ارزیابی خشکسالی به کمک شاخص بارش استاندارد و الگوریتم جنگل تصادفی

خشکسالی باعث تشدید بحران آب و ایجاد خسارت های جبران ناپذیر به جوامع می شود. در سال های اخیر استفاده از روش های یادگیری ماشین در ارزیابی خشکسالی مورد توجه محققین قرار گرفته است. هدف این تحقیق، ارزیابی خشکسالی در شهرهای زابل و زاهدان طی بازه زمانی (۲۰۲۰-۱۹۹۰) است که برای این منظور شاخص بارش استاندارد (SPI) در مقیاس فصلی و سالانه، تحلیل خودهمبستگی جزئی(PACF) و الگوریتم جنگل تصادفی(RF) استفاده شده است. پس از محاسبه SPI، نتایج تحلیل PACF برای SPI، به عنوان ورودی های مدل در نظر گرفته شده اند. داده های آموزش و آزمایش با دو ورودی متفاوت بررسی شده اند. طبق نتایج تحقیق در مقیاس فصلی و سالانه SPI، طبقه خشکسالی تقریبا نرمال(N) بیشترین فراوانی وقوع را در هر دو ایستگاه دارد و بر اساس تحلیل PACF، مناطق مورد مطالعه طی بازه زمانی۳۰ ساله دچار تغییر اقلیم شده اند. نتایج مدل توسط چند پارامتر آماری بررسی شده اند. شاخص توافق(IOA) در ایستگاه زابل برای داده های آموزش با در نظر گرفتن چهار تاخیر زمانی (۲، ۴، ۶ و ۱۲ماهه) و سه تاخیر زمانی (۲، ۴ و ۶ماهه) به عنوان ورودی به ترتیب برابر۹۶۴۸/۰ و ۹۲۵۶/۰ بوده و برای داده های آزمایش به ترتیب ۸۵۵۶/۰ و ۸۶۷۳/۰ می باشد. IOA در ایستگاه زاهدان برای داده های آموزش با چهار تاخیر زمانی (۲، ۴، ۶ و۸ماهه) و سه تاخیر زمانی (۲، ۴ و۶ماهه) به ترتیب برابر ۹۴۹۵/۰ و ۹۲۰۵/۰ است و برای داده های آزمایش به ترتیب ۷۴۰۸/۰و ۶۳۰۳/۰ می باشد. سایر پارامتر های آماری بررسی شده نیز نشان دهنده قابلیت مطلوب RF در تخمینSPI می باشند.

کلیدواژه ها:

خشکسالی ، شاخص بارش استاندارد ، الگوریتم جنگل تصادفی ، تحلیل خودهمبستگی جزئی