بررسی عملکرد الگوریتم های Kstar و GPR در مدلسازی شاخص خشکسالی هواشناسی RDI (مطالعه موردی: شرق حوضه دریاچه ارومیه)

نویسندگان

1 گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه

2 گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه

3 گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه

4 گروه هیدرولوژی و منابع آب، دانشکده مهندسی آب، دانشگاه شهید چمران اهواز

doi
10.22034/ceej.2023.55292.2225
چکیده

خشکسالی یکی از بلایای طبیعی است که سالانه خسارات فراوانی را برای جوامع مختلف به دنبال دارد. پایش خشکسالی­ ها می­تواند اطلاعات باارزشی جهت تدوین برنامه ­های مقابله با خشکسالی و کاهش خسارات مربوط به آن در اختیار مدیران و برنامه ­ریزان منابع آب بگذارد. در تحقیق حاضر، خشکسالی هواشناسی چهار ایستگاه سینوپتیک (Synoptic Scale Meteorology) اهر، جلفا، تبریز و مراغه در استان آدربایجان ­شرقی، شرق دریاچه ارومیه با استفاده از شاخص خشکسالی RDI در دوره آماری 1955 تا 2019 مورد بررسی و تحلیل قرار گرفت. برای محاسبه شاخص RDI از داده ­های بارش و تبخیر تعرق پتانسیل ماهانه با روش فائو پنمن مانتیث (FP-M) استفاده شد. شاخص RDI برای هر ایستگاه به­ صورت جداگانه و درسه مقیاس زمانی 6، 9 و 12 ماهه محاسبه گردید و نتیجه محاسبات نشان داد در مقیاس زمانی 12 ماهه پایش خشکسالی بهتر از مقیاس ­های زمانی دیگر می ­باشد. سپس با استفاده از الگوریتم ­های Kstar و GPR شاخص RDI در سه مقیاس زمانی مدل­سازی شد. نتایج حاصل از معیارهای ارزیابی، عملکرد بالای الگوریتم ­های ذکرشده را نشان داد به طوری ­که مقدار عددی ضریب همبستگی الگوریتم GPR برای همه ایستگاه ­ها 92/0 و همین ضریب با الگوریتم Kstar در بازه 91/0 تا 92/0 قرار دارد. همچنین مقدار عددی RMSE با الگوریتم GPR بازه 31/0 تا 39/0 و الگوریتم Kstar 32/0 تا 51/0 را به ­دست آورد. از این نتایج می­توان ادعا کرد که الگوریتم GPR با دقت بالاتری شاخص خشکسالی RDI را مدل کرده است.