@article { author = {Afkhami, Hamideh and ekhtesasi, Mohammadreza and mohammadi, Mozhdeh}, title = {Effect of input variables preprocessing in SPI(Standardized Precipitation Index) prediction using artificial neural network and wavelet transformation}, journal = {Iranian Journal of Range and Desert Research}, volume = {22}, number = {3}, pages = {570-582}, year = {2015}, publisher = {Research Institute of Forestes and Rangelands}, issn = {1735-0875}, eissn = {2383-1138}, doi = {10.22092/ijrdr.2015.103116}, abstract = {}, keywords = {}, title_fa = {تاثیر پردازش متغیرهای ورودی شاخص بارش استاندارد در پیش‌بینی خشکسالی در شبکه‌های عصبی مصنوعی با استفاده از تبدیل موجک}, abstract_fa = {خشکسالی یک رویداد طبیعی است که می‌تواند خسارات قابل توجهی را به زندگی بشر وارد سازد. پیش‌بینی خشکسالی نقش موثری را در مدیریت منابع آب ایفا می‌کند. در این تحقیق به‌منظور پیش‌بینی خشکسالی سه مدل ترکیبی از انواع شبکه‌های عصبی و تبدیل موجک ارائه شده است و سپس با استفاده از این مدل‌ها، شاخص بارش استاندارد (SPI) برای 12 ماه آینده در ایستگاه سینوپتیک یزد پیش‌بینی گردیده است. شبکه‌های عصبی مصنوعی توانایی بالایی در پیش‌بینی سری‌های زمانی غیرخطی دارند. تبدیل موجک نیز با تجزیه سری‌های زمانی اصلی به سیگنال‌های فرعی منجر به وضوح بهتر آنها می‌گردد. در تحقیق حاضر با استفاده از مدل‌های ترکیبی، که شامل شبکه‌های پرسپترون موجکی(MLP-W)، شبکه‌های برگشتی موجکی(TR-W) و شبکه‌های برگشتی با تاخیر زمانی موجکی (TLRN-W) می‌باشند، به پیش‌بینی سیگنال‌های فرعی حاصل از تبدیل موجک پرداخته شده است. همچنین به‌منظور بررسی تاثیر تبدیل موجک در عملکرد مدل‌های ترکیبی، نتایج حاصل از این مدل‌ها با نتایج بدست آمده از مدل‌های شبکه عصبی منفرد مقایسه و کارایی آنها با استفاده از برخی آماره‌های ارزیابی اندازه‌گیری شده است. در نهایت، نتایج بدست آمده از مدل‌های ترکیبی، ضریب همبستگی بالاتر و خطای پایین‌تری را نسبت به مدل‌های منفرد، نشان داده‌اند. ضریب همبستگی در بهترین مدل ترکیبی (TLRN-W) حدود 977/0 و RMSE وMAE بترتیب 05/0 و020/0 بدست آمد در حالی‌که این مقادیر در بهترین مدل منفرد (TLRN) بترتیب برابر با 895/0 ، 07/0 و020/0 اندازه‌گیری گردید. در مجموع یافته‌های این تحقیق، بهبود کارایی شبکه‌های عصبی در پیش‌بینی شاخص خشکسالی را با استفاده از تبدیل موجک  نشان می‌دهند.}, keywords_fa = {پیش‌بینی خشکسالی,شاخص خشکسالی SPI,تئوری موجک,شبکه‌های عصبی مصنوعی,ایستگاه یزد}, url = {https://ijrdr.areeo.ac.ir/article_103116.html}, eprint = {https://ijrdr.areeo.ac.ir/article_103116_9ecd891fc00b5f6534ea0e7e7cc10197.pdf} }