امکان‌سنجی پیش‌بینی خشکسالی سالانه بر اساس وضعیت خشکسالی در فصل بهار (پژوهش موردی ارازکوسه)

نوع مقاله: مقاله پژوهشی

نویسندگان

استادیار گروه مهندسی آب، دانشکده مهندسی آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی، گرگان، ایران

چکیده

خشکسالی که به کمبود بارش نسبت به متوسط آن طی یک دوره زمانی گفته می‌شود از مهم‌ترین مباحث در زمینه هواشناسی است و پیش‌بینی آن می‌تواند نقش مؤثری در مدیریت منابع آب ایفا نماید. به همین دلیل، هم از روش‌های مختلف مدل‌سازی و هم از متغیرهای متعدد تأثیرگذار بر خشکسالی برای پیش‌بینی آن استفاده شده است. در این پژوهش با بررسی تأثیر بارش‌های بهاره بر وضعیت خشکسالی سالانه، امکان برآورد وضعیت خشکسالی سالانه بر پایه بارش بهاره مورد ارزیابی قرار گرفته است. برای این منظور ایستگاه ارازکوسه واقع در استان گلستان با 45 سال آمار روزانه به­عنوان منطقه مطالعاتی در نظر گرفته شد و پس از محاسبه شدت خشکسالی در بازه‌های زمانی 1، 3 و 12 ماهه بر اساس نمایه بارش استاندارد شده (SPI)، ماتریس همبستگی بین نمایه SPI در بازه‌های زمانی مختلف تشکیل شد. نتایج به­دست آمده نشان می‌دهد که بیش­ترین همبستگی بین وضعیت خشکسالی سالانه با خشکسالی در فصل بهار به­دست می‌آید. برای افزایش دقت پیش‌بینی، نمایه‌های خشکسالی ماه‌های فصل بهار نیز اضافه و در مدل درختی M5 وارد شد. نتایج نشان داد خشکسالی سالانه بر اساس بارش‌های بهاره با ضریب همبستگی 89/0 و جذر میانگین مربعات خطای 57/0 قابل پیش‌بینی است.

کلیدواژه‌ها


عنوان مقاله [English]

Feasibility study of the Prediction of Annual Drought Based on Drought Conditions in the Spring Season

نویسندگان [English]

  • Khalil Ghorbani
  • Meysam Salari Jazi
  • Mohammad Abdolhosseini
Assistant Profesor., Department of Water Engineering, Gorgan University of Agricultural Sciences and Natural Resources., Gorgan., Iran
چکیده [English]

The drought defined as the lack of precipitation from its average along a period of time is one the most important subjects in meteorology and its prediction can play an effective rule in the field of water resources management. Therefore, both different modelling strategies and different affective variables on drought characteristics are applied for drought prediction. Considering the effect of spring rainfalls on annual drought conditions, the feasibility of the estimation of annual drought based on spring rainfall is investigated in this study. However, Arazkooseh station located in Golestan province, Iran with 45 years recorded daily data were selected as case study. After calculation of drought severity factor based on standardized precipitation index (SPI), for 1, 3, and 12 months’ time scales, the correlation matrix was created. The results indicated highest correlation values between annual drought and drought in spring season. In order to find more accurate results, monthly drought indices for spring season were added to an M5 model. The results showed the predictability of annual drought using spring rainfalls as its correlation coefficient was 0.89 and the root mean square error was 0.57.

کلیدواژه‌ها [English]

  • Drought
  • prediction
  • Spring
  • M5 model
  • Arazkooseh
ابراهیمی،ل و بارانی،غ. 1384. معرفی مدل تلفیقی تبدیل موجکی و شبکه­های عصبی برای پیش­بینی خشکسالی حوضه­های آبخیز سدها، دومین کنفرانس سراسری آبخیزداری و مدیریت منابع آب و خاک، دانشگاه کرمان.

آشگر طوسی،ش.، علیزاده،ا و شیرمحمدی،ر. 1384. مدل­سازی SARIMA بارندگی­های فصلی (مطالعه موردی: الگوسازی و پیش بینی بارندگی در استان خراسان)، دو فصلنامه تحقیقات منابع آب ایران. 3: 41-53.

حجابی،س.، بذرافشان.ج و بختیاری،ب. 1389. مقایسه کارایی مدل‌های ARIMA برای پیش‌‌بینی خشکسالی‌ها در اقلیم‌های حدی ساحلی ایران، اولین کنفرانس بین­المللی مدلسازی گیاه، آب، خاک و هوا، مرکز بین­المللی علوم و تکنولوژی پیشرفته و علوم محیطی، دانشگاه شهید با­هنر کرمان.

