بررسی احتمال خشکسالی و انتخاب مناسب‌ترین شاخص در نواحی اقلیمی ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه جغرافیا، دانشکده ادبیات و علوم انسانی، دانشگاه رازی، کرمانشاه، ایـران

2 گروه آمار، دانشکده ادبیات و علوم انسانی، دانشگاه رازی، کرمانشاه، ایـران

چکیده

هدف: ایران کشوری پهناور است که به دلیل موقعیت جغرافیایی و شرایط توپوگرافی، دارای آب و هوایی متفاوت است. پژوهش حاضر با هدف انتخاب مناسب­‌ترین شاخص خشکسالی در نواحی اقلیمی ایران و بررسی احتمال وقوع آن از طریق روش‌­های عدم قطعیت انجام شده است.
روش و داده: لذا در این پژوهش در گام نخست از طریق روش‌­های تصمیم­‌گیری چندمعیاره، مناسب‌­ترین شاخص برای هر ناحیه اقلیمی بر اساس درصد تناسب، انتخاب و در نهایت بر اساس روش‌­های شبکه عصبی مصنوعی، آنالیز احتمالی محاسبه و درصد احتمال وقوع پدیده خشکسالی برای هر ناحیه تعیین شده است. پس از انتخاب شاخص مناسب، برای بیان احتمال وقوع خشکسالی از داده‌­های آماری ایستگاه‌های سینوپتیک کشور در یک دوره آماری ۲۸ ساله (۲۰۱۷-۱۹۹۰) استفاده شده است. با توجه به توالی داده‌­های بارشی، از دو نوع شبکه عصبی معمولی و عمیق برای بررسی پدیده خشکسالی استفاده گردید. ضمناً برای جبران کمبود داده‌­ها و افزایش سرعت همگرایی شبکه، از روش کرنل برای تولید داده‌­ها در آموزش شبکه عصبی، و برای تحلیل شبکه عصبی مصنوعی و محاسبه احتمال رخداد پدیده خشکسالی، از نظریه تئوری ابری استفاده شده است.
یافته‌ها: در حالت کلی نتیجه نهایی آنالیز تئوری ابری از داده‌های مورد مطالعه نشان می­‌دهد که در تمامی ایستگاه­‌های بررسی شده در سال هدف یعنی سال ۲۰۱۷، کشور ایران و تمامی ایستگاه‌های نماینده، وضعیت اقلیمی نزدیک به محدوده نرمال را نشان داده‌­اند و کشور به لحاظ شدت خشکسالی در سال مذکور تقریباً در محدوده نرمال قرار داشته است. بیشترین قطعیت وقوع خشکسالی، به ترتیب به ایستگاه تبریز (۹۶ درصد) و ایستگاه همدان (۹۴ درصد) تعلق دارد.
نتیجه‌گیری: بر مبنای نتایج، مدل عدم قطعیت انتخابی در آنالیز احتمال از توانایی بالایی برخوردار بوده و با درصد اطمینان قابل قبولی احتمال رخداد خشکسالی را پیش‌­بینی کرده است.
نوآوری، کاربرد نتایج: با توجه به تفاوت مناطق اقلیمی ایران و حذف مداخله کاربر، و با استفاده از محاسبات علمی و ریاضی، ضریب خطا در انتخاب شاخص کاهش می‌یابد. سپس با کمک روش‌های عدم قطعیت مانند تئوری ابری، توانایی پیش‌بینی احتمال وقوع خشکسالی در آینده افزایش می‌یابد.

