پیش بینی بلند مدت خشکسالی با استفاده از مدل های تلفیق داده و بررسی تاثیر سیگنال های بزرگ مقیاس اقلیمی

پایش و پیش بینی خشکسالی ها در افق های زمانی بلندمدت به ویژه تعیین دقیق زمان شروع و تداوم آن به دلیل نقش موثری که در مدیریت تخصیص منابع آب و کاهش اثرات مخرب می تواند داشتهباشد، حایز اهمیت است. خشکسالی به کاهش در مقدار متغیر های هیدرومتیورولوژیکی EDI در مقایسه با میانگین بلند مدت گفته می شود. این متغیر ها می توانند شامل بارش، رواناب، رطوبت خاک، توده های برف و سطح آب زیر زمینی باشند. با به کار گیری تکنیک های تلفیقداده می توان از قابلیت های مدل های منفرد مختلف پیش بینی با ترکیب خروجی های آن ها به طور همزمان بهره جست. در این مقاله هدف ارزیابی مقایسه ای عملکرد مدل های منفرد و تلفیقی در پیش بینی بلند مدت خشکسالی (شاخص های و (MSPIدر استان خوزستان، با استفاده از مدل های شبکه عصبی مصنوعی، موجک_شبکه عصبی، درخت تصمیم M5، فازی_عصبی و رگرسیون بردار پشتیبان می باشد. علاوه بر این سعی شده است تا تاثیر سیگنال های بزرگ مقیاس اقلیمی در پیش بینی ها بررسی شود. نتایج حاصل نشان می دهد که به طور کلی، بکارگیری تکنیک تلفیق داده و سیگنال های اقلیمی باعث بهبود نتایج شده است.