خشکسالی یکی از مهم‌ترین بلایای طبیعی است که اثرات مخرب و زیان‌باری در زمینه‌های مختلف اقتصادی، اجتماعی و زیست‌محیطی به‌جای می‌گذارد. با توجه به رفتار تکرارشوندگی این پدیده، در صورت عدم اجرای راهکارهای مناسب، آثار مخرب آن تا سال‌ها پس از وقوع می‌تواند در منطقه باقی بمان چکیده کامل
خشکسالی یکی از مهم‌ترین بلایای طبیعی است که اثرات مخرب و زیان‌باری در زمینه‌های مختلف اقتصادی، اجتماعی و زیست‌محیطی به‌جای می‌گذارد. با توجه به رفتار تکرارشوندگی این پدیده، در صورت عدم اجرای راهکارهای مناسب، آثار مخرب آن تا سال‌ها پس از وقوع می‌تواند در منطقه باقی بماند. اکثر بحران‌های طبیعی از قبیل سیل، زلزله، طوفان و رانش زمین در دوره‌ای کوتاه ممکن است خسارات سنگین مالی و جانی به جامعه وارد کنند، اما خشکسالی ماهیت آرام و خزشی دارد و آثار مخرب آن به‌تدریج و در مدت طولانی‌تری ظاهر می‌شود. ازاین‌رو با مدلسازی خشکسالی می‌توان طرح‌هایی جهت آماده‌سازی در مقابل خشکسالی و کاهش خسارات ناشی از آن ارائه کرد. در این پژوهش از الگوریتم‌های هوش محاسباتی شبکه عصبی پرسپترون چندلایه (Multi-Layer Perceptron)، شبکه عصبی رگرسیونی تعمیم‌یافته (Generalized Regression Neural Network)، رگرسیون بردار پشتیبان با کرنل گوسین (Support Vector Regression) و رگرسیون بردار پشتیبان با کرنل پیشنهادی (Support Vector Regression New kernel) جهت مدلسازی خشکسالی با در نظر گرفتن شاخص استانداردشده بارش Standardized Precipitation Index) ( استفاده شده است. نتایج مدل‌سازی‌ها در اغلب حالات بیانگر کارایی بهتر مدل پیشنهادی SVR_N نسبت به دیگر مدل‌ها بود که در SPI 48 ماهه بهترین دقت مدلسازی حاصل گردید و مقدار RMSE و R2 به ترتیب برابر 093/0 و 991/0 به دست آمد. همچنین مدل‌های GRNN، MLP و SVR به ترتیب بعد از SVR_N کارایی بهتری در مدلسازی از خود نشان دادند. نتایج این تحقیق بیانگر اهمیت انتخاب و بهینه‌سازی کرنل بر رفتار مدلسازی پدیده خشکسالی در مدلسازی به روش رگرسیون بردار پشتیبان است.
پرونده مقاله
پیشینه و هدف یکی از روش های کاهش جذب تشعشعات خورشیدی و جلوگیری از ایجاد جزایر حرارتی شهری، افزایش سایه توسط پوشش گیاهی است. به خصوص ایجاد سایه بر ساختمان ها که موجب خنک شدن خانه ها، کاهش مصرف انرژی و هزینه ها، افزایش ارزش خانه ها، ایجاد جلوه بصری مناسب و حس خوبی و چکیده کامل
پیشینه و هدف یکی از روش های کاهش جذب تشعشعات خورشیدی و جلوگیری از ایجاد جزایر حرارتی شهری، افزایش سایه توسط پوشش گیاهی است. به خصوص ایجاد سایه بر ساختمان ها که موجب خنک شدن خانه ها، کاهش مصرف انرژی و هزینه ها، افزایش ارزش خانه ها، ایجاد جلوه بصری مناسب و حس خوبی و سرزندگی می شود. هر چند از نظر اقتصادی میزان صرفه‌جویی رخ داده در اثر سایه و خنک شدن هوا برای یک درخت در طول عمر آن در نواحی آب و هوایی مختلف، متفاوت بوده و بستگی به نوع درخت، میزان سایه گستری آن در طول روز و در فصول مختلف سال دارد، اما اثر آن در صرفه