پیش بینی خشکسالی هواشناسی، هیدرولوژیکی و کشاورزی مبتنی بر روش موجک در تهران

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانش آموخته کارشناسی ارشد رشته مهندسی و مدیریت منابع آب/ واحد اسلامشهر، دانشگاه آزاد اسلامی، اسلامشهر، ایران

2 گروه مهندسی عمران/ واحد اسلامشهر، دانشگاه آزاد اسلامی، اسلامشهر، ایران

چکیده

باتوجه به تعاریف متعددی که از خشکسالی مطرح گردیده است دسته بندی‌های مختلفی از خشکسالی وجود دارد که عبارتند از خشکسالی هواشناسی، هیدرولوژیکی و کشاورزی. با عنایت به خسارت‌های سنگینی که توسط بروز پدیده‌ی خشکسالی به بشر تحمیل می‌گردد، پیش‌بینی هرچه دقیق‌تر خشکسالی از اهمیت ویژه‌ای برخوردار است. روش تلفیقی موجک-شبکه‌عصبی یکی از روش‌های بسیار دقیق برای این مهم می‌باشد. یک عامل مهم و تاثیر‌گذار در نتایج تبدیلات موجک، استفاده از موجک مادر مناسب می‌باشد. هدف از این پژوهش تعیین موجک مادر بهینه برای پیش‌بینی دقیق‌تر انواع خشکسالی می‌باشد. بدین منظور از داده‌های بارش روزانه، دبی روزانه و تصاویر ماهواره‌ای مربوط به شهر تهران از سال1969 تا سال 2016 به عنوان داده‌های خام برای محاسبه‌ی شاخص‌ها استفاده گردید. برای پیش‌بینی خشکسالی‌ها از روش تبدیلات موجکWT و شبکه عصبی PNN توامان استفاده گردید. از هر سری زمانی خشکسالی تبدیلات موجک با استفاده از موجک haar وbior1.1 گرفته شد و پیش‌بینی توسط شبکه‌ی عصبی انجام پذیرفت. نتایج پیش‌بینی با استفاده از موجک مادر haar نشان داد ضریب همبستگی برای خشکسالی‌های هواشناسی، هیدرولوژیکی و کشاورزی به ترتیب 68039/0، 76271/0 و 92697/0 می‌باشد. سپس پیش‌بینی هر نوع خشکسالی با موجک مادر bior1.1 انجام پذیرفت و مشخص شد ضریب همبستگی برای خشکسالی هواشناسی، هیدرولوژیکی و کشاورزی به ترتیب 71169/0، 74147/0و 82049/0 می‌باشد. نتایج کلی نشان داد که موجک مادرbior1.1 برای پیش‌بینی خشکسالی هواشناسی بهتر ظاهر شده و نتایج بهتری را در اختیار ما قرار می‌دهد. اما در خصوص پیش‌بینی دو نوع خشکسالی هیدرولوژیکی و کشاورزی موجک مادر haar نتایج بهتری در اختیار ما قرار می‌دهد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Meteorological, Hhydrological And Agricultural Droughts Prediction Using Wavelet Method In Tehran

نویسندگان [English]

  • MohammadHosein Mashayekhi 1
  • Mahmoud Zakeri Niri 2
1 Water Resources Management and Engineering Graduated, Islamshahr Branch, Islamic Azad University, Islamshahr, Iran
2 Department of Civil Engineering, Islamshahr Branch, Islamic Azad University, Islamshahr, Iran
چکیده [English]

According to the heavy damage caused to humans by the occurrence of drought, it is important to predict the drought as accurately as possible.The wavelet-neural network integration method is one of the most accurate methods for this important.There are several categories of drought, including meteorological,hydrological,and agricultural drought.In this study,authors was tried to determine the optimal wavelet for predicting different types of drought.daily precipitation data,daily discharge,and satellite imageryrelated to Tehran from 1969 to 2016 were use as raw data to calculate the indicators.The wave transformations (WT) conversion method and PNN neural network have been used to predict droughts.From each time series of drought, wavelet transformations were performed using haar and bior1.1waves,and the prediction was make by neural network.It was found that the regression coefficient and error concentration for meteorological drought using haar wave are 0.68and 0.033and regression coefficient and error concentration for hydrological drought using haar wave are 0.76and0.066and regression coefficient and error concentration for agricultural drought using haar wave are 0.9269and0.1515.Then, the prediction of any kind of drought was done with bior1.1wave and it was found that the regression coefficient and error concentration for meteorological drought using bior1.1wave are 0.7116and 0.992.and the regression and concentration coefficientThe error for hydrological drought using bior1.1wave is0.14147and 0.0329and the regression and error concentration coefficient for agricultural drought using bior1.1 wave are0.82049and0.0016.The results showed that for meteorological drought, the bior1.1wave appeared better and gave us better results.But in two types of hydrological and agricultural droughts,it was found that the haar wave gives us better results.

کلیدواژه‌ها [English]

  • Wavelet Transform (WT). standardized runoff index (SRI)
  • Normalized Difference Vegetation Index(NDVI)
  • Haar Wave Bior1.1 Wave