پیش بینی خشکسالی

امروزه، استفاده از خروجی های الگوهای گردش عمومی در مطالعات هواشناسی و اقلیم شناسی، گسترش پیدا کرده و بسیاری از خلاهای محاسباتی را پوشش داده است. با توجه به این که اخیرا قدرت تفکیک الگوهای گردش عمومی و منطقه ای به شکل چشمگیری افزایش یافته است، اما هیچ یک از این الگوها قادر به پیش بینی آب و هوای واقعی در مقیاس ایستگاهی و خرد مقیاس نیست، لذا جهت به کارگیری خروجی این الگوها روش های مختلفی به کار برده می شود. این روش ها که به دو دسته آماری و دینامیکی تقسیم شده و گاهی به صورت تلفیقی از هردو به کار می روند به روش های ریزگردانی معروف اند. نوشتار حاضر می کوشد تا با انتخاب بهترین سناریوی اقلیمی، که هم خوانی مناسبی با داده های دیده بانی شده منطقه (ایستگاه های سینوپتیک استان خراسان) دارد و به کارگیری روش های آماری و دینامیکی، بهترین داده های اقلیمی را که با داده های واقعی هم خوانی داشته باشد، استخراج نماید تا با به دست آوردن ضرایب وزنی بین آنها پس از ریزگردانی، داده های پیش بینی اصلاح شده ای را استخراج نماید. در پایان با کاربرد شاخص استاندارد شده بارش، پهنه بندی مناسبی از وضعیت خشکسالی در آینده ارایه شود.

هدف تحقیق حاضر، پیش بینی خشکسالی های پاییزه ی زاهدان به وسیله متغیّرهای ورودی مختلف می باشد. این متغیّرها عبارتند از: بارندگی، مقادیر پیشین شاخص خشکسالی SPI و 19 عدد از شاخص های اقلیمی. برای این منظور، میانگین سه ماهه اکتبر- نوامبر- دسامبر شاخص خشکسالی SPI به عنوان متغیّر خروجی انتخاب شد. سپس هرکدام از متغیّرهای ورودی یاد شده، در تأخیرهای زمانی صفر، 1، 2 و 3 ماهه (به ترتیب میانگین سه ماهه اکتبر-نوامبر-دسامبر، سپتامبر-اکتبر- نوامبر، آگوست- سپتامبر- اکتبر و ژولای-آگوست- سپتامبر) وارد مدل شدند. مدل های پیش بینی نیز با استفاده از مدل فازی- عصبی ANFIS توسعه داده شدند. بر اساس نتایج به دست آمده، در تأخیر زمانی صفر، بارندگی و شاخص اقلیمی Nino3 به ترتیب با ضرائب همبستگی 0.97 و 0.75 و خطاهای 0.13 و 0.33 مناسب ترین متغیّرهای ورودی را تشکیل دادند؛ در تأخیر زمانی 1 ماهه، بارندگی، شاخص خشکسالی SPI و شاخص اقلیمی AMO به ترتیب با ضرائب همبستگی 0.67، 0.72، 0.65 و خطاهای 0.36، 0.35 و 0.39 بهترین متغیّرهای ورودی را شامل شدند؛ در تأخیر زمانی 2 ماهه، شاخص اقلیمی SOI با ضریب همبستگی 0.78 و خطای 0.31 به عنوان بهترین متغیّر ورودی انتخاب شد و در نهایت در تأخیر زمانی 3 ماهه، شاخص اقلیمی AMO با ضریب همبستگی 0.59 و خطای 0.42 مناسب ترین متغیّر ورودی را تشکیل داد.

هدف اصلی این مطالعه پیش بینی خشکسالی استان خراسان شمالی برای مدیریت بهینه منابع آب و بررسی اثرات آن بر تولید محصولات کشاورزی این شهرستان است. آمار و اطلاعات مورد نیاز برای پیش بینی خشکسالی از ایستگاه های هواشناسی سینوپتیک موجود و پیش بینی اطلاعات تعیین الگوی کشت از سازمان جهاد کشاورزی شهرستان بجنورد(مدیریت برنامه ریزی) در سال زراعی 1391 جمع آوری گردید. بررسی و تجزیه و تحلیل داده های بارش و تعیین دوره های خشکسالی برای زمان گذشته و حال به کمک شاخص خشکسالی SPI با استفاده از نرم افزار DIP انجام شد. به منظور بررسی اثرات خشکسالی بر بخش کشاورزی رابطه میان بارش و درآمد که اثرات کاهش میزان بارش بر عملکرد محصول و در نتیجه کاهش درآمد کشاورز بررسی گردید، در این بخش همچنین خسارت های ناشی از خشکسالی در بخش کشاورزی نیز تعیین گردید. نتایج به دست آمده نشان داد که مرطوب ترین و خشک ترین سال ها، به ترتیب سال های 71-1370 و 68-1367 بوده است. در طی دوره آماری، منطقه مورد مطالعه مجموعا 10 سال مرطوب و 11 سال خشک را پشت سر گذاشته است. همچنین شدیدترین خشکسالی مربوط به زمستان 1379 با میزان SPI تجمعی 2.85- و خفیف ترین خشکسالی مربوط به پاییز 1386 با میزان SPI تجمعی 0.54- می باشد. بر اساس بررسی های به عمل آمده، حدود 60% از سطح زیر کشت آبی به غلات(گندم و جو) اختصاص یافته است که علت این امر در انطباق فصل رشد این محصولات با رژیم آبدهی رودخانه ها می باشد.