جویی مصرف انرژی و هزینه ها قطعی است. موضوع تحقیق حاضر برنامه ریزی استراتژیک در خصوص افزایش پوشش سایه درختان در مناطق مسکونی شهری است. روشی ساده برای ایجاد سایه فراوان کاشت درختان متعدد در اطراف ساختمان ها است. اما این روش در بسیاری از مناطق که با مشکل کمبود آب مواجه اند، به دلیل هزینه های زیاد آن غیر عملی است. ضمن آن که وجود سایه های اضافی بر سطح بام ساختمان، موجب کاهش قابلیت در معرض تابش پرتوی خورشید قرار گرفتن بر سطح بام ساختمان ها و کاهش پتانسیل استفاده از پانل های خورشیدی بر سطح بام برای تولید الکتریسیته خواهد شد. اما چالش اصلی دست یابی به بیشترین مزایای سایه با استفاده از روشی است که بتواند با تعداد کمی درخت در نقاطی بهینه، پوشش سایه بیشینه بر سطح نما و پوشش سایه کمینه بر سطح بام را فراهم آورد. موضوع مکان یابی موقعیت درختان با هدف بهینه سازی پوشش سایه، یعنی بیشینه نمودن پوشش سایه بر سطح نما، درب و پنجره و کمینه نمودن پوشش سایه بر سطح بام، یک مسئله غیرقطعی سخت است و راه‌حل دقیق و قطعی ندارد. لذا از سیستم اطلاعات جغرافیایی سه بعدی و الگوریتم کلونی مورچه ها برای این منظور استفاده شده است. در پژوهش های گذشته شده اغلب اثرات سایه پوشش درخت بر یک ساختمان منفرد موردبررسی قرارگرفته است؛ درحالی‌که در این پژوهش به جای یک ساختمان منفرد یک بلوک ساختمانی، شامل چندین ساختمان متصل به یکدیگر، موردبررسی قرار می گیرد. زیرا در اکثر شهرهای ایران، ساختمان ها به هم چسبیده و تشکیل بلوک ساختمانی را می دهند. ضمن این که در بیشتر پژوهش های پیشین، اثر پوشش سایه حداکثر دو درخت بر روی ساختمان مورد بررسی قرارگرفته است؛ در حالی که در این پژوهش اثر پوشش سایه 15 اصله درخت را بر روی بلوک ساختمانی بررسی می نماییم. در هیچ‌یک پژوهش های انجام شده بهینه سازی پوشش سایه درختان بر سطح نمای ساختمان از روش بهینه سازی فرا-ابتکاری و ترکیب آن با GIS استفاده نشده است. در این پژوهش با رویکردی ترکیبی از GIS در یک محیط سه بعدی و روش فرا-ابتکاری ACO در مکان یابی استراتژیک تعداد مختلف درختان، با هدف بیشینه نمودن پوشش سایه درختان بر سطح نمای ساختمان ها و کمینه نمودن پوشش سایه درختان بر سطح بام استفاده می شود.مواد و روش هابرای انجام تحلیل ها دو نوع داده موردنیاز است. یکی مشخصات بلوک ساختمانی، برای مثال: ابعاد، موقعیت و اندازه نما، بام، درب و پنجره ها و دیگری مشخصات درخت (ارتفاع و موقعیت). برای مدل سازی مسئله بهینه سازی پوشش سایه درختان از GIS سه بعدی و الگوریتم ACO استفاده شده است. GIS سه بعدی قابلیت ذخیره سازی، تجزیه و تحلیل و ایجاد توپولوژی سه بعدی را فراهم نموده و ACO نیز برای خلاصه سازی شرایط دنیای واقعی در یک مسئله ریاضی استفاده شده است. برای ذخیره سازی اطلاعات مکانی و استخراج سطح پوشش، توپولوژی مکانی از GIS و قواعد مثلثاتی استفاده شده است. پس از ذخیره سازی موقعیت، ترکیب و اطلاعات توصیفی اشیا دو بعدی و سه بعدی توسط داده های توپولوژیکی، برای استخراج