پایش خشکسالی بر مبنای شاخص بارش- تبخیروتعرق استاندارد شده SPEI تحت تاثیر تغییر اقلیم و الگوریتم XGBoost

در سال های اخیر، به دنبال بروز پدیده ی گرمایش جهانی و تغییر در الگوهای اقلیمی و پارامترهای هواشناسی، فراوانی وقوع خشکسالی در بسیاری از مناطق جهان افزایش یافته است. در این مطالعه به پایش خشکسالی با استفاده از شاخص SPEI و بررسی خصوصیات این پدیده (شدت، بزرگی، مدت) در شرایط تغییر اقلیم در ایستگاه سینوپتیک قزوین در دوره تاریخی ۲۰۱۴-۱۹۸۶ و دوره های آینده ۲۰۵۰-۲۰۲۶، ۲۰۷۵-۲۰۵۱ و ۲۱۰۰-۲۰۷۶ تحت سناریوهای SSP۲-۴.۵ و SSP۵-۸.۵ در مقیاس های زمانی ۳، ۶، ۹ و ۱۲ ماهه پرداخته شده است. به منظور کاهش عدم قطعیت مدل های منفرد و افزایش قابلیت اعتماد برآوردها، از یک رویکرد ترکیب چندمدلی مبتنی بر یادگیری ماشین (Multi-Model Ensemble) با استفاده از الگوریتم XGBoost جهت ترکیب غیرخطی و بهینه خروجی سه مدل اقلیمی  CMIP۶شامل MIROC۶،ACCESS-CM۲  و CNRM-CM۶-۱ استفاده شد. ویژگی های خشکسالی بر اساس داده های مدل ترکیبی (Ensemble) حاصل از سه مدل اقلیمی محاسبه شدند. در سناریویSSP۲-۴.۵، تغییرات خشکسالی نسبت به گذشته روندی افزایشی ملایم نشان داد. در دوره ی ۲۰۲۶–۲۰۵۰، میانگین شدت بین ۰۳/۲ تا ۰۲/۳ و بزرگی بین ۹۱/۰ تا ۲۵/۱ مشاهده شد. در سناریوی بدبینانه SSP۵-۸.۵، روند افزایش شدت و بزرگی خشکسالی ها واضح تر بود. در نیمه ی اول قرن (۲۰۲۶–۲۰۵۰)، شدت بین ۹۱/۱ تا ۷۰/۳ و بزرگی بین ۱/۱تا ۱۴/۱ متغیر بود. به طور کلی، نتایج نشان داد که هر دو شاخص شدت و بزرگی خشکسالی از گذشته به آینده روندی افزایشی دارند، اما افزایش شدت چشمگیرتر است. بدین ترتیب می توان نتیجه گرفت که در آینده، منطقه ی مورد مطالعه با افزایش فراوانی، شدت و پایداری خشکسالی ها مواجه خواهد شد و این امر ضرورت برنامه ریزی سازگاری، مدیریت منابع آب و توسعه ی راهبردهای کاهش اثرات خشکسالی را بیش از پیش آشکار می سازد.

کلیدواژه ها:

مدل گردش عمومی جو ، مدل گروهی ، یادگیری ماشین ، سناریوهای گزارش ششم