دانشگاه بیرجند-گروه پژوهشی خشکسالی وتغییراقلیم مجله پژوهش های خشکسالی و تغییراقلیم 3092-6076 مقالات آماده انتشار 2026 06 07 A Triple Hybrid Framework for Meteorological Drought Modeling in Khuzestan Province, Iran چارچوب ترکیبی سه‌گانه برای مدل‌سازی خشکسالی هواشناسی در استان خوزستان، ایران 4017 10.22077/jdcr.2026.11168.1222 FA صدف پیری گروه احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، ایران 0009-0006-9796-4974 محمد انصاری استادیار، گروه مهندسی احیا مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران. 0000-0003-0485-5551 Journal Article 2026 04 20 Meteorological drought forecasting is essential for sustainable water resources management and climate risk mitigation in arid and semi-arid regions. This study evaluates the performance of hybrid machine learning and time-series approaches for meteorological drought forecasting in Khuzestan Province, Iran. Monthly precipitation data collected from eight synoptic stations during the 1989–2020 period were used to calculate the Standardized Precipitation Index (SPI) at 1-, 3-, 6-, and 12-month time scales. The proposed hybrid framework integrates ARMA-based temporal dependency analysis, GPR nonlinear learning capability, and AF-based adaptive optimization to improve drought forecasting accuracy. Several standalone and hybrid forecasting models were evaluated using the correlation coefficient (R), root mean square error (RMSE), Nash–Sutcliffe efficiency (NS), and mean absolute error (MAE) indices. The results demonstrated that longer temporal scales, particularly SPI-12 and SPI-6, provided more reliable forecasting performance compared with shorter-term indices. Among the investigated models, the proposed triple hybrid framework achieved the highest predictive accuracy across most stations and SPI time scales. For example, under SPI-12 conditions at Bostan station, the proposed framework achieved R, RMSE, NS, and MAE values of 0.922, 0.177, 0.949, and 0.145, respectively, compared with 0.896, 0.215, 0.909, and 0.185 obtained by the ARMA-AF model. The findings highlight the potential of structured hybrid forecasting frameworks for improving meteorological drought prediction reliability in climatically complex regions. پیش‌بینی خشکسالی هواشناسی برای مدیریت پایدار منابع آب و کاهش ریسک اقلیمی در مناطق خشک و نیمه‌خشک ضروری است. این مطالعه عملکرد رویکردهای ترکیبی یادگیری ماشین و سری‌های زمانی را برای پیش‌بینی خشکسالی هواشناسی در استان خوزستان، ایران، ارزیابی می‌کند. داده‌های بارش ماهانه جمع‌آوری‌شده از هشت ایستگاه سینوپتیک در طول دوره 1989-2020 برای محاسبه شاخص بارش استاندارد (SPI) در مقیاس‌های زمانی 1، 3، 6 و 12 ماهه استفاده شد. چارچوب ترکیبی پیشنهادی، تحلیل وابستگی زمانی مبتنی بر ARMA، قابلیت یادگیری غیرخطی GPR و بهینه‌سازی تطبیقی ​​مبتنی بر AF را برای بهبود دقت پیش‌بینی خشکسالی ادغام می‌کند. چندین مدل پیش‌بینی مستقل و ترکیبی با استفاده از شاخص‌های ضریب همبستگی (R)، جذر میانگین مربعات خطا (RMSE)، کارایی نش-ساتکلیف (NS) و میانگین خطای مطلق (MAE) ارزیابی شدند. نتایج نشان داد که مقیاس‌های زمانی طولانی‌تر، به‌ویژه SPI-12 و SPI-6، عملکرد پیش‌بینی قابل اعتمادتری را در مقایسه با شاخص‌های کوتاه‌مدت ارائه می‌دهند. در میان مدل‌های بررسی‌شده، چارچوب ترکیبی سه‌گانه پیشنهادی بالاترین دقت پیش‌بینی را در اکثر ایستگاه‌ها و مقیاس‌های زمانی SPI به دست آورد. به عنوان مثال، تحت شرایط SPI-12 در ایستگاه بستان، چارچوب پیشنهادی به ترتیب به مقادیر R، RMSE، NS و MAE برابر با 0.922، 0.177، 0.949 و 0.145 دست یافت، در حالی که این مقادیر توسط مدل ARMA-AF به ترتیب 0.896، 0.215، 0.909 و 0.185 به دست آمد. این یافته‌ها پتانسیل چارچوب‌های پیش‌بینی ترکیبی ساختاریافته را برای بهبود قابلیت اطمینان پیش‌بینی خشکسالی هواشناسی در مناطق پیچیده اقلیمی برجسته می‌کند.