موقعیت سایه، ازنظر دافیه و بِکمن در 2013 استفاده شده است. سپس با توجه به نظر چرچ و ریوله مسئله مکان یابی پوشش حداکثری تعریف شده است. برای بهینه سازی مکانی سه بعدی به 3 دلیل ذیل از روش ACO استفاده می شود. دلیل اول مبتنی بر استفاده از قواعد مثلثاتی پیچیده فوق الذکر در محاسبه پوشش سایه بر روی ساختمان های مختلف و به خصوص استفاده از مدل سه بعدی پیچیده و با جزئیات کامل برای درخت و بلوک ساختمانی است. دلیل دوم مبتنی بر عدم وجود روشی قطعی برای حل این مسئله بهینه سازی با توجّه به قیود غیرخطی شامل توابع مثلثاتی و دلیل سوم مبتنی بر وجود فضای پیوسته اطراف بلوک ساختمانی است که در هر مکانی امکان قرارگیری درخت وجود دارد و لذا منجر به بی نهایت ترکیب از ترتیب چند درخت در فضای ممکن برای بررسی مسئله می گردد. جزئیات مراحل عبارت‌اند از؛ 1) تعریف مجموعه مکان های ممکن برای درخت بر اساس ارتفاع، قطر تاج، محوطه پیرامونی و چشم انداز بیرونی بلوک ساختمانی. 2) استفاده از روشی برای قرارگیری اولین درخت در تمام مکان های ممکن اطراف بلوک ساختمانی در طی ساعات گرم در روزهای مشخصی از فصل تابستان و محاسبه بیشترین پوشش سایه بر روی بلوک ساختمانی بر اساس وزن اجزا ساختمان. 3) حذف مکان های ممکن قرار گرفته در تاج درخت به منظور جلوگیری از همپوشانی تاج درختان و 4) تکرار مراحل 2 و 3 برای قرارگیری درختان بعدی در مکان های ممکن اطراف بلوک ساختمانی تا زمانی که تعداد درختان به تعداد درختان مورد نظر برای ایجاد سایه برسد. با توجه به این‌که بی نهایت مکان ممکن، یک مرحله ساده‌سازی و محدود کردن تعداد مکان های ممکن ضروری است. برای این منظور، فضای پیوسته به مجموعه مکان ممکن برای قرارگیری Ni درخت بافاصله 2 متری در راستای شمال-جنوب و شرق-غرب خلاصه شده است. ضمن آن‌که به منظور استفاده از روشنایی روز در ساختمان، امکان دید به بیرون از داخل ساختمان و امکان رفت و آمد از درب ها مکان های ممکن روبروی درب ها و پنجره ها حذف شده است. برای پرهیز از ایجاد سایه غیرضروری در بام، حداقل فاصله 2 متر درختان تا ساختمان در نظر گرفته شد.نتایج و بحث برای بهینه سازی پوشش سایه درختان با استفاده از الگوریتم بهینه سازی کلونی مورچه ها از محیط متلبMATLAB استفاده شد. برای این منظور ابتدای مدل بلوک ساختمانی مورد بررسی شامل طول، عرض، ارتفاع، در قالب ساختاری تعریف شده که دارای ماتریس های مجزایی برای نمای شمالی، شرقی، جنوبی و غربی بلوک ساختمانی است. برای تعریف بام بلوک ساختمانی نیز ماتریس دیگری استفاده شد. هر عنصر از ماتریس‌های مذکور معادل cm 10× 10 از سطح بلوک ساختمانی و دارای مقدار صفر است. برای مدل سازی ابعاد و محل قرارگیری درب و پنجره ها در هر نما، ساختاری دیگر شامل ماتریس های مجزا برای هر نما تعریف شده است که مقدار عناصر ماتریس در محل قرارگیری درب و پنجره ها برابر یک است. مدل درخت غالب منطقه، شامل ارتفاع و شعاع تاج درخت نیز تعریف گردید. مشخصات خورشید در منطقه مورد مطالعه، شامل آزیموت و ارتفاع