fa بررسی کارآیی مدل‌های هیبرید شبکه عصبی مصنوعی- استوکاستیک در پیش‌بینی خشکسالی‌های هیدرولوژیکی با استفاده از آماره کاپا (مطالعه موردی: حوزه آبخیز رودخانه گاماسیاب) تخصصي Special پژوهشي Research <p class="MsoNormal" dir="rtl" style="margin-bottom: 0.0001pt text-align: right line-height: normal direction: rtl unicode-bidi: embed"><b><span lang="FA" style="font-size: 12pt font-family: 'B Zar'"><!--stripped--> <!--stripped--></span></b></p> <p class="MsoNormal" dir="rtl" style="margin-bottom: 0.0001pt text-indent: 14.2pt line-height: normal direction: rtl unicode-bidi: embed"><b><span lang="FA" style="font-size: 12pt font-family: 'B Lotus'">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 </span></b><b><span dir="ltr" style="font-size: 12pt font-family: 'Times New Roman', serif">ARIMA</span></b><span dir="rtl"></span><span dir="rtl"></span><b><span lang="FA" style="font-size: 12pt font-family: 'B Lotus'"><span dir="rtl"></span><span dir="rtl"></span>، 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 </span></b><b><span dir="ltr" style="font-size: 12pt font-family: 'Times New Roman', serif">SDI</span></b><span dir="rtl"></span><span dir="rtl"></span><b><span lang="FA" style="font-size: 12pt font-family: 'B Lotus'"><span dir="rtl"></span><span dir="rtl"></span> 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% </span></b><b><span dir="ltr" style="font-size: 12pt font-family: 'Times New Roman', serif">RME=</span></b><b><span lang="FA" style="font-size: 12pt font-family: 'B Lotus'">و   565/0</span></b><b><span dir="ltr" style="font-size: 12pt font-family: 'Times New Roman', serif">K=</span></b><span dir="rtl"></span><span dir="rtl"></span><b><span lang="FA" style="font-size: 12pt font-family: 'B Lotus'"><span dir="rtl"></span><span dir="rtl"></span> و در مقیاس زمانی فصلی در ایستگاه دوآب (بخش میانی) 22% </span></b><b><span dir="ltr" style="font-size: 12pt font-family: 'Times New Roman', serif">RME=</span></b><b><span lang="FA" style="font-size: 12pt font-family: 'B Lotus'">و   232/0</span></b><b><span dir="ltr" style="font-size: 12pt font-family: 'Times New Roman', serif">K=</span></b><span dir="rtl"></span><span dir="rtl"></span><b><span lang="FA" style="font-size: 12pt font-family: 'B Lotus'"><span dir="rtl"></span><span dir="rtl"></span> است.<o:p /></span></b></p> <p class="MsoNormal" dir="rtl" style="margin-bottom: 0.0001pt line-height: normal"><span dir="ltr" style="font-size: 12pt font-family: 'Times New Roman', serif">Drought is a natural occurrence caused by repetitive and ephemeral that it is less rainfall than average long term and can occur in any climate. Since the drought phenomenon is stochastic and nonlinear, stochastic linear models, neural networks and hybrid models can be useful in the development forecasting results. This study models the performance of ARIMA, neural networks and hybrid models ARIMA prediction of hydrological drought in both monthly and seasonal time scale deals and SDI index is as a predictor of the watershed was selected Gamasiab in period (1353-1387). The period (1353 - 1379) used for calibration and the remaining 8 years used for verification in model. Results show that, among the three models used to predict one time step neural network models - stochastic (hybrid) models are suitable to the monthly and seasonal scales. So Kappa statistic values and the relative error of the model at monthly time scales Polchehr station (the outlet), respectively RME= 5/79  %, K= 0.565 and seasonal time scales Station Doab (the middle) RME = 22% and is K=0.232.<o:p /></span></p> <p class="MsoNormal" dir="rtl" style="margin-bottom: 0.0001pt line-height: normal"><span dir="ltr" style="font-size: 12pt font-family: 'Times New Roman', serif"><!--stripped--> <!--stripped--></span></p> خشکسالی هیدرولوژی, پیش‌بینی, مدل‌های هیبرید, شاخص SDI, حوزه آبخیزگاماسیاب : Hydrological drought, forecasting, Hybrid models, SDI, River basin Gamasiab. 35 48 http://jwmsei.ir/browse.php?a_code=A-10-1-200&slc_lang=fa&sid=1 ام البنین بذرافشان : O.Bazrafshan@hormozgan.ac.ir 10031947532846003459 10031947532846003459 Yes علی سلاجقه 10031947532846003460 10031947532846003460 No محمد مهدوی 10031947532846003461 10031947532846003461 No احمد فاتحی‌مرج 10031947532846003462 10031947532846003462 No