شاخص بارندگی استاندارد شده

دوره خشک به عنوان یک پدیده خزنده‌ای است که در اثر کمبود رطوبت ناشی از کاهش میزان بارندگی به وقوع می‌پیوندد. خسارات بسیار گسترده و وسیع این پدیده بخش‌های زیادی از جامعه را تحت تأثیر خود قرار داده و همه ساله زیان‌های بسیار زیادی را به بار می‌آورد، لذا پایش و پهنه‌بندی آن به عنوان یک اصل مهم در برنامه‌ریزی‌های کلان باید مد نظر قرار گیرد. به طور مشخص در این تحقیق، شاخص بارندگی استاندارد شده برای پایش دوره های خشک و چهار مدل رگرسیون، کرجینگ، Spline و IDW برای پهنه‌بندی این دوره‌ها استفاده شد. بررسی دوره های خشک در یک دوره آماری 33 ساله(1968-2000) در خراسان نشان داد که وقوع این پدیده، یک ویژگی اقلیمی است که در دوره های زمانی خاصی به وقوع می‌پیوندد. این بررسی نشان می‌دهد در سال‌های اخیر تکرار و تداوم این پدیده در کلیه نقاط استان افزایش داشته است ولی و از شدت آن کاسته شده است. همچنین مشخص شد که دوره های خشک به وقوع پیوسته در مناطق جنوبی استان تداوم و شدت بیشتری نسبت به مناطق مرکزی و شمالی استان دارد. بررسی روش‌های مختلف درون‌یابی برای پهنه‌بندی این بلای طبیعی با استفاده از سامانه اطلاعات جغرافیایی نشان داد که از بین چهار روش مختلف درون‌یابی، روش کریجینگ با توجه به عملکرد آن(ضریب همبستگی، MDE و MAE به ترتیب 71/0، 1/1- و 95/0) روش مناسبی برای درون‌یابی و در نهایت پهنه‌بندی شدت دوره های خشک است. لذا با استفاده از این روش مقادیر نقطه‌ای شاخص SPI ماهانه استفاده شده برای پایش دوره های خشک، به سطح تعمیم داده شده و نقشه‌های شدت این پدیده در مقیاس های زمانی متفاوت برای استفاده در برای برنامه‌ریزی های سازگار با دوره های خشک تولید شد.

هدف از پژوهش پیش رو، مقایسه کارایی مدل های استوکاستیک و شبکه های عصبی مصنوعی در پیش بینی کمّی شاخص بارندگی استاندارد شده (SPI) در اقلیم های خشک و مرطوب ایران است. برای این امر، محاسبه SPI، در مقیاس های زمانی سه ماهه، شش ماهه و دوازده ماهه در چهار ایستگاه سینوپتیک کشور طی دوره 2007-1973 انجام شد. در گام بعد، مدل سازی سری های زمانی SPI برای پیش بینی های یک تا دوازده گام به جلو، به سه روش مدل سازی استوکاستیک، شبکه عصبی بازگشتی (RMSNN) و شبکه عصبی مستقیم (DMSNN) انجام گرفت. مقادیر SPI مربوط به دوره 1973 تا 2000، برای توسعه مدل ها و مابقی برای صحت سنجی مدل ها مورد استفاده قرار گرفت. در مرحله صحت سنجی، مقایسه مقادیر مشاهده شده و پیش بینی شده SPI با استفاده از آزمون های آماری، ضریب همبستگی و شاخص خطا انجام شد. همچنین برای بررسی قابلیت مدل ها در پیش بینی طبقات SPI، از آماره کاپای کوهن استفاده شد. در نهایت، اولویت دقت مدل ها از دیدگاه هایی چون، افق زمانی پیش بینی و مقیاس زمانی بررسی خشکسالی تعیین شد. نتایج به دست آمده نشان داد: 1) در مقیاس زمانی سه، شش و دوازده ماهه، به طور کلی مدل های استوکاستیک (به ترتیب با میانگین خطای 678/0، 569/0 و 344/0 و میانگین ضریب همبستگی 682/0، 777/0 و 919/0) از نظر مهارت پیش بینی مقادیر SPI در اولویت کاربرد قرار دارند. 2) در مقیاس زمانی سه، شش و دوازده ماهه به ترتیب، مدل های DMSNN ، RMSNN و استوکاستیک (با میانگین کاپای 397/0، 530/0 و 750/0) از نظر مهارت پیش بینی طبقات SPI در اولویت کاربرد قرار دارند.