خورشید در روزهای مورد مطالعه در بازه های زمانی 15 دقیقه ای از ساعت 9 تا 15 استفاده قرار گرفت. پس از قرارگیری درخت در هر یک از مکان های ممکن و حرکت خورشید، سایه ایجاد شده درختان بر هر نقطه از اجزای ساختمان، موجب تغییر مقدار عنصر ماتریس معادل آن نقطه از صفر به یک می‌گردد. مجموع مقادیر عناصر ماتریس، میزان سایه ایجاد شده توسط درخت را بر هریک از اجزای ساختمان را مشخص می کند. مجموع حاصل ضرب نقطه ای عناصر ماتریس درب و پنجره ها در عناصر ماتریس نما، مقدار سایه ایجاد شده بر درب و پنجره ها را مشخص می کند. برای بیشینه سازی پوشش سایه درختان بر سطح نما، درب/پنجره ها و کمینه سازی پوشش سایه بر سطح بام، تابع هدف تعریف و از الگوریتم ACO استفاده شده است. نتایج حاصل از روش ACO نشان می دهد حالت بهینه پوشش سایه درخت/درختان بر روی بلوک ساختمانی، که بیشترین سایه را بر روی نما و درب و پنجره ها و کمترین سایه را بر روی بام ایجاد نماید، بستگی زیادی به تعداد درختان و موقعیت درب و پنجره ها در نمای بلوک ساختمانی دارد. به طور کلی با افزایش تعداد درختان، میزان سایه ایجاد شده بر اجزای بلوک ساختمانی افزایش می یابد.نتیجه گیری نتایج حاصل روش ACO نشان داد که برای ساختمانی، در یک منطقه در نیمکره شمالی، درختان در شمال ساختمان تأثیری در ایجاد سایه بر اجزای ساختمان ندارند. با توجه به این‌که در مناطق خشک و گرمسیری محدودیت در کاشت درختان وجود دارد، یافتن موقعیت مناسب برای درختان نقش بسزایی در بهینه سازی پوشش سایه بر اجزای ساختمان دارد. با توجه به میزان انتقال گرمایی بالا از طریق درب و پنجره ها نسبت به نما و بام، و وزن بیشتر در نظر گرفته شده برای این اجزا در تابع هدف، یافتن موقعیت های بهینه درختان بستگی زیادی به موقعیت درب و پنجره ها در ساختمان دارد؛ تا بیشترین سایه را بر این اجزا ایجاد نمایند. برای بلوک ساختمانی با تعداد و ابعاد ساختمان های مفروض در پژوهش و با توجه به ابعاد و موقعیت درب و پنجره ها، کاشت یک درخت دریکی از موقعیت های K10، K16، K22 یا K28 که هر یک در فاصله 2 متری جنوب ساختمان و در حد وسط دو پنجره قرار دارد، بهینه ترین سایه را ایجاد می نماید. این درخت به طور میانگین از ساعت 9 تا 15 در چهار روز مورد بررسی، بر کل نما، درب/پنجره‌ها و بام ساختمان به ترتیب 7.48، 9.22 و 0.85 درصد سایه ایجاد می کند. در حالتی که کاشت دو درخت مدنظر باشد، بازهم دو موقعیت از موقعیت های K10، K16، K22 یا K28 بهینه ترین سایه را ایجاد می نماید. این دو درخت به طور میانگین از ساعت 9 تا 15 در چهار روز موردبررسی، بر کل نما، درب/پنجره‌ها و بام ساختمان به ترتیب 13.88، 18.64 و 1.69 درصد سایه ایجاد می کنند. در حالت سه درخت موقعیت های K8، K18 و K22، در حالت چهار درخت موقعیت های K14، K20، K26 و K32، در حالت پنج درخت موقعیت های K8، K14، K20، K26 و K32 بهینه ترین سایه را ایجاد می کنند. این موقعیت ها در فاصله 2 متری جنوب ساختمان قرار دارند. در حالت سه درخت به طور میانگین