آنالیز و پایش خشکسالی یکی از اصول مهم در مدیریت خشکسالی و ریسک، بویژه در مناطق در معرض خطر خشکسالی است. سیستم های پایش در تدوین طرح های مقابله با خشکسالی و مدیریت آن از اهمیت زیادی برخوردار می باشند. با این حال، مطالعات انجام شده در رابطه با این پدیده بر اساس روش های مناسب بسیار کم است، بررسی ویژگی های خشکسالی و پیش بینی آن می تواند در کاهش خسارات حاصل از آن موثر باشد بدین منظور، در این پژوهش به بررسی خشکسالی و ارزیابی امکان پیش بینی آن برای ایستگاه های حوضه دریاچه ارومیه پرداخته شد. داده های مورد استفاده در این پژوهش، مقدار بارندگی به صورت ماهانه در دوره آماری 29 ساله از سال 1985 تا 2014 می باشد. شاخص SEPI در مقیاس زمانی 6 و 12 ماهه برای بررسی ویژگی خشکسالی و مدل سیستم استنتاج عصبی–فازی تطبیقی برای پیش بینی خشکسالی استفاده می شود با توجه به یافته های حاصل در این پژوهش، درصد فراوانی وقوع خشکسالی در حوضه دریاچه ارومیه در ایستگاه های ارومیه و سقز و مراغه در مقیاس 6 ماهه بیش تر از مقیاس 12 ماهه است اما در ایستگاه های تبریز و مهاباد شرایط بر عکس می باشد. و روند خشکسالی در حوضه دریاچه ارومیه افزایشی است و روند دما با شدت بیش تری روند افزایشی دارد. بیش ترین درصد وقوع خشکسالی در ایستگاه ارومیه و کم ترین آن در مهاباد مشاهده شد. نتایج حاصل از پیش بینی شاخص با مدل ANFIS نشان داد در رابطه کد نویسی بیش ترین میانگین خطای آموزشی 51/0 درصد در ایستگاه تبریز در مقیاس 12 ماهه و کم ترین میانگین خطای آموزشی 36/0 درصد در ایستگاه مراغه در مقیاس 12 ماهه می باشد. در مدل سازی داده های اعتبارسنجی، میانگین خطای مدل سازی طبیعتاً بیش تر از میانگین خطای آموزشی می باشد.

ایران یکی از کشورهای خشک و نیمه خشک به شمار می رود که به خشکسالی دچار است. کمبود اطلاعات هواشناسی طولانی مدت در پهنه وسیعی از کشور یکی از بزرگ ترین مشکلات برای مشاهده و پیش بینی کوتاه مدت خشکسالی در ایران است. در این مقاله، با به کار بردن روش ماشین بردار پشتیبان (SVM) و با استفاده از داده های 42 ایستگاه سینوپتیک منتخب در ایران، عملکرد شاخص های پوشش گیاهی طیفی پهن باند NDVI، NDVI-DEV، VCI و TCI در پیش بینی خشکسالی بررسی شد. بدین منظور، از شاخص خشکسالی (SPI) برای بیان خشکسالی استفاده شد که نشان دهنده شدت و دوره خشکسالی، از سال 1985 تا 2008 است. شاخص های پوشش گیاهی یادشده از تصاویر سنجنده NOAA-AVHRR محاسبه و استخراج شدند. این شاخص ها، به صورت ورودی، به مدل SVM وارد شدند و مقادیر SPI را به دست دادند. با این روش، شاخص های TCI و NDVI، به ترتیب، دارای بالاترین و پایین ترین همبستگی با شرایط خشکسالی شناخته شدند