کلیدواژه‌ها

عنوان مقاله [English]

Exploring the Probability of Drought and selecting the most Appropriate Indicator for Climatic Regions of Iran

نویسندگان [English]

  • Laleh Salimi 1
  • jafar masoompour 1
  • Firouz Mojarrad 1
  • Abdollah Jalilian 2
1 Department of Geography, Faculty of Literature and Human Sciences, Razi University, Kermanshah, Iran
2 Department of Statistics, Faculty of Science, Razi University, Kermanshah, Iran
چکیده [English]

Aim: Iran is a vast country with a different climate due to its geographical location and topographical conditions. The current research was carried out to select the most appropriate drought index in Iran's climatic regions and investigate the probability of its occurrence through uncertainty methods. 
Material & Method: In this research, in the first step, through multi-criteria decision-making methods, the most suitable index for each climate zone is selected based on the percentage of suitability, and finally, based on artificial neural network methods, probability analysis is calculated and the probability of the phenomenon occurring. In this research, after choosing the appropriate index, the statistical data of the country's synoptic station in a statistical period of 28 years (1990-2017) has been used to express the probability of drought, and the Kernel method has been used to converge the data.
Finding: The final result of the cloud theory analysis of the studied data shows that in all the stations examined in the target year, i.e., 2017, the country of Iran and all the representative stations have shown climatic conditions close to the normal range. The highest likelihood of occurrence belongs to Tabriz station (96%) and Hamedan station (94%).
Conclusion: Based on the results, the selective uncertainty model has a high ability in probability analysis and has predicted the probability of drought with an acceptable percentage of confidence.
Innovation: Due to the difference in climatic regions of Iran, the elimination of user intervention, and the use of scientific and mathematical calculations, the error rate in selecting the index is reduced. Then, with the help of uncertainty methods such as cloud theory, the ability to predict the probability of drought in the future increases.

کلیدواژه‌ها [English]

  • Drought
  • Artificial Neural Network
  • Computational Intelligence Models
  • Cloud Theory
  • Uncertainty
  • Climatic Regions of Iran

