مقایسه کارایی مدل های آماری و مفهومی در پیش بینی خشک سالی هیدرولوژی (مطالعه موردی: حوزه آبخیز کرخه)

خشک سالی پدیده ای است که برای پیش بینی آن نمی توان از مدل مشخصی استفاده کرد. بر این اساس، محققان تلاش می کنند با استفاده از مدل های پیشرفته دقت پیش بینی ها را افزایش دهند. در این زمینه، مدل های استوکاستیک خطی، شبکه عصبی مصنوعی، و مدل های هیبرید می توانند در دقت پیش بینی مفید باشند. تحقیق حاضر به بررسی کارایی مدل های اتورگرسیو میانگین متحرک تجمعی (ARIMA)، شبکه عصبی مصنوعی مستقیم (DMSNN)، شبکه عصبی مصنوعی چندگامی بازگشتی (RMSNN)، مدل هیبرید آریما- شبکه عصبی مصنوعی چندگامی مستقیم (HSNNDM)، و مدل هیبرید آریما- شبکه عصبی مصنوعی چندگامی بازگشتی (HSNNRA) در پیش بینی خشک سالی هیدرولوژی در دو مقیاس زمانی ماهانه و فصلی می پردازد. شاخص استانداردشده جریان (SDI) به عنوان نمایه جریان و شاخص پیش بینی شونده در حوزه آبخیز کرخه انتخاب شد. نتایج این پژوهش نشان می دهد مدل هیبرید شبکه عصبی مستقیم- آریما (HSNNDA) نسبت به سایر مدل ها دارای عملکرد بهتری در پیش بینی SDI است و همچنین کارایی مدل در پیش بینی ماهانه بهتر از مقیاس فصلی است.