شدت خشکسالی

خشکسالی یکی از پدیده های محیطی است که سالانه موجب وارد آمدن خسارات زیادی به جوامع انسانی می گردد. در این مطالعه به بررسی عملکرد شاخص های خشکسالی هواشناسی برای ارزیابی شدت خشکسالی و پهنه بندی آن در استان قزوین پرداخته شد. شاخص های مورد استفاده شامل؛ شاخص Z چینی، شاخص Z چینی اصلاح شده، شاخص بارندگی استاندارد شده، شاخص عدد Z و شاخص دهک ها می باشد. پس از جمع آوری داده های بارش ایستگاه های موجود در منطقه مورد مطالعه، مقادیر شدت خشکسالی با استفاده از شاخص های مورد نظر در مقیاس زمانی سالانه محاسبه شد. نتایج نشان داد که شاخص های بارندگی استاندارد شده و شاخص دهک ها را می توان در جایگاه نخست و شاخص عدد Z در رتبه دوم و شاخص های Z چینی و شاخص Z چینی اصلاح شده به ترتیب در رتبه های سوم و چهارم به لحاظ شناسایی خشکسالی های شدید قرار می گیرند. مشابهت عملکرد شاخص عدد Z به شاخص بارندگی استاندارد شده در نشان دادن خشکسالی های شدید از دیگر نتایج به دست آمده می باشد. همچنین شاخص شاخص دهک ها با توجه به عملکرد مناسب درمشخص کردن خشکسالی های شدید، دارای اندکی مبالغه در نمایش خشکسالی های شدید می باشد.

در این پژوهش با استفاده از داده های روزانه بارش سی ایستگاه سینوپتیک با طول دوره ی آماری مشترک چهل سال، شاخص SPI، به تفکیک 5 سری زمانی 3, 6, 12, 24 و 48 ماه به بررسی الگوی زمانی و مکانی خشکسالی با سه مشخصه ی شدت، فراوانی و مدت در مقیاس ملی پرداخته شده است. نتایج این مطالعه نشان می دهد که حداکثر فراوانی وقوع خشکسالی در مقیاس سه و شش ماه در رده ی فراخشک، ایستگاه سنندج و در مقیاس شش ماه در رده ی نسبتاً خشک، ایستگاه اهواز، رده ی خشک شدید، ایستگاه نوشهر و رده ی فراخشک ایستگاه سنندج، در مقیاس دوازده ماه، رده ی نسبتاً خشک، ایستگاه ارومیه، رده ی خشک شدید، ایستگاه نوشهر و رده ی فراخشک ایستگاه بابلسر، مقیاس 24ماه در رده ی نسبتاً خشک در ایستگاه بندرعباس در رده ی خشک شدید ایستگاه نوشهر و در رده ی فراخشک ایستگاه رامسر، در مقیاس 48 ماه در رده ی نسبتاً خشک ایستگاه بندرعباس و دو رده ی بعدی ایستگاه نوشهر بیشترین فراوانی وقوع خشکسالی را دارا بوده اند. همچنین شدیدترین خشکسالی در ایستگاه سمنان در مقیاس زمانی سه ماه با مقدار 89/3- رخ داده است.

خشکسالی اقلیمی به معنی کمبود بارش، بخش های مختلف جوامع انسانی، کشاورزی، تولید آب، صنعت و محیط زیست را تحت تاثیر قرار می دهد. درک روابط زمانی و مکانی پارامترهای موثر بر خشکسالی بعنوان یک خطر طبیعی توسط متغیرهای چندگانه هواشناسی بهتر تفسیر می گردد. هدف این تحقیق استفاده از مدل نمودار سه متغیره برای تفسیر پدیده خشکسالی هواشناسی در ایستگاه های سینوپتیک استان کردستان است. پس از اخذ آمار ماهانه هفت ایستگاه سینوپتیک در سطح استان کردستان شامل بارش، دما و رطوبت نسبی، تحلیل های اولیه روی آن ها انجام گرفت. سپس مقادیر شاخص بارش استاندارد ماهانه برای هر ایستگاه محاسبه گردید. پس از محاسبه و ترسیم نیم تغییرنمای هر مدل ، با روش ارزیابی متقاطع و استفاده از معیارهای ضریب تبیین و مجموع مربعات خطا، روش مناسب درون یابی جهت تهیه نمودارهای سه متغیره انتخاب گردید و نمودارهای سه متغیره بر اساس مقادیر شاخص بارش استاندارد، دمای متوسط ماهانه و درصد رطوبت نسبی برای هر یک از ایستگاه های مورد مطالعه، رسم گردید. بر اساس نتایج، طبقه بندی مقادیر شاخص بارش استاندارد در نمودار سه متغیره چارچوبی را برای تفسیر خصوصیات و تغییرات عناصر اقلیمی فراهم می نماید. هم چنین ضمن مقایسه شرایط رطوبتی میان ایستگاه ها، می توان ارتباط فضایی آن ها را تجزیه و تحلیل نمود. نمودارهای سه متغیره امکان تفسیر ارتباط وقایع حدی و روند میان متغیرها را فراهم می نماید.

خشکسالی به عنوان مخاطره ای اقلیمی، تأثیر بسزایی بر محیط زیست و به تبع آن انسان و سایر موجودات زنده دارد. ازاین رو پایش و پیش بینی این پدیده امری لازم و ضروری می باشد. در این پژوهش با هدف بررسی و ارزیابی پیش بینی خشکسالی در نیمه غربی کشور از شاخص خشکسالی استاندارد شده چند متغیره (MSDI) و روش های مبتنی بر هوش مصنوعی استفاده شده است. جهت پیش بینی مقادیر این شاخص در محدوده مطالعاتی، از داده های ماهانه بارش و رطوبت خاک پایگاه داده MERRA طی دوره 36 ساله (1980-2016) به عنوان ورودی و مقادیر محاسبه شده MSDI بعنوان خروجی بهره برده شد. نتایج تحلیل خشکسالی ماهانه براساس این داده ها نشان داد که شدیدترین خشکسالی در منطقه مورد مطالعه حد فاصل ماه های مارس تا اکتبر به وقوع پیوسته و کانون اصلی وقوع این پدیده، استان های لرستان و خصوصاً ایلام و کرمانشاه می باشند. این نتایج با بررسی نقشه های فصلی و سالانه نیز مطابقت دارد. طبق طبقه بندی شاخص MSDI، خشکسالی شدید در منطقه مورد مطالعه ثبت نشده است و خشکسالی ها در طبقه متوسط قرار داشتند. نتایج حاصل از مدل سازی شبکه های عصبی مصنوعی نیز نشان داد که استفاده از شبکه های عصبی مصنوعی به طور کلی از توانایی شبیه سازی مناسبی برخوردار می باشند. از بین الگوریتم های استفاده شده جهت بهینه سازی شبکه عصبی مصنوعی، الگوریتم ژنتیک، بهترین عملکرد را نسبت به سایر روش ها در پیش بینی خشکسالی ها دارا می باشد.