مراجع

انصاری، حسین؛ داوری، کامران و ثنایی‌نژاد، سید حسین. (1389)، پایش خشکسالی با استفاده از شاخص بارندگی و تبخیر و تعرق استاندارد شده (SPEI) توسعه یافته براساس منطق فازی، نشریۀ آب و خاک، 24 (1)، 52-38.
پورمحمدی، سمانه. (1392). بررسی عدم‌قطعیت‌های شاخص خشکسالی در دوره‌های آتی توسط روش‌های ریزمقیاس نمایی مدل‌های گردش عمومی جو (مطالعه موردی: ایستگاه نوژه همدان)، پنجمین کنفرانس مدیریت منابع آب.
ترابی پوده، حسن؛ دهقانی، رضا و رستمی، سعید. (1397). تخمین خشکسالی در استان لرستان با استفاده از شبکه‌های هوشمند، پژوهش‌های اقلیم‌شناسی، 9 (35)، 52- 41.
جمال، مریم؛ ابراهیمی، حسین و موسوی جهرمی، سیدحبیب. (1399).  عدم قطعیت در محاسبه شاخص خشکسالی هیدرولوژیکی با کاربرد توزیع گاما (مطالعه موردی: حوضه آبریز دریاچه ارومیه) (یادداشت فنی)، تحقیقات منابع آب ایران، 16 (4)، 312- 302.
حسن‌زاده، یوسف؛ عبدی کردانی، امین و فاخری فرد، احمد. (1391). پیش‌بینی خشکسالی با استفاده از الگوریتم ژنتیک و مدل ترکیبی شبکه عصبی - موجکی. نشریه آب و فاضلاب، 23 (3)، 59- 48.
خسروی، محمود؛ نصیری، مریم و صفوی، سیدعلی اکبر. (1390). پیش‌بینی خشکسالی شیراز به کمک شبکه عصبی رادیال بیس، پنجمین کنفرانس سراسری آبخیزداری و مدیریت منابع آب و خاک کشور، کرمان.
ده بزرگی، مه‌رو، ملکیان، آرش و احسانی، امیرهوشنگ. (1394). ارزیابی عملکرد شبکه عصبی مصنوعی در پیش‌بینی خشکسالی هواشناسی در شمال غرب ایران. تحقیقات کاربردی علوم جغرافیایی (علوم جغرافیایی)، 15 (36)، 156- 139.
رستمی، مهناز؛ پهلوان‌روی، احمد و مقدم‌نیا، علیرضا. (1394). پیش‌بینی خشکسالی با به کارگیری از مدل‌های شبکه عصبی مصنوعی و سیستم استنتاج عصبی - فازی تطبیقی در حوزة مُند استان فارس، مخاطرات محیط طبیعی، 4 (6)، 32- 21.
رضیئی، طیب. (1396). منطقه­بندی اقلیمی ایران به روش کوپن - گایگر و بررسی جابه­جایی مناطق اقلیمی کشور در سدة بیستم، فیزیک زمین و فضا، 43 (2)، 439- 419.
 علی‌پور، حسن؛ چهارسوقی، امین و قریب، حامد. (1392). بررسی اثرات خشکسالی بر وضعیت اقتصادی – اجتماعی کشاورزان، مطالعه موردی: گندم‌کاران شهرستان نهبندان، پژوهش‌های آبخیزداری (پژوهش و سازندگی)، 26 (2)، 125-113.
قاسم‌نژاد، فائزه؛ فاضلی، مهدی؛ بذرافشان، ام‌البنین و پروین‌نیا، محمد. (1398). تحلیل عدم قطعیت مشخصه‌های خشکسالی هیدرولوژیکی با استفاده از ابرمکعب لاتین (مطالعة موردی: حوزة آبخیز سد میناب)، مرتع و آبخیزداری (منابع طبیعی ایران)، 72 (2)، 542 – 527.
معصوم­پور سماکوش، جعفر، سهرابی، وحید و میری، مرتضی. (1401). ارزیابی و پیش­بینی خشکسالی­های غرب و شمال غرب ایران با استفاده از شبکه هوش عصبی، فصلنامه مطالعات جغرافیایی مناطق کوهستانی. ، 2 (10)، 37-19.
ملکیان، آرش؛ مه رو، ده بزرگی؛ احسانی، امیر هوشنگ و کشت‌کار،  امیررضا. (1392). کاربرد شبکة عصبی مصنوعی در پیش‌بینی و شبیه‌سازی شاخص اقلیمی خشک‌سالی هواشناسی دهک بارش (مطالعة موردی: استان سیستان و بلوچستان)، نشریه مرتع و آبخیزداری، 67 (1)، 139- 127.
یونسی، محبوبه؛ شهرکی، نادیا؛ معروفی، صفر و نوذری، حامد. (1397). پیش‌بینی خشکسالی با استفاده از مدل تلفیقی شبکه عصبی مصنوعی موجک و مدل سری زمانی ARIMA، علوم و مهندسی آبیاری، 41 (2)، 181- 167.
AghaKouchak, A., Mirchi, A., Madani, K., Di Baldassarre, G., Nazemi, A., Alborzi, A., ... & Wanders, N. (2021). Anthropogenic drought: definition, challenges, and opportunities.‏ https://doi.org/10.1029/2019RG000683
Aien, M., Hajebrahimi, A., & Fotuhi-Firuzabad, M. (2016). A comprehensive review on uncertainty modeling techniques in power system studies. Renewable and Sustainable Energy Reviews, 57, 1077-1089.‏ https://doi.org/10.1016/j.rser.2015.12.070
Ashraf, S., Nazemi, A., & AghaKouchak, A. (2021). Anthropogenic drought dominates groundwater depletion in Iran. Scientific reports, 11(1), 9135.‏ https://doi.org/10.1038/s41598-021-88522-y
Bai, X., Wang, Y., Jin, J., Ning, S., Wang, Y., & Wu, C. (2020). Spatio-temporal evolution analysis of drought based on cloud transformation algorithm over Northern Anhui Province. Entropy, 22(1), 106.‏ https://doi.org/10.3390/e22010106
