ارزیابی مدل های تلفیقی شبکه ی عصبی مصنوعی - موجک و برنامه ریزی بیان ژن-موجک در پیش بینی کردن خشک سالی کوتاه مدت

پیش بینی کردن خشک سالی نقش مهمی در طراحی و مدیریت کردن منابع طبیعی، سامانه های منابع آب و تعیین کردن نیاز آبی گیاه دارد. از سوی دیگر، تبدیل موجک یکی از روش های نوین و بسیار موثر در تجزیه کردن پیام ها و مجموعه های زمانی است. در این تحقیق پیام شاخص بارش معیار (SPI) با موجک مادر تجزیه کرده، و نتیجه ی آن ورودی مدل های شبکه ی عصبی مصنوعی و برنامه ریزی بیان ژن گرفته شد. برای پیش بینی کردن خشک سالی شبکه های عصبی مصنوعی شناسنده ی چندلایه، تابع پایه یی شعاعی، برنامه ریزی بیان ژن، شبکه های عصبی مصنوعی-موجک شناسنده ی چندلایه، تابع پایه یی شعاعی، و برنامه ریزی بیان ژن-موجک به کاربرده شد. داده های بارندگی از ایستگاه هواشناسی بیدستان با دوره ی داده برداری 44 ساله در آبخیز شور استان قزوین گرفته شد. وضعیت رطوبتی با شاخص بارندگی به معیارشده در دوره ی سه ماهه محاسبه کرده شد. برای تخمین مقدار شاخص بارندگی به معیارشده در هر بازه ی زمانی، اندازه های زمان های پیش تر به کاربرده شد. نتیجه ها نشان داد که از میان 6 مدل بررسی شده، برنامه ریزی بیان ژن-موجک با دقت بیش تری شاخص بارش معیار و وضعیت خشک سالی کوتاه مدت را پیش بینی می کند. در بهترین حالت نیز اندازه ی شاخص های R2</sup>، RMSE، MAE و NS در مرحله ی صحت سنجی برای مدل WA-GEP به ترتیب 0/911، 0/037، 0/022 و 0/845 بود.