پیش بینی وضعیت خشکسالی با استفاده از شاخص بارش-تبخیر و تعرق استاندارد شده و مدل های هوش مصنوعی (مطالعه موردی: ایستگاه سینوپتیک کرمان)
- سال انتشار: 1400
- محل انتشار: نشریه هواشناسی و علوم جو، دوره: 4، شماره: 3
- کد COI اختصاصی: JR_JMAS-4-3_006
- زبان مقاله: فارسی
- تعداد مشاهده: 205
نویسندگان
Student/University of Advanced Industrial and Technological Education in Kerman
Professor/Department of Water Engineering, Faculty of Civil Engineering and Mapping, Graduate University of Industrial and Advanced Technology, Kerman
Department of Ecology, Research Institute of Advanced Science and Technology and Environmental Sciences, Graduate University of Industrial and Advanced Technology
چکیده
خشکسالی ازجمله بلاهای طبیعی است که به اکوسیستم های طبیعی آسیب های فراوانی وارد می کند.بر اساس نتایج پژوهش های انجام شده، مواردی که نقش ویژه ای در وقوع و تداوم خشکسالی دارند عبارت از بارش، دما، تبخیر، باد و رطوبت نسبی هستنداما بارش مهم ترین مورد در وقوع خشکسالی است. در این تحقیق داده های دمای ماکزیمم، دمای مینیمم، میانگین دما، رطوبت نسبی، بارش و سرعت باد ایستگاه سینوپتیک کرمان در دوره ۲۹ ساله (سال های ۱۹۹۱ الی ۲۰۲۰) استفاده شد.که با بهره گیری از داده های جمع آوری شده نتایج جدیدی جهت پیش بینی خشکسالی توسط شاخص بارش-تبخیروتعرق استانداردشده (SPEI) و روش های هوش مصنوعی ازجمله مدل درخت (MT) و رگرسیون چند متغیره تطبیقی اسپلاین ((MARS ارائه گردیده است. نتایج حاصل از پیش بینی خشکسالی شهر کرمان با استفاده از شاخص بارش تبخیر و تعرق استانداردشده نشان داد که فراوانی دوره های مرطوب و خشک در مقیاس های زمانی کوتاه مدت زیاد است و با افزایش طول بازه زمانی این فراوانی کاهش می یابد. در بازه زمانی ۶ ماهه اول سال ۱۹۹۲ بیشترین مقدار شاخص خشکسالی (SPEI=۲.۴۸) و شدیدترین خشکسالی ها در بازه زمانی ۲۴ ماهه منتهی به سال ۲۰۰۹ با کمترین مقدار شاخص (SPEI=-۵.۵۳) رخ داده است. عملکرد مدل هوش مصنوعی MARS با توجه به مقادیر شاخص های آماری R و RMSE و MAE در مرحله آموزش(۹۸۹/۰ R= ، ۱۴۸/۰ RMSE=و۱۰۵/۰= MAE) و آزمایش(۹۵۰/۰ R= ، ۲۹۰/۰ RMSE= و۱۵۸/۰= MAE)، نسبت به مدلMT مناسبتراست.کلیدواژه ها
Drought, SPEI Index, Artificial intelligence, Model tree, multivariate adaptive regression splineاطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.