Barua, S., Ng, A. W. M., & Perera, B. J. C. (2012). Artificial neural network–based drought forecasting using a nonlinear aggregated drought index. Journal of Hydrologic Engineering, 17(12), 1408-1413. ‏ https://doi.org/10.1061/(ASCE)HE.1943-5584.0000574
Bishop, C. M. (1994). Neural networks and their applications. Review of scientific instruments, 65(6), 1803-1832.‏ https://doi.org/10.1063/1.1144830
Boccard, J., & Rudaz, S. (2013). Mass spectrometry metabolomic data handling for biomarker discovery. In Proteomic and metabolomic approaches to biomarker discovery (pp. 425-445). Academic Press.‏ https://doi.org/10.1016/B978-0-12-394446-7.00027-3
Hashemipour, N., Aghaei, J., Lotfi, M., Niknam, T., Askarpour, M., Shafie‐khah, M., & Catalão, J. P. (2020). Multi‐objective optimisation method for coordinating battery storage systems, photovoltaic inverters and tap changers. IET Renewable Power Generation, 14(3), 475-483.‏ https://doi.org/10.1049/iet-rpg.2019.0644
Hashemipour, S. N., & Aghaei, J. (2017, December). Chance constrained power-flow for voltage regulation in distribution systems. In 2017 Smart Grid Conference (SGC) (pp. 1-6). IEEE.‏ https://doi.org/10.1109/SGC.2017.8308848
Kavousi-Fard, A., Niknam, T., & Fotuhi-Firuzabad, M. (2015). A novel stochastic framework based on cloud theory and $\theta $-modified bat algorithm to solve the distribution feeder reconfiguration. IEEE Transactions on Smart Grid, 7(2), 740-750.‏ https://doi.org/10.1109/TSG.2015.2434844
Mallapur, S., & Platz, R. (2019). Uncertainty quantification in the mathematical modelling of a suspension strut using Bayesian inference. Mechanical Systems and Signal Processing, 118, 158-170.‏ https://doi.org/10.1016/j.ymssp.2018.08.046
Mandic, D., & Chambers, J. (2001). Recurrent neural networks for prediction: learning algorithms, architectures and stability. Wiley. ISBN: 978-0-471-49517-8 
Mishra, A. K., & Desai, V. R. (2006). Drought forecasting using feed-forward recursive neural network. ecological modelling, 198(1-2), 127-138.‏ https://doi.org/10.1016/j.ecolmodel.2006.04.017
Natke, H. G. (Ed.). (2012). Safety evaluation based on identification approaches related to time-variant and nonlinear structures. Springer Science & Business Media.‏, ISBN: 978-3-322-89467-0.
Ozger, M., Mishra, A. K., & Singh, V. P. (2011). Estimating Palmer Drought Severity Index using a wavelet fuzzy logic model based on meteorological variables. International journal of climatology, 31(13), 2021-2032.‏ https://doi.org/10.1002/joc.2215
Ribeiro, A. F., Russo, A., Gouveia, C. M., & Pires, C. A. (2020). Drought-related hot summers: A joint probability analysis in the Iberian Peninsula. Weather and Climate Extremes, 30, 100279.‏ https://doi.org/10.1016/j.wace.2020.100279
Willhite, D. A. (1987). The role of government in planning for drought, toward a reduction of social,vulnerability, Boulder, Co:westview press.
Wu, C., Zhou, L., Zhang, L., Jin, J., & Zhou, Y. (2019). Precondition cloud algorithm and Copula coupling model-based approach for drought hazard comprehensive assessment. International Journal of Disaster Risk Reduction, 38, 101220.‏ https://doi.org/10.1016/j.ijdrr.2019.101220
Zhang, H., Wang, T., Ding, Z., Zhang, X., & Han, L. (2020). Uncertainty analysis of impact factors of eco-environmental vulnerability based on cloud theory. Ecological Indicators, 110, 105864.‏ https://doi.org/10.1016/j.ecolind.2019.105864.
مطالعات جغرافیایی مناطق خشک
دوره 14، شماره 53
مهر 1402
صفحه 39-18

فایل ها

هم رسانی

ارجاع به این مقاله

آمار