پيش‌بيني خشكسالي با استفاده از الگوريتم ژنتيك و مدل تركيبي شبكه عصبي- موجكي

Drought Forecasting Using Genetic Algorithm and Conjoined Model of Neural Network-Wavelet

خشكسالي به‌عنوان يكي از مهم‌ترين بلاياي طبيعي است كه ممكن است در هر رژيم آب و هوايي اتفاق بيفتد. از آنجا كه وقوع خشكسالي اجتناب ناپذير است، بنابراين شناخت آن به‌منظور مديريت بهينه منابع آب، از اهميت بسزايي برخوردار است. از موثرترين عوامل در تدوين طرحهاي مقابله با خشكسالي و مديريت آن، طراحي سيستم‌هاي پيش‌بيني خشكسالي است كه بتوان اثرات مخرب ناشي از آن را به حداقل رساند. به اين منظور در اين تحقيق براي پيش‌بيني خشكسالي‌هاي آتي، از تلفيق الگوريتم ژنتيك و مدل تركيبي شبكه عصبي-موجكي در تحليل شاخص بارندگي استاندارد شده، استفاده گرديد و در نهايت نشان داده شد كه به‌كارگيري روش تلفيقي مذكور در مقايسه با تلفيق الگوريتم ژنتيك و شبكه عصبي، نتايج مطلوبي را ارايه مي‌دهد.

Drought is one of the important natural disasters that may happen in any climate conditions. Since drought is inevitable phenomenon, therefore familiar with that natural disaster is very important for reliable water management. Drought prediction system design is one of the efficient ways that it can minimize the drought damages. In this research for predicting the coming drought, genetic algorithm and conjoined model of neural network-wavelet is used for analyzing standardized precipitation index. The results show that genetic algorithm and conjoined model of neural network-wavelet is more satisfactory than genetic algorithm and neural network.