مقایسه مدل های سری زمانی ARIMA و SARIMA با الگوریتم های یادگیری ماشین به منظور پیش بینی خشکسالی هواشناسی (مطالعه موردی: استان خوزستان)

تغییرات منطقه ای در بارش و دمای هوای سطحی منجر به خشکسالی های شدید و متعاقب آن تغییرات در الگوهای هیدرولوژیکی می شود. خشکسالی هواشناسی یک سیستم هشدار اولیه از شرایط خشکسالی است که به خشکسالی محیطی منتقل می شود و می تواند اکوسیستم آبی را به طور جدی تحت تاثیر قرار دهد و آسیب های اجتماعی - اقتصادی قابل توجهی ایجاد کند. لذا پایش و پیش بینی خشکسالی و ایجاد یک سیستم هشدار اولیه و پیش آگاهی در مناطق مستعد خشکسالی، امری اجتناب ناپذیر است. در پژوهش حاضر، عملکرد مدل های سری زمانی ARIMA و SARIMA با الگوریتم های یادگیری ماشین ANFIS و ELM به منظور پیش بینی خشکسالی هواشناسی در استان خوزستان مورد مقایسه قرار گرفت. به منظور ارزیابی شاخص بارش استاندارد شده (SPI) در مقیاس های زمانی یک، سه، شش و ۱۲ ماهه، آمار و اطلاعات هشت ایستگاه سینوپتیک (آبادان، بستان، اهواز، بندر ماهشهر، امیدیه، رامهرمز، مسجد سلیمان و صفی آباد (دزفول)) طی سال های ۱۹۸۹ تا ۲۰۲۰ به کار گرفته شد. سپس، مدل های سری زمانی و یادگیری ماشین بر مبنای SPI اجرا و در نهایت بهترین مدل برای پیش بینی خشکسالی استخراج شد. به منظور ارزیابی کارایی و عملکرد مدل ها از معیارهای ارزیابی RMSE، MAE، NS و R استفاده شد. نتایج نشان داد مدل های یادگیری ماشین ELM و ANFIS دقت بالاتری نسبت به مدل های سری زمانی ARIMA و SARIMA در پیش بینی SPI داشتند و از میان مدل های بررسی شده، مدل ELM کمترین پراکندگی، بیشترین دقت و همچنین بالاترین مطابقت را با نیم ساز ربع های اول و سوم دارد.

کلیدواژه ها:

خوزستان ، خشکسالی ، یادگیری ماشین ، الگوهای فصلی ، SPI