TY - JOUR T1 - Comparison of Artificial Neural Networks, Bayesian Network and Gene Expression Programming in Drought Prediction (Case Study: Maragheh Synoptic Station) TT - مقایسه روش های شبکه های عصبی مصنوعی، شبکه بیزین و برنامه ریزی بیان ژن در پیش بینی خشکسالی (مطالعه موردی: ایستگاه سینوپتیک مراغه) JF - jwmr JO - jwmr VL - 11 IS - 21 UR - http://jwmr.sanru.ac.ir/article-1-965-fa.html Y1 - 2020 SP - 59 EP - 71 KW - Drought KW - Intelligent Model KW - Prediction KW - SPEI KW - Maragheh N2 - خشکسالی جزء جدایی­ ناپذیر هر اقلیمی محسوب می­ گردد که تأثیرات مهمی بر بخش­ های مختلف جامعه دارد و سبب افزایش فشار بر منابع آبی می ­گردد. لذا پیش ­بینی وضعیت آتی آن می ­تواند به برنامه ­ریزان و تصمیم گیران در بخش­های مختلف کمک شایانی نماید. در این تحقیق جهت پیش­ ینی خشکسالی در مقیاس­های زمانی مختلف شاخص خشکسالی بارش و تبخیر تعرق استاندارد (SPEI) از 5 ورودی مختلف شامل مقادیر شاخص SPEI با تأخیرهای یک تا 5 ماهه استفاده و سپس از سه روش هوشمند شامل برنامه ­ریزی بیان ژن (GEP)، شبکه بیزین (BN) و شبکه عصبی مصنوعی (ANN) جهت پیش­ بینی مقادیر آتی استفاده گردید. نتایج نشان داد که هر سه روش در مقیاس زمانی کوتاه­ مدت شاخص SPEI از دقت مناسب برخوردار نمی ­باشند به طوری که بهترین عملکرد در مقیاس زمانی یک ماهه مربوط به مدل شبکه بیزین با ضریب همبستگی 142/0 و در مقیاس سه ماهه مربوط به روش ANN با ضریب همبستگی 704/0 می ­باشد. نتایج همچنین نشان داد که دقت پیش­ بینی­ مدل با افزایش مقیاس محاسبه SPEI رابطه مستقیم دارد و با افزایش مقیاس زمانی SPEI، دقت پیش ­بینی افزایش پیدا می­ کند. همچنین هر سه روش در مقیاس­های زمانی بلندمدت از عملکرد مناسبی برخوردار می­ باشند. واژه­های کلیدی: پیش­بینی، خشکسالی، مراغه، مدل هوشمند، شاخص SPEI M3 10.52547/jwmr.11.21.59 ER -