خلیلی،ک. 1380. آنالیز فرکانس خشکسالی و طرح مخازن برای مصارف کشاورزی و شرب (مطالعه موردی شهرچای ارومیه)، پایان­نامه­ی کارشناسی ارشد، دانشگاه تبریز.

سامتی،م.، قهرمان،ن و قربانی،خ. 1392. کاربرد مدل M5 در برآورد تبخیر-تعرق مرجع در ایستگاه‌های شیراز و کرمانشاه. مجله پژوهش آب در کشاورزی.27. 3: 289-298.

شریفان،ح و قربانی،خ. 1393. بهبود برآورد تبخیر تعرق پتانسیل با استفاده از ضریب اصلاحی به کمک مدل درخت تصمیم M5-. نشریه آبیاری و زهکشی ایران. 8 . 1: 51-59.

ظهیری،ع و قربانی،خ. 1392. شبیه­سازی دبی جریان در مقاطع مرکب به کمک مدل درخت تصمیم M5. مجله پژوهش‌های حفاظت خاک و آب20. 3 :113-132.

عابدینی،ا.، ایزدی،ع.، کاردان مقدم،ح و علیدوست،ا. 1388. پیش­بینی شاخص خشکسالی SPI در مشهد به کمک شبکه­های عصبی MLP و نرم افزار Matlab، همایش ملی الگوهای توسعه پایدار در مدیریت آب، شرکت مهندسین مشاور مهاب ثامن، مشهد.

قربانی،خ.، خلیلی،ع.، علوی‌پناه،س.ک و نخعی‌زاده،غ. 1389. مطالعه تطبیقی نمایه‌های هواشناسی خشکسالی SPI, SIAP به روش داده‌کاوی. مجله آب و خاک دانشگاه فردوسی مشهد.24. 3: 426-417.

مساعدی،ا.، دهقانی،ا و عیوضی،م. 1388. بررسی طول دوره­ی قابل پیش­بینی خشکسالی با استفاده از سری­های زمانی. اولین کنفرانس بین المللی مدیریت منابع آب، دانشگاه صنعتی شاهرود.

دهقانی،ا.، قربانی،خ و کوهستانی،ن. 1393. بهینه­سازی شبکه سنجش منابع آب (سطحی و زیرزمینی) استان گلستان با استفاده از روش­های زمین­آماری. گزارش طرح تحقیقاتی شرکت آب منطقه‌ای استان گلستان. 122ص.

Bhattacharya,B., Price,R.K and Solomatine,D.P. 2007. Machine learning approach to modeling sediment transport. Journal of Hydraulic Engineering. 133.4: 440-450.

Bordi,I., Frigio,S., Parenti,P., Speranza,A and Sutera,A. 2001. The analysis of the Standardized Precipitation Index in the Mediterranean area: large-scale patterns. Annals of Geophysics. 44:5-6.

Byun,H.R and Wilhite,D.A. 1999. Objective quantification of drought severity and duration. Journal of Climate. 12.9: 2747-2756.

Glantz,M.H. 2003. Climate Affairs: A Primer. Washington, D.C.: Island Press.

Hayes,M.J., Svoboda,M.D., Wilhite,D.A and Vanyarkho,O.V. 1999. Monitoring the 1996 drought using the standardized precipitation index. Bulletin of the American Meteorological Society. 80.3:429-438.

McKee,T.B., Doesken,N.J and Kleist,J. 1993. The relationship of drought frequency and duration to time scales. In Proceedings of the 8th Conference on Applied Climatology.  Boston, MA, USA: American Meteorological Society. 17. 22: 179-183.

Mishra,A.K., Desai,V.R and Singh,V.P. 2007. Drought forecasting using a hybrid stochastic and neural network model. Journal of Hydrologic Engineering. DOI 10.1061/(ASCE)1084-0699,12:6(626).

Morid,S., Smakhtin,V and Bagherzadeh,K. 2007. Drought forecasting using artificial neural networks and time series of drought indices. International Journal of Climatology. 27.15: 2103-2111.

Quinlan,J.R. 1992. Learning with continuous classes. In 5th Australian joint conference on artificial intelligence. 92: 343-348.

Witten,I.H and Frank,E. 2005. Data mining: practical machine learning tools and techniques with Java implementations. Morgan Kaufmann: San Francisco: 664.