فهرست نشریات علمی دسترسی آزاد ایران

خشکسالی هواشناسی رخدادی طبیعی، پیچیده ومخرب است که در کل کره زمین مشاهده می‌شود. پیش‌­بینی وقوع و شدت خشکسالی می‌تواند در مدیریت بحران آب و خسارت ناشی از آن مؤثر باشد. هدف از پژوهش حاضر انتخاب مناسب‌ترین مدل، از بین مدل‌های آماری و هوش مصنوعی برای پیش‌بینی خشکسالی در ایستگاه همدیدی اصفهان در دوره آماری 1990 تا 2020، با استفاده از شاخص معیار استاندارد (ZSI) می‌باشد. در این مطالعه قابلیت و کارآیی مدل‌ خطی تصادفی SARIMA و سه مدل پیشرفته ماشین یادگیری؛ شبکۀ عصبی مصنوعی پیش‌خور (FNNs)، پرسپترون چندلایه (MLP)، ماشین‌های یادگیری افراطی (ELM)، بر اساس معیار ریشه میانگین مربعات خطا (RMSE)، میانگین مجذور خطای مطلق (MASE) و میانگین قدر مطلق خطاها (MAE) مورد ارزیابی قرار گرفت، نتایج نشان داد که از بین انبوه مدل‌های ساخته‌شده مدل شبکۀ عصبی مصنوعی پیش‌خور (FNN) با مقادیر RMSE برابر 0.33، MASE برابر 0.02 و MAE برابر 0.22 بهترین مدل پیش­بینی است. با استفاده از مدل برتر، بارش 60 ماه آینده ایستگاه همدیدی اصفهان از سال 2021 تا سال 2025 پیش‌بینی شد. سپس، شدت خشکسالی داده‌های بارش پیش‌بینی شده بر اساس شاخص خشکسالی ZSI در مقیاس‌های زمانی 3، 6، 9، 12، 18 و 24 ماهه محاسبه شد. نتایج ارزیابی شدت خشکسالی‌های پیش‌بینی­‌شده نشان داد، در مقیاس‌های زمانی 3 و 6 ماهه در سال‌های 2021 و 2023 و در مقیاس‌های زمانی 9 و 18 ماهه در سال 2024 خشکسالی شدید، خشکسالی متوسط در همه مقیاس‌های زمانی در سال 2024 و خشکسالی ضعیف در مقیاس‌های زمانی 3 ، 6 و 24 ماهه در سال‌های 2024 و 2025 اتفاق خواهد افتاد. در مجموع نتایج نشان داد که استفاده از مدل شبکه عصبی پیش‌خور دارای کارآیی  بیشتری است. از آن جا که پیش‌بینی انجام شده در همه مقیاس‌های زمانی می‌تواند خشکسالی را با وضوح بیشتری آشکار کند، این پیش‌بینی به‌نوبه خود برای تسهیل در توسعه راهبردهای مدیریت منابع آب مؤثر است.