بررسی کارآیی مدل Nar در پیش‌بینی کوتاه‌مدت و بلند‌مدت خشکسالی در مناطق خشک

در مدیریت منابع آب، پیش ‌بینی خشکسالی در مناطق خشک اهمیت زیادی دارد. چون به برنامه ‌ریزان فرصت می دهد تا برای کاهش تاثیر منفی خشکسالی، سازگاری با آن را برنامه‌ ریزی کنند.  با توجه به تغییرپذیری زیاد زمانی و مکانی بارش در این مناطق، فراوانی وقوع خشکسالی بیشتر و مدل ‌سازی و پیش‌ بینی خشکسالی در این مناطق سخت‌ تر است. در پژوهش حاضر با توجه به ماهیت غیرخطی و چرخه‌ ای سری ‌های زمانی خشکسالی، از شبکه‌ های عصبی خود رگرسیون غیرخطی (nars) برای پیش ‌بینی کوتاه ‌مدت و بلندمدت خشکسالی ایستگاه همدیدی یزد در دورۀ 2006 تا 2018 استفاده شد. همچنین شاخص rdi که علاوه بر بارش، تبخیر و تعرق پتانسیل را نیز در پایش خشکسالی در نظر می ‌گیرد، در سه مقیاس یک، سه و شش ماهه محاسبه گردید. تبخیر و تعرق پتانسیل با استفاده از روش فائوپنمنمانتیث محاسبه شد. نتایج پیش‌ بینی کوتاه مدت (یک ماهه) خشکسالی نشان داد مدل کارآیی زیادی در پیش ‌بینی مقدارهای rdi سه و شش ماهه دارد. نتایج پیش ‌بینی بلند مدت خشکسالی که بدون دسترسی مدل به داده‌ های واقعی خشکسالی در دورۀ 2006 تا 2018 انجام شد، نشان داد مقدار rdi در ماه ‌های خشک در مقیاس سه ماهه تطابق بهتری با مقدار واقعی نسبت به دیگر مقیاس‌ های زمانی دارد. برای ارتقا کارآیی مدل در پیش ‌بینی بلند مدت خشکسالی، مقدارهای بارش و تبخیر و تعرق پتانسیل به صورت بلندمدت و بدون دسترسی مدل به داده ‌های واقعی دوره 2006 تا 2018، پیش ‌بینی شد. سپس مقادیر rdi بر اساس داده‌ های پیش ‌بینی شده بارش و تبخیر و تعرق پتانسیل، محاسبه گردید. نتایج نشان داد دقت پبش ‌بینی در مقیاس یک و سه ماهه افزایش می یابد. همچنین در مقیاس شش ماهه داده های rdi در ماه ‌های خشک با دقت بیشتری پیش ‌بینی شد.

Performance Analysis of NAR Model for Short and Long Term Drought Forecasting in Arid Regions

Drought forecasting is of particular importance in water resources management. Drought forecasting allows planners to schedule for reducing the negative impacts of drought as well as to adapt to it. Drought prediction is more important in arid regions. Because these areas are inherently water scares and the consequences of drought in these areas are more severe. Due to the high variabilities of the temporal and spatial distribution of precipitation in these areas, the frequency of drought is higher and results in more difficulty to model and predict drought. In this study, since drought time series is nonlinear and cyclic, nonlinear autoregressive neural networks (NARs) were used to predict shortterm and longterm drought in Yazd synoptic station from 2006 to 2018. Reconnaissance Drought Index (RDI) which in addition to precipitation, considers potential evapotranspiration to monitor droughts, for one, three, and six months timescales was calculated. Potential evapotranspiration was calculated using the FAOPenmanMonteith method. The results of shortterm (one month) drought prediction presented that the model provides high performance in predicting three and six months RDI values. The results of longterm (13years) drought forecasting (without access to real drought data from 2006 to 2018) indicated that RDI values in dry months show best fit to real values ​​ in ​​ three months’ timescale. To improve the efficiency of the model in the longterm drought forecasting, longterm precipitation and potential evapotranspiration (without model access to real data from 2006 to 2018) were predicted. RDI values ​​were then calculated based on the predicted precipitation and potential evapotranspiration data. The results showed that the prediction accuracy increased in one and three months scales. Also, on six months’ timescale, RDI data were more accurately predicted in dry months.