چکیده:
خشکسالی بهعنوان مخاطرهای اقلیمی، تاثیر بسزایی بر محیطزیست و به تبع آن انسان و سایر موجودات زنده دارد. ازاینرو پایش و پیشبینی این پدیده امری لازم و ضروری میباشد. در این پژوهش با هدف بررسی و ارزیابی پیشبینی خشکسالی در نیمه غربی کشور از شاخص خشکسالی استاندارد شدۀ چند متغیره (MSDI) و روشهای مبتنی بر هوش مصنوعی استفاده شده است. جهت پیشبینی مقادیر این شاخص در محدوده مطالعاتی، از دادههای ماهانه بارش و رطوبت خاک پایگاه داده MERRA طی دوره 36 ساله (1980-2016) بهعنوان ورودی و مقادیر محاسبه شده MSDI بعنوان خروجی بهره برده شد. نتایج تحلیل خشکسالی ماهانه براساس این دادهها نشان داد که شدیدترین خشکسالی در منطقه مورد مطالعه حد فاصل ماههای مارس تا اکتبر به وقوع پیوسته و کانون اصلی وقوع این پدیده، استانهای لرستان و خصوصا ایلام و کرمانشاه میباشند. این نتایج با بررسی نقشههای فصلی و سالانه نیز مطابقت دارد. طبق طبقهبندی شاخص MSDI، خشکسالی شدید در منطقه مورد مطالعه ثبت نشده است و خشکسالیها در طبقه متوسط قرار داشتند. نتایج حاصل از مدلسازی شبکههای عصبی مصنوعی نیز نشان داد که استفاده از شبکههای عصبی مصنوعی بهطور کلی از توانایی شبیهسازی مناسبی برخوردار میباشند. از بین الگوریتمهای استفادهشده جهت بهینهسازی شبکۀ عصبی مصنوعی، الگوریتم ژنتیک، بهترین عملکرد را نسبت به سایر روشها در پیشبینی خشکسالیها دارا میباشد.
Drought, as a climate threat, has a significant impact on the environment and, consequently, on humans and other living organisms. Therefore, monitoring and predicting this phenomenon is necessary. This study, to examine and evaluate the drought forecast in the west and north-west of Iran, including Hamedan, Kermanshah, Kurdistan, West Azerbaijan, East Azerbaijan, Ardabil, Zanjan, Qazvin, Ilam, Markazi, Gilan, and Lorestan, have been used multivariate standardized drought index (MSDI) and methods based on artificial intelligence. To predict the values of this index in the study area, monthly rainfall, and soil moisture, as the input, and the calculated amount of MSDI, as output, was applied. The grid data on precipitation and soil moisture for a period of 36 years (1980-2016) were obtained from the MERRA database. The results of monthly drought analysis based on these data showed that the most severe drought in the study area occurred from March to October and the main focus of this phenomenon are Lorestan provinces, especially Ilam and Kermanshah. The findings were following seasonal and annual maps. According to the MSDI index classification, no severe drought was observed in the study area and the droughts were in the middle class. The results of artificial neural network modeling also showed that the use of artificial neural networks, in general, has an appropriate ability to simulate properly. Among the algorithms used to optimize the artificial neural network, the genetic algorithm has the best performance compared to other methods in predicting drought.