از ساعت 9 تا 15 در چهار روز موردبررسی، بر کل نما، درب/پنجره‌ها و بام ساختمان به ترتیب 21.07، 28.54 و 2.54 درصد، در حالت چهار درخت بر کل نما، درب/پنجره‌ها و بام ساختمان به ترتیب 24.96، 35.36 و 3.39 درصد و در حالت پنج درخت بر کل نما، درب/پنجره‌ها و بام ساختمان به ترتیب 33.26، 44.70 و 3.95 درصد، سایه ایجاد می‌شود. با کاشت پنج درخت بیش از 88 درصد نمای جنوبی و بیش از 90 درصد درب/پنجره های نمای جنوبی ساختمان تحت پوشش سایه قرار می گیرد. اما با توجه به هدف بهینه سازی سایه بر ساختمان و وزن بیشتر درب و پنجره ها، روش ACO موقعیت درختان را به گونه ای بهینه یابی کرده است که سطح بیشتری از درب و پنجره‌ها در معرض سایه قرار بگیرد. با توجه به این‌که در حالت پنج درخت، 90 درصد نمای جنوبی در سایه درختان قرار گرفت، در حالت شش درخت علاوه بر نمای جنوبی، نماهای شرقی و غربی نیز برای کاشت درخت در نظر گرفته شد. به طوری‌که موقعیت های K8، K14، K20 و K30 در فاصله دو متری نمای جنوبی و موقعیت H2 در فاصله 2 متری نمای غربی و موقعیت H36 در فاصله 2 متری نمای شرقی برگزیده شد. این درختان به طور میانگین از ساعت 9 تا 15 در چهار روز موردبررسی، بر روی نما، درب/پنجره‌های و بام به ترتیب 33.95، 42.29 و 3.64 درصد سایه ایجاد می کند.
پرونده مقاله
پیشینه و هدف بحران خشکسالی یک دوره خشک آب و هوایی است که در هر نقطه از جهان و با هر اقلیمی ممکن است رخ دهد. این بحران اگرچه به‌آرامی شروع می‌شود اما می‌تواند برای مدتی طولانی تأثیر جدی بر سلامت، محصولات کشاورزی، اقتصاد، انرژی و محیط‌زیست بگذارد. خشکسالی معیشت و سلامت چکیده کامل
پیشینه و هدف بحران خشکسالی یک دوره خشک آب و هوایی است که در هر نقطه از جهان و با هر اقلیمی ممکن است رخ دهد. این بحران اگرچه به‌آرامی شروع می‌شود اما می‌تواند برای مدتی طولانی تأثیر جدی بر سلامت، محصولات کشاورزی، اقتصاد، انرژی و محیط‌زیست بگذارد. خشکسالی معیشت و سلامت انسان‌ها را به‌شدت تهدید می‌کند و خطر ابتلا به انواع بیماری‌ها را افزایش می‌دهد. ازاین‌رو مدلسازی و پیش‌بینی خشکسالی از موضوعات مهم و جدی در جوامع علمی است. درگذشته از مدل‌های ریاضی و آماری مانند روش رگرسیون ساده، خودرگرسیون‌گیری (AR)، میانگین متحرک (MA) و نیز ARIMA جهت مدلسازی خشکسالی استفاده می‌شد. در سال‌های اخیر استفاده از روش‌های یادگیری ماشین و هوش محاسباتی جهت مدلسازی و پیش‌بینی خشکسالی بسیار موردتوجه دانشمندان بوده است. ازجمله از الگوریتم‌های هوش محاسباتی که توسط دانشمندان جهت مدلسازی خشکسالی قبلاً موردتوجه قرارگرفته است می‌توان به شبکه عصبی پرسپترون چندلایه، شبکه عصبی RBF، ماشین بردار پشتیبان، روش‌های فازی و فازی عصبی اشاره کرد. در این تحقیق هدف مدلسازی و پیش‌بینی خشکسالی با بهره‌گیری از سه الگوریتم شبکه عصبی شامل پرسپترون چندلایه، شبکه عصبی RBF و شبکه عصبی رگرسیون تعمیم‌یافته است. شاخص خشکسالی استفاده‌شده در این تحقیق شاخص استانداردشده بارش (SPI) است. در این تحقیق از تکنیک موجک در تلفیق با الگوریتم‌های شبکه عصبی مصنوعی جهت مدلسازی و پیش‌بینی خشکسالی در 10 ایستگاه سینوپتیک در کشور ایران (آبادان، بابلسر، بندرعباس، کرمان، مشهد، رشت، سقز، تهران، تبریز و زاهدان) در اقلیم‌های مختلف و با توزیع مکانی مناسب در کل کشور ایران استفاده‌شده است.