محمد انصاری قوجقار

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.

هدف از این پژوهش مقایسه عملکرد مدل های سری زمانی SARIMA و Holt-Winters با روش های هوش مصنوعی شامل شبکه عصبی مبتنی بر توابع پایه شعاعی (RBF) و سیستم استنباط عصبی- فازی تطبیقی (ANFIS) به منظور پیش بینی فراوانی روزهای همراه با طوفان گردوغبار (FDSD) در فصل آتی است. بدین منظور، از داده های ساعتی گردوغبار و کدهای سازمان جهانی هواشناسی در پنج ایستگاه سینوپتیک استان سیستان و بلوچستان با طول دوره آماری 25ساله (۱۹۹۰-2014) استفاده شد. نتایج نشان داد روش ANFIS، نسبت به سایر روش ها، بهترین عملکرد را داشت و معیارهای ارزیابی R، RMSE، MAE، و NS آن به ترتیب از 72/0، 57/0، 42/0، و 71/0 تا 95/0، 51/0، 40/0، و 96/0 متغیر بود. همچنین، با افزایش شاخص متوسط FDSD در ایستگاه ها (از 06/1 تا 11/7)، دقت پیش بینی همه روش ها افزایش داشت. بر همین اساس، در سری زمانی SARIMA، ضریب همبستگی بین مقادیر مشاهداتی و پیش بینی شده شاخص FDSD از 64/0 به 79/0 افزایش یافت. برای روش های Holt-Winters، RBF، و ANFIS مقدار نیز ضریب همبستگی به ترتیب از 70/0 تا 87/0، 69/0 تا 92/0، و 72/0 تا 95/0 متغیر بود. درمجموع، با مقایسه روش های مورد استفاده، روش هوش مصنوعی ANFIS بهترین و مدل های سری زمانی SARIMA و Holt-Winters بدترین عملکرد را داشتند.