بررسي كارآيي مدل NAR در پيش‌بيني كوتاه‌مدت و بلند‌مدت خشكسالي در مناطق خشك

Performance Analysis of NAR Model for Short and Long Term Drought Forecasting in Arid Regions

در مديريت منابع آب، پيش­‌بيني خشكسالي در مناطق خشك اهميت زيادي دارد. چون به برنامه­‌ريزان فرصت مي دهد تا براي كاهش تاثير منفي خشكسالي، سازگاري با آن را برنامه‌­ريزي كنند. با توجه به تغييرپذيري زياد زماني و مكاني بارش در اين مناطق، فراواني وقوع خشكسالي بيشتر و مدل­‌سازي و پيش‌­بيني خشكسالي در اين مناطق سخت‌­تر است. در پژوهش حاضر با توجه به ماهيت غيرخطي و چرخه‌­اي سري­‌هاي زماني خشكسالي، از شبكه‌­هاي عصبي خود رگرسيون غيرخطي (NARs) براي پيش­‌بيني كوتاه­‌مدت و بلندمدت خشكسالي ايستگاه همديدي يزد در دورۀ 2006 تا 2018 استفاده شد. همچنين شاخص RDI كه علاوه بر بارش، تبخير و تعرق پتانسيل را نيز در پايش خشكسالي در نظر مي­‌گيرد، در سه مقياس يك، سه و شش ماهه محاسبه گرديد. تبخير و تعرق پتانسيل با استفاده از روش فائو-پنمن-مانتيث محاسبه شد. نتايج پيش‌­بيني كوتاه مدت (يك ماهه) خشكسالي نشان­ داد مدل كارآيي زيادي در پيش­‌بيني مقدارهاي RDI سه و شش ماهه دارد. نتايج پيش­‌بيني بلند­مدت خشكسالي كه بدون دسترسي مدل به داده‌­هاي واقعي خشكسالي در دورۀ 2006 تا 2018 انجام شد، نشان داد مقدار RDI در ماه­‌هاي خشك در مقياس سه ماهه تطابق بهتري با مقدار واقعي نسبت به ديگر مقياس‌­هاي زماني دارد. براي ارتقا كارآيي مدل در پيش­‌بيني بلند مدت خشكسالي، مقدارهاي بارش و تبخير و تعرق پتانسيل به صورت بلندمدت و بدون دسترسي مدل به داده­‌هاي واقعي دوره 2006 تا 2018، پيش­‌بيني شد. سپس مقادير RDI بر اساس داده‌­هاي پيش­‌بيني شده بارش و تبخير و تعرق پتانسيل، محاسبه گرديد. نتايج نشان داد دقت پبش­‌بيني در مقياس يك و سه ماهه افزايش مي يابد. همچنين در مقياس شش ماهه داده هاي RDI در ماه­‌هاي خشك با دقت بيشتري پيش­‌بيني شد.

Drought forecasting is of particular importance in water resources management. Drought forecasting allows planners to schedule for reducing the negative impacts of drought as well as to adapt to it. Drought prediction is more important in arid regions. Because these areas are inherently water scares and the consequences of drought in these areas are more severe. Due to the high variabilities of the temporal and spatial distribution of precipitation in these areas, the frequency of drought is higher and results in more difficulty to model and predict drought. In this study, since drought time series is nonlinear and cyclic, nonlinear autoregressive neural networks (NARs) were used to predict short-term and long-term drought in Yazd synoptic station from 2006 to 2018. Reconnaissance Drought Index (RDI) which in addition to precipitation, considers potential evapotranspiration to monitor droughts, for one, three, and six months timescales was calculated. Potential evapotranspiration was calculated using the FAO-Penman-Monteith method. The results of short-term (one month) drought prediction presented that the model provides high performance in predicting three and six months RDI values. The results of long-term (13-years) drought forecasting (without access to real drought data from 2006 to 2018) indicated that RDI values in dry months show best fit to real values in three months’ timescale. To improve the efficiency of the model in the long-term drought forecasting, long-term precipitation and potential evapotranspiration (without model access to real data from 2006 to 2018) were predicted. RDI values were then calculated based on the predicted precipitation and potential evapotranspiration data. The results showed that the prediction accuracy increased in one and three months scales. Also, on six months’ timescale, RDI data were more accurately predicted in dry months.