صدف پیری

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.

طوفان های گرد و غبار به عنوان یکی از مهم ترین مخاطرات اقلیمی در مناطق خشک و نیمه خشک ایران به ویژه استان سیستان و بلوچستان، پیامدهای گسترده ای در ابعاد اجتماعی، اقتصادی و زیست محیطی ایجاد می کنند. یکی از چالش های اصلی در مدل سازی و پیش بینی این پدیده، عدم قطعیت در داده های ورودی و محدودیت ایستگاه های سینوپتیکی است. این پژوهش با هدف بهبود عملکرد مدل های پیش بینی، به ارزیابی نقش الگوریتم های فراابتکاری در بهینه سازی داده های ورودی پرداخته است. در این راستا، یک مدل هیبریدی مبتنی بر رگرسیون فازی خوشه بندی شده و میانگین متحرک FCMR-MA توسعه داده شد و برای بهینه سازی داده های ورودی، دو الگوریتم فراابتکاری چرخه آب و بهینه سازی علف های هرز مهاجم به کار گرفته شدند. یکی از عوامل کلیدی در تشدید و تداوم این پدیده، وقوع خشکسالی های متوالی و کاهش رطوبت خاک است که بستر تولید و انتقال گردوغبار را تقویت می کند. به منظور تحلیل پیوند بین شرایط خشکسالی و وقوع طوفان های گردوغبار، شاخص های خشکسالی SPI و SPEI نیز به عنوان متغیرهای اقلیمی در ساختار مدل لحاظ شدند. داده های مورد استفاده شامل فراوانی روزهای همراه با طوفان گردوغبار در پنج ایستگاه سینوپتیکی استان سیستان و بلوچستان طی دوره 40 ساله بود. عملکرد مدل ها با استفاده از چهار معیار ارزیابی R, RMSE, MAE, NS سنجیده شد. یافته ها نشان داد که به کارگیری الگوریتم های فراابتکاری موجب بهبود معنادار در دقت مدل نسبت به حالت بدون بهینه سازی شد. در این میان، الگوریتم علف های هرز مهاجم با دستیابی به بالاترین ضریب همبستگی (R=0.94) و کم ترین میزان خطا، عملکرد برتری نسبت به الگوریتم چرخه آب و مدل پایه ارائه کرد. به طور کلی، نتایج این مطالعه بیانگر اهمیت استفاده از الگوریتم های فراابتکاری در بهینه سازی داده های ورودی برای ارتقاء دقت مدل های پیش بینی طوفان های گردوغبار در مناطق خشک و نیمه خشک است.