مدیریت بیابان

مدیریت بیابان

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

نوع مقاله : مقاله پژوهشی

نویسندگان
زهره ارجمندی هرات 1
محمد امین اسدی زارچ 2
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.
10.22034/jdmal.2021.246303
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 نشان­ داد 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
بارش
تبخیر و تعرق پتانسیل
فائو-پنمن-مانتیث
یزد
شاخص RDI
  1. Allen, R.G., Pereira, L.S., Raes, D., & Smith, M. (1998). Crop evapotranspiration. fao irrigation and drainage paper 56, Food and Agriculture Organization, Rome.
  2. Alsumaiei, A.A., & Alrashidi, M.S., (2020). Hydrometeorological drought forecasting in hyper-arid climates using nonlinearautoregressive neural networks. Water, 12(9), 2611.
  3. Asadi, M., (2019). Potential evapotranspiration prediction using nonlinear autoregressive model with exogenous input (NARX) (case study, Yazd Province, Iran). Aridbiome, 8(2), 37-49. (in Farsi)
  4. Asadi, M.A., Jamnezhad, F., Ekhtesasi, M.R., & Hosseini, S.Z. (2020). investigating the effects of drought and land-use changes on quantity and quality of groundwater resources: a case study of Darab plain. Desert Ecosystem Engineering Journal, 9(28), 89-102. (in Farsi)
  5. Asadi Zarch, M.A., (2017). Analyzing climate change effects on drought occurrence in Yazd province, Iran. Desert Management, 5(9), 74-90 (in Farsi).
  6. Asadi Zarch, M.A., Sivakumar, B. Sharma, A. (2015). Droughts in a warming climate: A global assessment of standardized precipitation index (SPI) and reconnaissance drought index (RDI). Hydrology, 526, 183–195.
  7. Bates, B.C., Kundzewicz, Z.W., Wu, S., Palutikof, JP. (2008). Climate change and water. Intergovernmental Panel on Climate Change, Geneva.
  8. T., Samanta, B., (2020). Wind speed forecasting using neural networks. Wind Engineering, 44(1), 33–48.
  9. Cheng H., Tan PN., Gao J., Scripps J. (2006). Multistep-ahead time series prediction. In: Ng WK., Kitsuregawa M., Li J., Chang K. (eds) Advances in Knowledge Discovery and Data Mining. PAKDD 2006. Lecture Notes in Computer Science, vol 3918. Springer, Berlin, Heidelberg.
  10. Dai, A. (2011). Drought under global warming: a review. WIREs Climate Change, 2(1), 45-65.
  11. Djerbouai, S., & Souag-Gamane, D. (2016). Drought Forecasting Using Neural Networks, Wavelet Neural Networks, and Stochastic Models: Case of the Algerois Basin in North Algeria. Water Resources Management, 30, 2445–2464.
  12. Dong, G., Fataliyev, K., Wang, L., (2013). One-step and multi-step ahead stock prediction using backpropagation neural networks. 9th International Conference on Information, Communications & Signal Processing, pp. 1-5.
  13. Eivazi, M., Mosaedi, A., Dehghani, A.A., (2012). Comparison of different approaches for predicting SPI. Water and Soil Conservation, 16(2), 145-167 (in Farsi).
  14. Katko, T.S., Hukka, J.J. (2015). Social and economic importance of water services in the built Environment: Need for more structured thinking. Procedia Economicsand Finance, 21, 217-223.
  15. Kirbas, I. (2018). NAR based forecasting interface for time series analysis: T-seer. IV International Conference on Engineering and Natural Science (ICENS), 144-149.
  16. Lindsay, J., Dean, A.J., Supski, S. (2017). Responding to the millennium drought: comparing domestic water cultures in three Australian cities. RegionalEnvironmental Change, 17(2), 565–577.
  17. Mahmoudi, P., Rigi, A., Miri Kamak, M.A (2019). Comparative study of precipitation-based drought indices with the aim of selecting the best index for drought monitoring in Iran. Theoreticaland Applied Climatology, 137(3-4), 3123–3138.
  18. Mokhtarzad, M., Eskandari, F., Jamshidi Vanjani, N. et al. (2017). Drought forecasting by ANN, ANFIS, and SVM and comparison of the models. Environmental Earth Sciences, 76, 729 (2017).
  19. Nguyen, V., Li, Q., Nguyen, L., (2017). Drought forecasting using ANFIS- a case study in drought prone area of Vietnam. Paddy Water Environ, 15, 605–616.
  20. Noorisameleh, Z., Khaledi, S.H., Shakiba, A., Zeaiean Firouzabadi, P., Gough, W.A., Mirza, M.M.Q. (2020). Comparative evaluation of impacts of climate change and droughts on river flow vulnerability in Iran. Water Science and Engineering, 13(4), 265-27.
  21. Pachauri, R.K., et al. (2014). Climate Change 2014: Synthesis Report. Contribution of Working Groups I, II and III to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change.
  22. Rehana, S., Sireesha Naidu, G. (2021). Development of hydro-meteorological drought index under climate change Semi-arid river basin of Peninsular India. Hydrology, 594, 125973.
  23. Shilenje, Z.W., Ongoma, V., Njagi, M. (2019). Applicability of combined drought index in drought analysis over north eastern Kenya. Natural Hazards, 99, 379–389.
  24. Singh, R.M., Shukla, P. (2020). Drought characterization using drought indices and El Nino effects. National Academy Science Letters, 43, 339–342.
  25. Surendran, U., Kumar, V., Ramasubramoniam, S. et al. (2017). Development of drought indices for semi-arid region using drought indices calculator (DrinC) – a case study from madurai district, a semi-arid region in India. Water Resources Management, 31, 3593–3605.
  26. Tsakiris, G., Nalbantis, I., Pangalou, D., Tigkas, D., Vangelis, H. (2008). Drought meteorological monitoring network design for the Reconnaissance Drought Index (RDI). 1st International Conference Drought Management: Scientific and Technological Innovations. Zaragoza, Spain.12–14 June 2008. pp. 57–62.
  27. Tsakiris G, Vangelis H (2005) Establishing a drought index incorporating evapotranspiration. European Water, 9/10, 3–11.
  28. Van Loon, A.F, Van Lanen, H.A.J. (2013). Making the distinction between water scarcity and drought using an observation-modeling framework. Water Resources Research, 49, 1483–1502.
  29. Vidyarthi, V.K., Jain, A. (2020). Knowledge extraction from trained ANN drought classification model. Hydrology, 585, 124804.
  30. Wei, W., Zhang, J., Zhou, L. et al. (2021). Comparative evaluation of drought indices for monitoring drought based on remote sensing data. Environmental Science and Pollution Research, 28, 20408–20425.
مدیریت بیابان
دوره 9، شماره 2 - شماره پیاپی 18
7 مقاله
تابستان 1400
صفحه 103-120

  • تاریخ دریافت 15 اردیبهشت 1400
  • تاریخ بازنگری 22 خرداد 1400
  • تاریخ پذیرش 23 خرداد 1400