و مهندسی آبخیزداری فرمت تهیه مقاله به شکل پیوست در بخش راهنمای نویسندگان تغییر کرده است. در این راستا، از تاریخ ۱۴۰۳/۰۱/۲۱ کلیه مقالات ارسالی فقط در صورتی که طبق راهنمای نگارش جدید تنظیم شده باشد مورد بررسی قرار خواهد گرفت.