مواد و روش ها در این تحقیق در ابتدا با استفاده از داده‌های بارش ماهانه بین سال‌های 1961 تا 2017 شاخص خشکسالی SPI در مقیاس‌های زمانی 3، 6، 12، 18، 24 و 48 ماهه از طریق برنامه‌نویسی در محیط نرم‌افزار MATLAB پیاده‌سازی شد. نتایج این مرحله با استفاده از نرم‌افزارهای علمی موجود MDM و Drinc صحت سنجی شد. در ادامه با استفاده از زنجیره مارکوف به طراحی مدل‌های پیش‌بینی پرداخته شد. در این تحقیق درمجموع از شش مدل هوش محاسباتی شامل سه مدل منفرد شبکه عصبی پرسپترون چندلایه (MLP)، شبکه عصبی تابع پایه شعاعی (RBF) و شبکه عصبی رگرسیون تعمیم‌یافته (GRNN) و سه مدل ترکیبی (هیبریدی) موجک با این سه مدل به‌صورت (WMLP-WRBF-WGRNN) جهت مدلسازی و پیش‌بینی شاخص SPI در 10 ایستگاه این تحقیق استفاده‌شده است. در پیاده‌سازی تمامی این شش مدل از محیط برنامه‌نویسی نرم‌افزار MATLAB استفاده‌شده است. در این تحقیق ابتدا از چهار نوع موجک گسسته شامل دابیشز (Daubechies)، سیملت (Symlets)، کویفلت (Coiflets) و دوضلعی (Biorthogonal) استفاده شد، به دلیل عملکرد بهتر موجک دابیشز، از این نوع موجک در تحقیق به‌عنوان گزینه نهایی استفاده شد. در موجک دابیشز استفاده‌شده در بین مرتبه‌های 1 تا 45، مرتبه 3 بهترین عملکرد را در بین مقیاس‌های زمانی مختلف SPI از خود نشان داد، به همین دلیل از موجک دابیشز مرتبه 3 در تمامی مدل‌های ترکیبی این تحقیق استفاده شد. بعد از آموزش همه شش الگوریتم استفاده‌شده نتایج با معیارهای ارزیابی ضریب تعیین (R2) و جذر میانگین مربعات خطا (RMSE) جهت اندازه‌گیری اختلاف بین مقادیر واقعی و برآورد شده استفاده‌شده است.نتایج و بحث نتایج این تحقیق نشان داد که روش‌های هوش محاسباتی دقت بالایی در مدلسازی و پیش‌بینی شاخص خشکسالی SPI دارند. در مرحله اول نتایج نشان داد که مدل‌های منفرد MLP، RBF و GRNN درصورتی‌که به‌طور صحیح آموزش داده شوند نتایجی نزدیک به هم در مدلسازی و پیش‌بینی شاخص خشکسالی SPI دارند. در مرحله بعد مشاهده شد که تکنیک موجک باعث بهبود نتایج مدلسازی خواهد شد. در استفاده از تکنیک موجک در تلفیق با سه مدل منفرد MLP، RBF و GRNN انتخاب نوع موجک نیز در مدلسازی بهتر مؤثر است، به‌نحوی‌که در این تحقیق ابتدا از چهار نوع موجک گسسته دابیشز، سیملت، کویفلت و دوضلعی در تلفیق با سه مدل منفرد این تحقیق استفاده شد که نتایج این چهار نوع موجک نشان از برتری نسبی موجک دابیشز نسبت به سه موجک دیگر بود. در استفاده از موجک دابیشز نیز از آنجایی این موجک 45 مرتبه دارد و انتخاب مرتبه نیز در مدلسازی مؤثر بود با آزمایش 45 مرتبه موجک مشاهده شد که موجک مرتبه 3 در حالت کلی دارای دقت بالاتری در تمامی