بررسی کارآیی مدل NAR در پیش‌بینی کوتاه‌مدت و بلند‌مدت خشکسالی در مناطق خشک

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانش آموخته کارشناسی ارشد مهندسی آبخیزداری، دانشکده منابع طبیعی و کویرشناسی، دانشگاه یزد، یزد، ایران.

2 استادیار، گروه مرتع و آبخیزداری، دانشکده منابع طبیعی و کویرشناسی، دانشگاه یزد، یزد، ایران.

چکیده

در مدیریت منابع آب، پیش­بینی خشکسالی در مناطق خشک اهمیت زیادی دارد. چون به برنامه­ریزان فرصت می دهد تا برای کاهش تاثیر منفی خشکسالی، سازگاری با آن را برنامه­ریزی کنند.  با توجه به تغییرپذیری زیاد زمانی و مکانی بارش در این مناطق، فراوانی وقوع خشکسالی بیشتر  و مدل­سازی و پیش­بینی خشکسالی در این مناطق سخت­تر است. در پژوهش حاضر با توجه به ماهیت غیرخطی و چرخه­ای سری­های زمانی خشکسالی، از شبکه­های عصبی خود رگرسیون غیرخطی (NARs) برای پیش­بینی کوتاه­مدت و بلندمدت خشکسالی ایستگاه همدیدی یزد در دورۀ 2006 تا 2018 استفاده شد. همچنین شاخص RDI که علاوه بر بارش، تبخیر و تعرق پتانسیل را نیز در پایش خشکسالی در نظر می­گیرد، در سه مقیاس یک، سه و شش ماهه محاسبه گردید. تبخیر و تعرق پتانسیل با استفاده از روش فائو-پنمن-مانتیث محاسبه شد. نتایج پیش­بینی کوتاه مدت (یک ماهه) خشکسالی نشان­داد مدل کارآیی زیادی در پیش­بینی مقدارهای RDI سه و شش ماهه دارد. نتایج پیش­بینی بلند­مدت خشکسالی که بدون دسترسی مدل به داده­های واقعی خشکسالی در دورۀ 2006 تا 2018 انجام شد، نشان داد مقدار RDI در ماه­های خشک در مقیاس سه ماهه تطابق بهتری با مقدار واقعی نسبت به دیگر مقیاس­های زمانی دارد. برای ارتقا کارآیی مدل در پیش­بینی بلند مدت خشکسالی، مقدارهای بارش و تبخیر و تعرق پتانسیل به صورت بلندمدت و بدون دسترسی مدل به داده­های واقعی دوره 2006 تا 2018، پیش­بینی شد. سپس مقادیر RDI بر اساس داده­های پیش­بینی شده بارش و تبخیر و تعرق پتانسیل ، محاسبه گردید. نتایج نشان داد دقت پبش­بینی در مقیاس یک و سه ماهه افزایش می یابد. همچنین در مقیاس شش ماهه داده های RDI در ماه­های خشک با دقت بیشتری پیش­بینی شد.

کلیدواژه‌ها