بررسی کارآیی مدل های هیبرید شبکه عصبی مصنوعی- استوکاستیک در پیش-بینی خشکسالی های هیدرولوژیکی با استفاده از آماره کاپا (مطالعه موردی: حوزه آبخیز رودخانه گاماسیاب)

خشکسالی یک رخداد طبیعی تکرار شونده و موقتی است که ناشی از کاهش بارندگی نسبت به میانگین بلندمدت آن می باشد و می تواند در هر اقلیمی رخ دهد. از آنجائی که خشکسالی پدیده ای تصادفی و غیرخطی است، استفاده از مدل های استوکاستیک خطی، شبکه عصبی مصنوعی و مدل های هیبرید می تواند در توسعه نتایج پیش بینی مفید باشد. مطالعه حاضر به بررسی کارایی مدل های ARIMA، شبکه عصبی مصنوعی و مدل هیبرید آریما - شبکه عصبی مصنوعی در پیش بینی خشکسالی هیدرولوژی در دو مقیاس زمانی ماهانه و فصلی در دو ایستگاه هیدرومتری واقع در بخش میانی و خروجی در حوزه آبخیز گاماسیاب در دوره آماری (1353- 1387) می پردازد و شاخص SDI بعنوان شاخص پیش بینی کننده انتخاب گردید. بازه زمانی آماری (1353- 1379) برای مرحله واسنجی و 8 سال باقیمانده جهت مرحله صحت سنجی مدل ها مورد استفاده قرار گرفت. نتایج نشان می دهد، در میان سه مدل مورد استفاده جهت پیش بینی یک گام زمانی بعد، ترکیب مدل های شبکه عصبی- استوکاستیک (هیبرید) نتیجه مناسبی نسبت به مدل های مجزای آن ها در مقیاس ماهانه و فصلی دارد بطوری که مقادیر میانگین خطای نسبی و آماره کاپای این مدل در مقیاس زمانی ماهانه در ایستگاه پل چهر (بخش خروجی) به ترتیب% RME= 5/79 و K= 0.565 و در مقیاس زمانی فصلی در ایستگاه دوآب (بخش میانی) RME = 22% و K=0.231 است.