پديد آورندگان :
زارع پور ، هادي دانشگاه كاشان - دانشكده منابع طبيعي و علوم زمين - گروه بيابانزدايي، كاشان، ايران , ولي، عباسعلي دانشگاه كاشان - دانشكده منابع طبيعي و علوم زمين - گروه بيابانزدايي، كاشان، ايران , قرباني، حميد دانشگاه كاشان - دانشكده علوم رياضي - گروه آمار ، كاشان، ايران , ساداتي نژاد، جواد دانشگاه تهران - دانشكده علوم و فنون نوين - گروه انرژيهاي نو و محيط زيست، تهران، ايران , علوي نيا، حسن دانشگاه كاشان - دانشكده منابع طبيعي و علوم زمين - گروه آبخيزداري، كاشان، ايران
كليدواژه :
شاخص معيار استاندارد , مدل ساريما , ماشين هاي يادگيري افراطي , شبكه عصبي مصنوعي پيش خور , پرسپترون چندلايه
چكيده فارسي :
خشكسالي هواشناسي رخدادي طبيعي، پيچيده ومخرب است كه در كل كره زمين مشاهده مي شود. پيش بيني وقوع و شدت خشكسالي مي تواند در مديريت بحران آب و خسارت ناشي از آن موثر باشد. هدف از پژوهش حاضر انتخاب مناسب ترين مدل، از بين مدل هاي آماري و هوش مصنوعي براي پيش بيني خشكسالي در ايستگاه همديدي اصفهان در دوره آماري 1990 تا 2020، با استفاده از شاخص معيار استاندارد (ZSI) مي باشد. در اين مطالعه قابليت و كارآيي مدل خطي تصادفي SARIMA و سه مدل پيشرفته ماشين يادگيري؛ شبكه عصبي مصنوعي پيش خور (FNNs)، پرسپترون چندلايه (MLP)، ماشين هاي يادگيري افراطي (ELM)، بر اساس معيار ريشه ميانگين مربعات خطا (RMSE)، ميانگين مجذور خطاي مطلق (MASE) و ميانگين قدر مطلق خطاها (MAE) مورد ارزيابي قرار گرفت، نتايج نشان داد كه از بين انبوه مدل هاي ساخته شده مدل شبكه عصبي مصنوعي پيش خور (FNN) با مقادير RMSE برابر 0.33، MASE برابر 0.02 و MAE برابر 0.22 بهترين مدل پيش بيني است. با استفاده از مدل برتر، بارش 60 ماه آينده ايستگاه همديدي اصفهان از سال 2021 تا سال 2025 پيش بيني شد. سپس، شدت خشكسالي داده هاي بارش پيش بيني شده بر اساس شاخص خشكسالي ZSI در مقياس هاي زماني 3، 6، 9، 12، 18 و 24 ماهه محاسبه شد. نتايج ارزيابي شدت خشكسالي هاي پيش بيني شده نشان داد، در مقياس هاي زماني 3 و 6 ماهه در سال هاي 2021 و 2023 و در مقياس هاي زماني 9 و 18 ماهه در سال 2024 خشكسالي شديد، خشكسالي متوسط در همه مقياس هاي زماني در سال 2024 و خشكسالي ضعيف در مقياس هاي زماني 3 ، 6 و 24 ماهه در سال هاي 2024 و 2025 اتفاق خواهد افتاد. در مجموع نتايج نشان داد كه استفاده از مدل شبكه عصبي پيش خور داراي كارآيي بيشتري است. از آن جا كه پيش بيني انجام شده در همه مقياس هاي زماني مي تواند خشكسالي را با وضوح بيشتري آشكار كند، اين پيش بيني به نوبه خود براي تسهيل در توسعه راهبردهاي مديريت منابع آب موثر است.
چكيده لاتين :
Meteorological drought is a complex natural disaster that occurs everywhere in the world. Predicting the occurrence and severity of drought can be effective in managing water crises and their impacts. The purpose of the current study is to select the most appropriate model from statistical models and artificial intelligence (artificial neural networks) to predict drought in Isfahan synoptic station during the span period of 1990-1920 using the Z-Score index (ZSI). In this study, the capability and efficiency of the SARIMA stochastic linear model and three advanced learning machine models of the Feedforward Neural Networks (FNNs), Multi-layer Perceptron (MLP), and Extreme Learning Machines (ELM) were evaluated based on Root Mean Squared Error (RMSE), Mean Absolute Square Error (MASE) and Mean Absolute Error (MAE). The results showed that among the many models made, the Feedforward Neural Networks (FNNs) model with RMSE of 0.33, MASE of 0.02, and MAE of 0.22 were selected as the best model. Using the superior model, precipitation for the period of 2025-2021 of Isfahan synoptic station was predicted, then based on the ZSI drought index, drought intensity of forecast precipitation data in 3, 6, 9, 12-month time scales, 18, and 24 months was calculated. The results of drought severity predicting showed that severe drought in 3 and 6 month time scales in 2021 and 2023 and in 9 and 18 month time scales in 2024, moderate drought in all time scales in 2024, and weak droughts occurred at the 3, 6, and 24-month time scales in 2024 and 2025, respectively. Overall, the results showed that the use of feed neural network model was more efficient. Since predicting drought at all time scales can reveals drought more accurately, this predicting in turn to facilitate the development of water resources management strategies for management of drought is effective.
