وحید ورشاویان

خشکسالی به عنوان یک پدیده ی مخرب طبیعی، بر روی مناطق مختلف اقلیمی جهان از فراخشک تا شدیدا مرطوب، تاثیر می گذارد. پنجره های زمانی مختلف شاخص بارش استاندارد (SPI) هریک می توانند نشان دهنده ی شدت و ضعف انواع مختلفِ خشکسالی باشند. با تلفیق پنجره های زمانیِ مختلفِ SPI، شاخصی تحت عنوان شاخص بارش استاندارد چندمتغیره (MSPI) معرفی شده که می تواند همزمان در مورد شدت و ضعف چند نوعِ متفاوت از خشکسالی اظهار نظر کند. در این پژوهش شاخص MSPI در چند نمونه اقلیمی ایران پایش شده و پیش بینیِ این شاخص توسط چند مدل مورد ارزیابی قرار می گیرد. در این راستا 8 ایستگاه (ایلام و گرگان، اردبیل و همدان، کرمان و تهران، آبادان و ایرانشهر) از 4 نمونه اقلیمی بر اساس روش دمارتن گسترش یافته ( به ترتیب مدیترانه ای معتدل، نیمه خشک فراسرد، خشک سرد، فراخشک گرم) انتخاب شدند. داده های بلندمدت مجموع بارش ماهانه ی این ایستگاه ها (اقلیم مدیترانه ای معتدل از سال 1987، اقلیم نیمه خشک فراسرد از سال 1977، اقلیم خشک سرد از سال 1951 و اقلیم فراخشک گرم از سال 1980) تا پایان سال 2017، از سازمان هواشناسیِ کشور دریافت شد. شاخص MSPI برای این ایستگاه ها، در 5 پنجره زمانیِ 3-6 ماهه، 6-12 ماهه، 3-12 ماهه، 12-24 ماهه و 24-48 ماهه پایش شد. برای پیش بینیِ این شاخص از 4 مدل هوش مصنوعیِ شبکه عصبی رگرسیونی تعمیم یافته (GRNN)، کمترین مربعات ماشین بردار پشتیبان (LSSVM)، شبکه عصبی روش گروهی دسته بندی داده ها (GMDH) و سیستم استنتاج عصبی-فازی تطبیقی (ANFIS) بهره گرفته شد. برای این امر از تاخیرهای زمانیِ غیرفصلی (1، 2 و 3 ماه قبل) و فصلی (12، 24 و 36 ماه قبل) به عنوان ورودی برای مدلها استفاده شد، و نمونه های ورودی و هدف به دو قسمت آموزش (75%) و آزمون (25%) تقسیم شدند. پیش بینی حاصله از مدلها، توسط معیارهای ریشه میانگین مربعات خطا (RMSE)، میانگین قدر مطلق خطا (MAE)، شاخص ویلموت (WI) و دیاگرام تیلور، با مقادیر واقعی مقایسه گردیدند. نتایج نشان داد که دقت پیش بینی توسط مدل ها در پنجره های زمانی بزرگتر (به عنوان مثال شاخص MSPI در پنجره زمانی 24-48 ماهه)، بیشتر از پنجره های زمانیِ کوچکتر (به عنوان مثال شاخص MSPI در پنجره زمانی 3-6 ماهه) می باشد. با این حساب می توان گفت از دقتِ قوی به ضعیف، مدلهای مورد بررسی می توانند به ترتیب خشکسالی توام از