کاربرد مدل هوش مصنوعی برای پیش بینی شاخص تبخیر تعرق استاندارد بارندگی (SPEI)
چکیده
پیش بینی خشکسالی برای کاهش اثرات حوادث ناشی از خشکسالی در اقتصاد، گردشگری، کشاورزی و سیستم های منابع آب حیاتی است. این مقاله مدل پیشنهادی موجک-آرمیا-آن (WAANN) و جدیدترین مدل یعنی سیستم استنتاج فازی- نورو سازگاری-موجک (WANFIS) را برای پیش بینی شاخص تبخیر تعرق استاندارد بارش (SPEI) در حوضچه رودخانه لانگات برای مقیاس زمانی مختلف (1 ماهه، 3 ماهه و 6 ماه) انتخاب می کند. مدل پیش پردازش داده های ورودی با تجزیه موجک برای بهبود عملکرد مدل های پیشین انجام شد. SPEI تاریخی از سال 1976 تا 2007 در مدل های WANN و WANFIS برای پیش بینی SPEI برای دوره آزمون از 2008 تا 2015 استفاده شد. ضریب تعدیل شده تعیین (R2 adj)، خطای- مجذور- میانگین- ریشه (RMSE)، میانگین خطای مطلق (MAE)، شاخص توافق ویلیامات (d) و ضریب کارایی نکست-ساتکلیف (E) برای ارزیابی مدل ها استفاده شد. متوجه شدیم که دقت پیش بینی دو مدل با طول مقیاس زمانی بهبود یافته است. برای پیش بینی SPEI-1 (1- ماه) خطاهای مربوط به هر دو مدل نسبتا بالا بود. بر اساس مقادیر عملکرد و نمودارهای گرافیکی، مدل WAANN برای پیش بینی SPEI-3 و SPEI-6 بهتر است. مدل WANFIS پیش بینی رضایت بخش از پیش بینی خشکسالی میان مدت برای همه ایستگاه ها را دارد. مدل WANN در این مطالعه توسعه یافت، به هر حال، دقت بیشتری را برای هر دو، پیش بینی خشکسالی کوتاه مدت و میان مدت ارائه می دهد.
1. مقدمه
براساس میانگین بارندگی طولانی مدت (بارندگی طبیعی) برای یک حوضچه خاص، روند کاهش بارندگی، شروع خشکسالی را نشان می دهد (جلال کمالی و همکاران، 2015). رطوبت نسبی کم، دما، سرعت باد بالا، ویژگی های بارندگی شامل شدت، مدت بارش و توزیع بارش باران در مدت فصل رشد محصول از ویژگی های مهم خشکسالی می باشد (میشرا و سینگ، 2010). در تحقیقات قبلی گزارش شده است که شرایط ناشی از خشکسالی در این دوره فصلی از El Nino ایجاد شده است (همچنین به عنوان مرحله گرم نوسان جنوبی ال نینو شناخته شده است، ENSO) ال نینیو با کاهش باد های بسامان القا می شود و با افزایش دمای سطح زمین هماهنگ باشد، به نظر می رسد به طور متوسط هر 3-4 ساله رخ می دهد (پاز و همکاران، 2007).
ABSTRACT
Drought forecasting is a vital for mitigating the impact of drought events on the economy, tourism, agriculture and water resource systems. This paper adopts the proposed Wavelet-ARIMA-ANN (WAANN) model and the latest Wavelet-Adaptive Neuro-Fuzzy Inference System (WANFIS) model to predict the Standardized Precipitation Evapotranspiration Index (SPEI) at the Langat River Basin for different time scales (1-month, 3- months and 6-months). Model input data pre-processing with wavelet decomposition for improving the performance of the models was carried out apriori. The historical SPEI from 1976 to 2007 were used in the WAANN and WANFIS models for predicting the SPEI for the test period from 2008 to 2015. The Adjusted Coefficient of Determination (R2 adj), Root-Mean-Square-Error (RMSE), Mean Absolute Error (MAE), Willmott's Index of Agreement (d) and the Nash-Sutcliffe Coefficient of Efficiency (E) were used to assess the models. It was found that the prediction accuracy of the two models improved with time scale length. For the prediction of SPEI-1 (1- month), the errors associated with both models were considered relatively high. Based on the performance measures and graphical plots, the WAANN model is better for the prediction of SPEI-3 and SPEI-6. The WANFIS model had satisfactory prediction of the mid-term drought forecasting for all stations. The WAANN model developed in this study however, gives better accuracy for both, the short-term and mid-term drought forecasting.
1. Introduction
On the basis of the long-run average precipitation (normal precipitation) for a particular basin, the declining trend of precipitation indicates the initiation of droughts (Jalalkamali et al., 2015). Low relative humidity, temperatures, high wind velocity, rainfall characteristics including intensity, duration of precipitation and the distribution of rainfall during the crop growing seasons are important features of the droughts (Mishra and Singh, 2010). It has been reported in researches that the drought-induced conditions developed seasonally in the event of El Nino (also known as the warm phase of El Nino Southern Oscillation, ENSO). El Nino is induced by the reduction of trade winds and, in tandem with the increase of earth surface temperatures, appears to occur on the average, every 3–4 years (Paz et al., 2007).
چکیده
مقدمه
روش شناسی
بررسی منطقه و کسب داده
شاخص استاندارد تبخیر تعرق بارندگی (SPEI)
تبخیر تعرق بالقوه (PET)
محاسبه SPEI
ARIMA، ANN، ANFIS و مدل های تبدیل موجک گسسته
مدلهای ترکیبی
موجک (ARIMA-ANN (WAANN
سیستم استنتاج نورو- فاز پذیر موجک-سازگارپذیر (WANFIS)
ارزیابی عملکرد مدل
نتایج و بحث
آزمایشات همگنی
توسعه مدل
ارزیابی عملکرد مدل ها
نتیجه گیری
ABSTRACT
Introduction
Methodology
Study area and data acquisition
Standardized precipitation evapotranspiration index (SPEI)
ARIMA, ANN, ANFIS and discrete wavelet transform models
Hybrid models
Model’s performance evaluation
Results and discussion
Homogeneity tests
Model development
Models performance evaluation
Conclusions
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه