بررسی عملکرد الگوریتم های kstar و gpr در مدل سازی شاخص خشکسالی هواشناسی rdi (مطالعه موردی: شرق حوضه دریاچه ارومیه)

خشکسالی یکی از بلایای طبیعی است که سالانه خسارات فراوانی را برای جوامع مختلف به دنبال دارد. پایش خشکسالی ها می تواند اطلاعات با ارزشی جهت تدوین برنامه های مقابله با خشکسالی و کاهش خسارات مربوط به آن در اختیار مدیران و برنامه ریزان منابع آب بگذارد. در تحقیق حاضر، خشکسالی هواشناسی چهار ایستگاه سینوپتیک (synoptic scale meteorology) اهر، جلفا، تبریز و مراغه در استان آدربایجان شرقی، شرق دریاچه ارومیه با استفاده از شاخص خشکسالی rdi در دوره آماری 1955 تا 2019 مورد بررسی و تحلیل قرار گرفت. برای محاسبه شاخص rdi از داده های بارش و تبخیر تعرق پتانسیل ماهانه با روش فائو پنمن مانتیث (fp-m) استفاده شد. شاخص rdi برای هر ایستگاه به صورت جداگانه و درسه مقیاس زمانی 6، 9 و 12 ماهه محاسبه گردید و نتیجه محاسبات نشان داد در مقیاس زمانی 12 ماهه پایش خشکسالی بهتر از مقیاس های زمانی دیگر می باشد. سپس با استفاده از الگوریتم های kstar و gpr شاخص rdi در سه مقیاس زمانی مدل سازی شد. نتایج حاصل از معیارهای ارزیابی، عملکرد بالای الگوریتم های ذکرشده را نشان داد به طوری که مقدار عددی ضریب همبستگی الگوریتم gpr برای همه ایستگاه ها 0.92 و همین ضریب با الگوریتم kstar در بازه 0.91 تا 0.92 قرار دارد. همچنین مقدار عددی rmse با الگوریتم gpr بازه 0.31 تا 0.39 و الگوریتم kstar 0.32 تا 0.51 را به دست آورد. از این نتایج می توان ادعا کرد که الگوریتم gpr با دقت بالاتری شاخص خشکسالی rdi را مدل کرده است.

investigating the performance of kstar and gpr algorithms in modeling rdi meteorological drought index (case study: east of urmia lake basin)

drought is a severe hydrological event that can cause serious problems in human life. in this context, it can have adverse effects on water supply and quality, public health, agricultural productivity, land degradation, desertification, famine, etc. (madadgar and moradkhani, 2014; li et al., 2020). in a general classification, drought events are classified into four different categories, meteorological, hydrological, agricultural and socio-economic droughts (wilhite and glantz, 1985; khadr, 2016). some of the well-known and common meteorological drought indices in drought monitoring include palmer drought severity index (pdsi), drought identification index (rdi), standardized precipitation index (spi) and standard precipitation evapotranspiration index. considering the significant role of evaporation and transpiration in the water balance, it is necessary to consider its effect when studying drought in a particular region. based on this, rdi, which includes both precipitation and evaporation and transpiration, can be considered as a reliable indicator for drought monitoring (moeinifar et al., 1400). according to importance of drought as a natural phenomenon in hydrological and meteorological studies, its monitoring and forecasting with a suitable approach can be important. the main role of drought prediction in risk management, reducing the effects of drought on existing water resources and their optimal use, the possibility of rational decision-making by decision makers to minimize the damages caused by drought, as well as planning and managing resource projects. it has water. (khadr et al., 2016; madrigal et al., 2018; beyaztas and yaseen, 2019). among the models worked till date, single kstar and gpr models are the newest models for drought prediction.