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.

نمونه ترجمه مقاله:دانلود ترجمه مقاله هوش مصنوعی

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).

با وجود اینکه میزان بارندگی سالانه مالزی بطور متوسط ​​2800 میلیمتر است، به هرحال،  کشور هنوز به  دوره های طولانی مدت خشکی و تقاضا برای عرضه آب شیرین منوط می شود؛ به ویژه در حوضه رودخانه لانات، که در آن شهرنشینی سریع  از شهر کوالالامپور افزایش یافته است (پور و همکاران، 2014). ENSO عمیقا تحت تاثیر شرایط آب و هوایی در مالزی و در جنوب شرقی آسیا قرار دارد.  یوسف و همکاران (2012) از روش Kriging برای تجزیه و تحلیل روند نزولی و صعودی در طی وقوع خشکسالی در شبه جزیره مالزی استفاده کردند. نتایج آنها نشان داد که مناطق عمده ای  در غرب مالزی منوط به  روند در حال افزایش  در کل  فصل خشک، به ویژه در مناطق شرقی و غربی می شود. آن برای بخش منابع آب برای پیش بینی شدت، میزان و مدت زمان خشکسالی بسیار ضروری است.  با آگاهی قبلی از شروع خشكسالي، اقدامات مناسب براي كاهش خسارات های مهم و سنگین می تواند بررسی شود. سری شاخص های خشکسالی دقیق و نمایشی در مورد شروع، میزان و پایان  حادثه خشکسالی  اجازه می دهد تا طرح های احتیاطی مناسب خشکسالی  ایجاد شود  (ساباش و همکاران 2011).

نظارت بر خشکسالی و هشدار زودهنگام مراحل  مهمی برای مدیریت خشکسالی هستند (باچمیر و همکاران، 2016). در میان روشها برای پیش بینی خشکسالی، استفاده از هوش مصنوعی (AI) عملکرد و دقت برجسته  را نشان می دهد (ماسیند، 2014؛ ازگر و همکاران 2011؛ بلاینه  و همکاران، 2014). انعطاف پذیری و سازگاری AI  در پیش بینی وقوع خشکسالی ها مفید است  که دوره ها، فرکانس ها و شدت ها مختلفی را تحمیل می کند؛ ویژگی هایی که به راحتی قابل شناسایی نیستند به طور موثر استفاده از روابط تجربی استفاده می کنند. شبکه های عصبی مصنوعی (ANN)،  منطق فازی (FL) و رگراسیون بردار پشتیبانی (SVR) نمونه هایی از مدل های AI  هستند  که می توانند برای پیش بینی سری زمانی مدل سازی بر اساس داده های تاریخی استفاده شوند (دجربوآی و سوآگ گامانه،2016) .