پیش بینی شاخص خشکسالی هواشناسی با استفاده از ترکیب مدل FCMR با الگوریتم های فرا ابتکاری بهینه سازی، مطالعه موردی: استان خوزستان

  • سال انتشار: 1404
  • محل انتشار: فصلنامه مهندسی و مدیریت آبخیز، دوره: 17، شماره: 3
  • کد COI اختصاصی: JR_JWEM-17-3_006
  • زبان مقاله: فارسی
  • تعداد مشاهده: 8
دانلود فایل این مقاله

نویسندگان

صدف پیری

دانشجوی دکتری، گروه احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران

محمد انصاری قوجقار

استادیار، گروه احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران

چکیده

مقدمه خشکسالی به عنوان یک پدیده ناهنجار و خطرناک به طور قابل توجهی به منابع آبی، کشاورزی، بخش های اقتصادی و محیط زیست آسیب وارد می کند. در چارچوب مدیریت جامع حوزه آبخیز، پیش بینی درست و به موقع خشکسالی اهمیت بسیار زیادی دارد. این موضوع به ویژه در مناطق حساس و آسیب پذیر مثل استان خوزستان، برای استفاده بهینه از منابع آب، مدیریت مصرف و افزایش تاب آوری اکوسیستم های طبیعی و انسانی، یک ضرورت است. چنانچه دوره خشکسالی با دوره رشد پوشش گیاهی همزمان شود، تعادل اکولوژیکی را به هم می زند که منجر به تغییراتی مانند کاهش رطوبت خاک، تغییر دمای سطح زمین و حتی تاثیر بر فرایندهای تبخیر و تعرق می شود. الگوریتم های فرا ابتکاری هوش مصنوعی قادر به پیش بینی تقاضای آب با بررسی داده های تاریخی و عوامل محیطی هستند. این پیش بینی ها به مدیران این امکان را می دهد که برنامه ریزی های بهتری برای تامین آب و جلوگیری از هدررفتن منابع داشته باشند. با توجه به منحصربه فرد بودن استان خوزستان ازنظر موقعیت جغرافیایی و مناقشات آبی در سال های اخیر، بررسی قدرت و کارایی الگوریتم های هوش مصنوعی در پیش بینی و شناسایی تغییرات اقلیمی می تواند خلا پژوهشی در این زمینه را پر کند و با نوآوری های علمی، تاثیر به سزایی در حفظ محیط زیست و تعادل منابع آبی در مواجهه با شرایط خشکسالی داشته باشد.   مواد و روش ها در این پژوهش به منظور پایش خشکسالی ایستگاه های استان خوزستان، داده های بارش طی دوره آماری ۲۰۲۰-۱۹۸۹ و با استفاده از مقادیر شاخص استاندارد شده بارش (SPI) به تفکیک سال های خشک و تر محاسبه شد. در ادامه از روش وزنی معکوس فاصله (IDW) برای درون یابی داده های به دست آمده از شاخص SPI استفاده شد. برای پیش بینی خشکسالی هواشناسی از مدل FCMR استفاده شد. مدل رگرسیون فازی FCMR یک روش ترکیبی است که از رگرسیون خطی و خوشه بندی فازی برای مدلسازی داده ها بهره می گیرد. برای به کارگیری مدل هیبریدی نیز از الگوریتم های GOW و ACOR استفاده شد.   نتایج و بحث با توجه به نتایج به دست آمده از معیارهای ارزیابی نیکویی برازش در هشت ایستگاه مورد مطالعه، به صورت نسبی، SPI ۱۲ ماهه و شش ماهه نتایج بهتر و دقیق تری را نسبت به SPI سه و یک ماهه نشان دادند. در مقایسه SPI ۱۲ ماهه و ۶شش ماهه نیز SPI ۱۲ ماهه عملکرد بهتری از خود نشان داد. مقادیر RMSE، R، NS و MAE پس از ترکیب مدل فراابتکاری GOW و مدل FCMR نسبت به مدل انفرادی FCMR به ترتیب با کاهش، افزایش، افزایش و کاهش روبه رو شده است. ترکیب کاتالیزور ACOR و مدل FCMR نیز به ترتیب با افزایش، کاهش، کاهش و افزایش در مقادیر RMSE، R، NS و MAE نسبت به مدل انفرادی FCMR مواجه شد. بر همین اساس می توان نتیجه گرفت که تلفیق مدل فراابتکاری گرگ خاکستری با مدل FCMR، بهبود عملکرد را نسبت به استفاده از مدل انفرادی FCMR در پی داشته است. تلفیق مدل فراابتکاری کلونی مورچگان با مدل FCMR نیز با کاهش دقت و پایین آمدن عملکرد نسبت به استفاده از مدل انفرادی FCMR مواجه شده است.   نتیجه گیری در پژوهش حاضر، دقت و عملکرد مدل انفرادی FCMR با مدل های هیبریدی دوگانه FCMR-GOW و FCMR-ACOR در هشت ایستگاه سینوپتیک استان خوزستان مقایسه و تحلیل شد. طبق نتایج مدل ها، کاتالیزور GOW باعث بهبود مدل FCMR و کاتالیزور ACOR موجب کاهش دقت مدل FCMR شدند. در هر هشت ایستگاه، مدل هیبریدی دوگانه FCMR-GOW با بیشترین دقت در پیش بینی شاخص SPI در رتبه اول قرار گرفت. همچنین پنجره های زمانی بلندمدت SPI از دقت بالاتری نسبت به پنجره های زمانی کوتاه مدت برخوردار بودند. افزون بر این، فاصله معنی داری از لحاظ دقت میان مدل انفرادی FCMR و مدل هیبریدی دوگانه FCMR-GOW وجود ندارد. از این رو می توان نتیجه گرفت که با توجه به افزایش هزینه های مدل های هیبریدی دوگانه مذکور، استفاده از مدل انفرادی FCMR منطقی تر به نظر می رسد. به طور کلی می توان گفت که تلفیق مدل های انفرادی با الگوریتم های فراابتکاری لزوما به معنی افزایش دقت در مدلسازی شاخص SPI نیست.

کلیدواژه ها

تغییر اقلیم, سال خشک, شاخص بارش استاندارد, مدیریت حوزه آبخیز, الگوریتم فراکاوشی

اطلاعات 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.