مقیاس‌های زمانی شاخص SPI (3، 6، 12، 18، 24 و 48 ماهه) و نیز در هر سه الگوریتم MLP، RBF و GRNN دارد. ازاین‌رو در این تحقیق از موجک مرتبه سوم دابیشز در هر سه الگوریتم این تحقیق و نیز در همه مقیاس‌های زمانی استفاده شد. نتایج تحقیق نشان داد که تلفیق تکنیک موجک با هر سه مدل MLP، RBF و GRNN باعث بهبود نتایج خواهد شد. نمودارهای تحقیق نشان داد که برای مقیاس زمانی سه‌ماهه مقادیر به‌دست‌آمده از پیش‌بینی مدل منفرد در مدلسازی MLP و RBF تا حدودی دارای اختلاف‌فاز یک‌ماهه نسبت به مدل هیبریدی هست، درحالی‌که در مدل GRNN این اختلاف پیش‌بینی کم هست. نتایج مدلسازی برای هر دو حالت مدلسازی منفرد و هیبریدی بیانگر عدم وجود اختلاف‌فاز بین دو روش مدلسازی منفرد و هیبریدی درمقیاس‌های زمانی 6، 12، 18، 24 و 48 است. برای مقیاس زمانی 12 و 24 ماهه، مدل منفرد GRNN دارای نوسانات و خطای بیشتری در مدلسازی و پیش‌بینی ماهانه SPI بوده است درحالی‌که مدل هیبریدی در این دو مقیاس زمانی به‌مراتب رفتار بهتری در مدلسازی و پیش‌بینی ماهانه داشته است. نمودارهای پراکنش داده‌های مربوط به SPI مشاهداتی ایستگاه آبادان نشان داد که نتایج مدلسازی برای حالت منفرد و هیبریدی در مقیاس‌های زمانی 3 و 6 ماهه دقت کمتری نسبت به دیگر مقیاس‌های زمانی دارد و جدایی خط برازش و همچنین میزان عدم قطعیت آن بیشتر است. هرچند در همه مدل‌های شبکه عصبی و در تمامی مقیاس‌های زمانی روش هیبریدی دقت بیشتری از خود نشان داده است. نتایج عددی تحقیق نشان‌دهنده این است که در تمامی SPI ها و ایستگاه‌های موردمطالعه، مقادیر تفاضلی R2 مثبت است که بیانگر مقادیر بیشتر R2 مدل هیبریدی نسبت به مدل‌سازی‌های شبکه عصبی منفرد است که به نحوی نشان‌دهنده بهبود مدلسازی هیبریدی نسبت به مدل‌های منفرد است. همچنین مقادیر تفاضلی RMSE نیز در کلیه مدل‌های موردبررسی و ایستگاه‌های موردمطالعه منفی است که نشان‌دهنده کمتر بودن مقدار RMSE در پیش‌بینی مدل‌های هیبریدی نسبت به مدل‌های منفرد شبکه عصبی است. در گراف‌های تحقیق دیده می‌شود که مقدار اختلاف‌ها در RMSE و R2 بیانگر میزان اختلاف بیشتر در مقیاس‌های زمانی 3 و 6 نسبت به مقیاس‌های زمانی 12، 18، 24 و 48 است که به نحوی به ماهیت داده‌های این مقیاس‌های زمانی برمی‌گردد. به ترتیب بیشترین بهبود در مقدار R2 و RMSE از مقیاس پایین 3 ماهه به سمت مقیاس‌های زمانی بالاتر 48 ماهه است.نتیجه گیری از یافته‌های این تحقیق می‌توان نتیجه گرفت که الگوریتم‌های شبکه عصبی مصنوعی روش‌های کارآمدی در مدلسازی و پیش‌بینی شاخص خشکسالی SPI می‌باشند. همچنین استفاده از موجک در هر سه مدل شبکه عصبی مصنوعی باعث بهبود نتایج خواهد شد. همچنین می‌توان نتیجه گرفت که برای مدلسازی بهتر شاخص خشکسالی SPI لازم است نوع و مرتبه موجک بهینه انتخاب شود. از نتایج این تحقیق می‌توان نتیجه‌گیری کرد که تکنیک موجک تأثیر بیشتری در مقیاس‌های زمانی پایین‌تر یعنی 3 و 6 ماهه نسبت به مقیاس‌های بالاتر یعنی 24 و 48 ماهه دارد.
پرونده مقاله
