الوصف
نظرًا لبطء التطور بمرور الوقت ، غالبًا ما يكون الجفاف ظاهرة تستغرق عواقبها وقتًا طويلاً فيما يتعلق ببدايتها لكي يدركها القطاع الاجتماعي والاقتصادي. تسمح هذه الميزة بالتخفيف من بعض آثار الجفاف ، بشرط وجود نظام مراقبة فعال لتوفير المعلومات لصانعي القرار. يمكن للرصد الفعال للجفاف أن يساعد بشكل كبير أنظمة الإنذار المبكر.
في أفريقيا جنوب الصحراء الكبرى ، تساهم المراقبة الفعالة لهطول الأمطار في تخصيص المساعدات خلال فترات الجفاف. يتمثل أحد الجوانب المهمة لرصد الجفاف وتطوير نظام إنذار مبكر في القدرة على التنبؤ بفعالية بأحداث الجفاف في المستقبل. يعد التنبؤ بأحداث الجفاف المستقبلية في منطقة ما أمرًا مهمًا للغاية لإيجاد حلول مستدامة لإدارة المياه وتقييم مخاطر حدوث الجفاف.
تم استخدام النماذج العشوائية المستندة إلى البيانات تقليديًا للتنبؤ بالجفاف. تعد نماذج المتوسط المتحرك المتكامل الانحدار الذاتي (ARIMA) أكثر النماذج العشوائية استخدامًا للتنبؤ الهيدرولوجي بالجفاف. النماذج العشوائية هي نماذج خطية ومحدودة في قدرتها على التنبؤ بالبيانات غير الخطية.
للتنبؤ بالبيانات غير الخطية بشكل فعال ، بدأ الباحثون في العقدين الماضيين بشكل متزايد في استخدام الشبكات العصبية الاصطناعية (ANNs) للتنبؤ بالبيانات الهيدرولوجية. استخدمت الشبكات العصبية الاصطناعية في عدد من الدراسات كأداة للتنبؤ بالجفاف.
في هذا المشروع ، نستخدم شبكة Feedforward الاصطناعية العصبية كنموذج للتنبؤ بالجفاف SPI.
إدخال البيانات في ملف اكسل ، والذي تم جمعه من محطة. يحتوي هذا الملف على الفهرس التالي:
سنة شهر هطول الأمطار EDI NAO SOI
السنة الشهر مؤشر SPI الهطول NAO SOI
يتم استخدام سبعين بالمائة من البيانات لبيانات التدريب وثلاثين بالمائة لبيانات الاختبار.
code_ANN_no_hiddden_neuron.m
في هذا الكود ، يتم استخدام Simple ANN بدون طبقة مخفية.
code_ANN_change_hiddden_neuron.m
في كود MATLAB هذا ، تم العثور على أفضل عدد من الخلايا العصبية في الطبقة المخفية في حلقة.
code_haar_no_hiddden_neuron.m
في هذا الكود ، يتم استخدام تحويل haar wavelet مع ANN.
code_haar_no_hiddden_neuron_change_level.m
أحد العوامل المهمة في المويجة هو المستوى. في هذا الكود ، نجد أفضل مستوى للتحويل المويج في حلقة.
Long-term SPI drought forecasting by Support Vector Regression
المراجعات
لا توجد مراجعات بعد.