مقایسه روش شبکه عصبی GMDH با مدل‌های رگرسیونی ARIMA در پیش‌بینی خشکسالی

پذیرفته شده برای پوستر

کد مقاله : 1283-CCSAMR (R1)

¹استادیار پژوهشی بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان کرمانشاه، ایران

²جهاد دانشگاهی کردستان

در این پژوهش، عملکرد روش شبکه عصبی مصنوعی نوع GMDH مبتنی بر الگوریتم ژنتیک با مدل‌های آماری سنتی مانند رگرسیون و سری زمانی در پیش‌بینی خشکسالی مقایسه شده است. برای این منظور، مجموعه‌ای از داده‌های اقلیمی شامل پارامترهایی نظیر دمای میانگین، رطوبت نسبی، ساعت آفتابی، بارش و سایر متغیرها جهت آموزش و آزمون مدل‌ها انتخاب گردید. به منظور سنجش شدت خشکسالی، از شاخص بارش استاندارد شده (SPI) استفاده شد. نتایج حاصل نشان داد مدل شبکه عصبی GMDH، با بهره‌گیری از قابلیت تطبیق و یادگیری ساختار بهینه، در کاهش خطا و افزایش دقت پیش‌بینی خشکسالی نسبت به مدل‌های آماری سنتی برتری محسوسی دارد. انطباق خروجی‌های مدل عصبی با داده‌های تجربی و شاخص‌های آماری، بیانگر کارایی بالای این روش در مدیریت بحران خشکسالی و برنامه‌ریزی منابع آب است.

شبکه عصبی GMDH؛ مدل‌های آماری سنتی؛ پیش‌بینی خشکسالی؛ الگوریتم ژنتیک؛ شاخص SPI