نوع مقاله : مقاله پژوهشی

نویسندگان

• صدف پیری ¹
• محمد انصاری ²

¹ گروه احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، ایران

² استادیار، گروه مهندسی احیا مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران.

چکیده

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.

کلیدواژه‌ها

• رگرسیون فرآیند گاوسی
• مدل خودهمبسته میانگین متحرک
• مدل‌های پیش‌بینی
• مدل یادگیری ماشین

موضوعات

• خشکسالی