فهرست نشریات علمی دسترسی آزاد ایران

تغییرات منطقه‌ای در بارش و دمای هوای سطحی منجر به خشکسالی‌های شدید و متعاقب آن تغییرات در الگوهای هیدرولوژیکی می‌شود. خشکسالی هواشناسی یک سیستم هشدار اولیه از شرایط خشکسالی است که به خشکسالی محیطی منتقل می‌شود و می‌تواند اکوسیستم آبی را به‌طور جدی تحت تأثیر قرار ‌دهد و آسیب‌های اجتماعی - اقتصادی قابل‌ توجهی ایجاد کند. لذا پایش و پیش‌بینی خشکسالی و ایجاد یک سیستم هشدار اولیه و پیش‌آگاهی در مناطق مستعد خشکسالی، امری اجتناب‌ناپذیر است. در پژوهش حاضر، عملکرد مدل‌های سری زمانی ARIMA و SARIMA با الگوریتم‌های یادگیری ماشین ANFIS و ELM به منظور پیش‌بینی خشکسالی هواشناسی در استان خوزستان مورد مقایسه قرار گرفت. به منظور ارزیابی شاخص بارش استاندارد شده (SPI) در مقیاس‌های زمانی یک، سه، شش و 12 ماهه، آمار و اطلاعات هشت ایستگاه سینوپتیک (آبادان، بستان، اهواز، بندر ماهشهر، امیدیه، رامهرمز، مسجد سلیمان و صفی‌آباد (دزفول)) طی سال‌های 1989 تا 2020 به‌کار گرفته شد. سپس، مدل‌های سری زمانی و یادگیری ماشین بر مبنای SPI اجرا و در نهایت بهترین مدل برای پیش‌بینی خشکسالی استخراج شد. به منظور ارزیابی کارایی و عملکرد مدل‌ها از معیارهای ارزیابی RMSE، MAE، NS و R استفاده شد. نتایج نشان داد مدل‌های یادگیری ماشین ELM و ANFIS دقت بالاتری نسبت به مدل‌های سری زمانی ARIMA و SARIMA در پیش‌بینی SPI داشتند و از میان مدل‌های بررسی شده، مدل ELM کمترین پراکندگی، بیشترین دقت و همچنین بالاترین مطابقت را با نیم‌ساز ربع‌های اول و سوم دارد.