توسعه مدل های هوشمند یادگیری ماشین و باکس جنکینز مبتنی بر روش تجزیه مد گروهی کامل به منظور مدل سازی خشکسالی هواشناسی (مطالعه موردی: استان خوزستان) (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
خشک سالی از جمله بلایای طبیعی، علی الخصوص در مناطق خشک و نیمه خشک به شمار می آید. استان خوزستان به سبب دارا بودن موقعیت جغرافیایی استراتژیک و وابستگی شدید به منابع آب، در مقابل خشک سالی به شدت آسیب پذیر است. از این رو در پژوهش حاضر، تجزیه و تحلیل و پیش بینی خشک سالی هواشناسی در استان خوزستان به ترتیب با مدل های هوشمند یادگیری ماشین و باکس جنکینز CEEMD-GPR و CEEMD-SARIMA در طول دوره آماری 30 ساله (2020-1989) مورد بررسی قرار گرفت. جهت ارزیابی شرایط خشک سالی، از شاخص استاندارد بارندگی (SPI) حاصل از داده های هشت ایستگاه سینوپتیک استان خوزستان استفاده شد. در گام بعدی نتایج مدل سازی توسط روش های ذکر شده و با استفاده از شاخص های نیکویی برازش با یکدیگر مقایسه شدند. نتایج حاصله بیانگر این بود که مدل CEEMD-GPR به منظور برآورد شاخص SPI در استان خوزستان از کارایی بسیار بالایی برخوردار است. هم چنین پنجره های زمانی بلندمدت SPI از دقت بالاتری نسبت به پنجره های زمانی کوتاه مدت برخوردار بودند. به عنوان مثال در ایستگاه امیدیه، استفاده از SPI 12 ماهه به جای SPI 1 ماهه موجب کاهش مقادیر RMSE و MAE به ترتیب از 178/0 و 097/0 به 167/0 و 087/0 گردید. علاوه بر این، مقادیر R و NS نیز از 954/0 و 969/0 به 963/0 و 974/0 افزایش یافت. به طور کلی می توان عنوان نمود که مدل CEEMD-GPR قادر است با استفاده از مؤلفه های استخراج شده از تجزیه CEEMD، ساختار دینامیکی پیچیده تری از داده ها را فرا گیرد. بر همین اساس، نتایج این پژوهش نشان می دهد که مدل های ترکیبی مبتنی بر تجزیه CEEMD در کنار یادگیری ماشین، ابزارهایی قدرتمند و با کارایی بالا جهت تحلیل و پیش بینی خشک سالی هواشناسی در اقلیم های خشک و نیمه خشک هستند.Development of intelligent machine learning and Jenkins box models based on the full ensemble mode decomposition method for meteorological drought modeling (Case study: Khuzestan Province)
Drought is one of the natural hazards, especially in arid and semi-arid regions. Khuzestan Province is highly vulnerable to drought due to its strategic geographical location and strong dependence on water resources. Therefore, in the present study, the analysis and prediction of meteorological drought in Khuzestan Province was investigated with the intelligent machine and Jenkins Box GPR models CEEMD- and CEEMD-SARIMA during the 30-year statistical period (1989-2020). To assess drought conditions, the Standard Precipitation Index (SPI) obtained from data from eight synoptic stations in Khuzestan Province was used. In the next step, the modeling results were compared with each other using the aforementioned models and goodness of fit indices. The results indicated that the CEEMD-GPR model is very efficient in estimating the SPI index in Khuzestan province. Also, the long-term SPI time windows had higher accuracy than the short-term time windows. For example, at Omidiyeh station, using the 12-month SPI instead of the 1-month SPI reduced the RMSE and MAE values from 0.178 and 0.097 to 0.167 and 0.087, respectively. In addition, the R and NS values also increased from 0.954 and 0.969 to 0.963 and 0.974. In general, it can be stated that the CEEMD-GPR model is able to learn a more complex dynamic structure of the data by using the components extracted from the CEEMD decomposition. Accordingly, the results of this study show that hybrid models based on CEEMD decomposition, along with machine learning, are powerful and highly efficient tools for analyzing and predicting meteorological drought in arid and semi-arid climates.
تبلیغات
