ارزیابی تطبیقی مدل های آماری و هوش مصنوعی برای پیش بینی خشکسالی در ایستگاه همدیدی اصفهان

خشکسالی هواشناسی رخدادی طبیعی، پیچیده ومخرب است که در کل کره زمین مشاهده می شود. پیش بینی وقوع و شدت خشکسالی می تواند در مدیریت بحران آب و خسارت ناشی از آن موثر باشد. هدف از پژوهش حاضر انتخاب مناسب ترین مدل، از بین مدل های آماری و هوش مصنوعی برای پیش بینی خشکسالی در ایستگاه همدیدی اصفهان در دوره آماری 1990 تا 2020، با استفاده از شاخص معیار استاندارد (ZSI) می باشد. در این مطالعه قابلیت و کارآیی مدل خطی تصادفی SARIMA و سه مدل پیشرفته ماشین یادگیری؛ شبکه عصبی مصنوعی پیش خور (FNNs)، پرسپترون چندلایه (MLP)، ماشین های یادگیری افراطی (ELM)، بر اساس معیار ریشه میانگین مربعات خطا (RMSE)، میانگین مجذور خطای مطلق (MASE) و میانگین قدر مطلق خطاها (MAE) مورد ارزیابی قرار گرفت، نتایج نشان داد که از بین انبوه مدل های ساخته شده مدل شبکه عصبی مصنوعی پیش خور (FNN) با مقادیر RMSE برابر 0.33، MASE برابر 0.02 و MAE برابر 0.22 بهترین مدل پیش بینی است. با استفاده از مدل برتر، بارش 60 ماه آینده ایستگاه همدیدی اصفهان از سال 2021 تا سال 2025 پیش بینی شد. سپس، شدت خشکسالی داده های بارش پیش بینی شده بر اساس شاخص خشکسالی ZSI در مقیاس های زمانی 3، 6، 9، 12، 18 و 24 ماهه محاسبه شد. نتایج ارزیابی شدت خشکسالی های پیش بینی شده نشان داد، در مقیاس های زمانی 3 و 6 ماهه در سال های 2021 و 2023 و در مقیاس های زمانی 9 و 18 ماهه در سال 2024 خشکسالی شدید، خشکسالی متوسط در همه مقیاس های زمانی در سال 2024 و خشکسالی ضعیف در مقیاس های زمانی 3 ، 6 و 24 ماهه در سال های 2024 و 2025 اتفاق خواهد افتاد. در مجموع نتایج نشان داد که استفاده از مدل شبکه عصبی پیش خور دارای کارآیی  بیشتری است. از آن جا که پیش بینی انجام شده در همه مقیاس های زمانی می تواند خشکسالی را با وضوح بیشتری آشکار کند، این پیش بینی به نوبه خود برای تسهیل در توسعه راهبردهای مدیریت منابع آب موثر است.