فهرست نشریات علمی دسترسی آزاد ایران

 پیش‌بینی خشکسالی نه تنها یکی از چالش­های اساسی کشور بلکه چالشی برای کشورهای دارای فناوری مدلسازی دینامیکی پیش‌بینی ماهانه است. با توجه به خسارت­های سنگینی که توسط بروز پدیده­ی خشکسالی به بشر تحمیل می­گردد، پیش­بینی هرچه دقیق­تر خشکسالی از اهمیت ویژه­ای برخوردار است. روش تلفیقی موجک- شبکه­عصبی یکی از روش­های بسیار دقیق برای این مهم می­باشد. یک عامل مهم و تاثیر­گذار در نتایج تبدیلات موجک، استفاده از موجک مادر مناسب می­باشد. هدف از این پژوهش تعیین موجک مادر بهینه برای پیش­بینی دقیق­تر انواع خشکسالی می­باشد. بدین منظور به ترتیب از داده­های بارش روزانه، دبی روزانه و تصاویر ماهواره­ای مربوط به شهر تهران از سال 1969 تا سال 2016 به عنوان داده­های خام برای محاسبه­ی سری زمانی خشکسالی هواشناسی، هیدرولوژیکی و کشاورزی استفاده گردید. برای پیش­بینی خشکسالی­ها از روش تبدیلات موجک WT1 و شبکه عصبی PNN2 توامان استفاده شد. از هر سری زمانی خشکسالی تبدیلات موجک با استفاده از موجک haar و bior1.1 گرفته شد و پیش­بینی توسط شبکه­ی عصبی انجام پذیرفت. نتایج پیش­بینی با استفاده از موجک مادر haar نشان داد ضریب همبستگی برای خشکسالی­های هواشناسی، هیدرولوژیکی و کشاورزی به ترتیب 68039/0، 76271/0 و 92697/0 می­باشد. سپس، پیش­بینی هر نوع خشکسالی با موجک مادر bior1.1 انجام پذیرفت و مشخص شد ضریب همبستگی برای خشکسالی هواشناسی، هیدرولوژیکی و کشاورزی  به ترتیب 71169/0، 74147/0 و 82049/0 می­باشد. نتایج کلی نشان داد که موجک مادر bior1.1 برای پیش‌بینی خشکسالی هواشناسی بهتر ظاهر شده و نتایج بهتری را در اختیار ما قرار می­دهد. اما در خصوص پیش­بینی دو نوع خشکسالی هیدرولوژیکی و کشاورزی موجک مادر haar نتایج بهتری در اختیار ما قرار می­دهد.