| مقایسه روش شبکه عصبی GMDH با مدلهای رگرسیونی ARIMA در پیشبینی خشکسالی |
| کد مقاله : 1283-CCSAMR (R1) |
| نویسندگان |
|
جاهده تکیه خواه *، گلاله غفاری1، شلیر کاتورانی2 1استادیار پژوهشی بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان کرمانشاه، ایران 2جهاد دانشگاهی کردستان |
| چکیده مقاله |
| 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. |
| کلیدواژه ها |
| شبکه عصبی GMDH، مدلهای آماری سنتی، پیشبینی خشکسالی، الگوریتم ژنتیک، شاخص SPI |
| وضعیت: * پذیرفته شد، پوستر دریافت گردید، در لیست انتشار و صدور گواهی قرار گرفت |
