کاربرد هوش مصنوعی در پیش بینی خشکسالی و مدیریت منابع آب

خشکسالی به عنوان یکی از مخاطرات اقلیمی، تاثیرات گسترده ای بر منابع آب کشاورزی و محیط زیست دارد و پیش بینی دقیق آن نقشی اساسی در مدیریت پایدار منابع آب ایفا می کند. در دهه های اخیر محدودیت های روش های سنتی آماری در شناسایی الگوهای غیرخطی و چندمتغیره، پژوهشگران را به سوی بهره گیری از روش های نوین همچون هوش مصنوعی سوق داده است. این پژوهش مروری با هدف تبیین آخرین پیشرفت ها در کاربرد الگوریتم های یادگیری ماشین و یادگیری عمیق در پیش بینی خشکسالی و کمک به تصمیم گیری های مدیریت منابع آب انجام شد. برای این منظور مقالات منتشر شده در بازه زمانی ۲۰۱۰ تا ۲۰۲۴ از پایگاه های علمی معتبر مورد جست وجو و غربالگری قرار گرفت و در نهایت ۲۰ مقاله کلیدی تحلیل گردید. نتایج بررسی ها نشان می دهد که الگوریتم هایی نظیر جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM)، شبکه های عصبی مصنوعی (ANN)، مدل های یادگیری عمیق مانند LSTM و GRU همچنین ابزارها و روش های نوظهوری نظیر شبکه های عصبی پیچشی (CNN)، روش های تقویت گرادیانی (XBoost و LightGBM)، نقشه های خودسازمانده (SOM) و بستر Google Earth Engine، در پیش بینی شاخص های خشکسالی مانند SPI و SPEI عملکرد بسیار مطلوبی داشته اند. علاوه بر این، ترکیب داده های سنجش از دور با این الگوریتم ها موجب افزایش دقت پیش بینی و کاهش عدم قطعیت شده است. همچنین مدل های ترکیبی و هوش مصنوعی در مدیریت مخازن، پیش بینی جریان رودخانه و برنامه ریزی تخصیص آب نقش قابل توجهی ایفا کرده اند. به طور کلی پژوهش حاضر بیانگر آن است که توسعه و به کارگیری روش های هوشمند می تواند ابزارهای تصمیم گیری موثری برای کاهش اثرات خشکسالی و بهبود مدیریت منابع آب فراهم آورد.

کلیدواژه ها:

هوش مصنوعی ، پیش بینی خشکسالی ، مدیریت منابع آب ، سنجش از دور