ارزیابی تطبیقی مدل‌های آماری و هوش مصنوعی برای پیش‌بینی خشکسالی در ایستگاه همدیدی اصفهان

خشکسالی هواشناسی رخدادی طبیعی، پیچیده ومخرب است که در کل کره زمین مشاهده می‌شود. پیش‌ بینی وقوع و شدت خشکسالی می‌تواند در مدیریت بحران آب و خسارت ناشی از آن موثر باشد. هدف از پژوهش حاضر انتخاب مناسب‌ترین مدل، از بین مدل‌های آماری و هوش مصنوعی برای پیش‌بینی خشکسالی در ایستگاه همدیدی اصفهان در دوره آماری 1990 تا 2020، با استفاده از شاخص معیار استاندارد (zsi) می‌باشد. در این مطالعه قابلیت و کارآیی مدل‌ خطی تصادفی sarima و سه مدل پیشرفته ماشین یادگیری؛ شبکۀ عصبی مصنوعی پیش‌خور (fnns)، پرسپترون چندلایه (mlp)، ماشین‌های 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 مدل‌های ساخته‌شده مدل شبکۀ عصبی مصنوعی پیش‌خور (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 پیش‌بینی شد. سپس، شدت خشکسالی داده‌های بارش پیش‌بینی شده بر اساس شاخص خشکسالی zsi در مقیاس‌های زمانی 3، 6، 9، 12، 18 و 24 ماهه محاسبه شد. نتایج ارزیابی شدت خشکسالی‌های پیش‌بینی ‌شده نشان داد، در مقیاس‌های زمانی 3 و 6 ماهه در سال‌های 2021 و 2023 و در مقیاس‌های زمانی 9 و 18 ماهه در سال 2024 خشکسالی شدید، خشکسالی متوسط در همه مقیاس‌های زمانی در سال 2024 و خشکسالی ضعیف در مقیاس‌های زمانی 3 ، 6 و 24 ماهه در سال‌های 2024 و 2025 اتفاق خواهد افتاد. در مجموع نتایج نشان داد که استفاده از مدل شبکه عصبی پیش‌خور دارای کارآیی  بیشتری است. از آن جا که پیش‌بینی انجام شده در همه مقیاس‌های زمانی می‌تواند خشکسالی را با وضوح بیشتری آشکار کند، این پیش‌بینی به‌نوبه خود برای تسهیل در توسعه راهبردهای مدیریت منابع آب موثر است.

Comparative Evaluation of Statistical Models and Artificial Intelligence for Drought Prediction in Isfahan Synoptic Station

Meteorological drought is a complex natural disaster that occurs everywhere in the world. Predicting the occurrence and severity of drought can be effective in managing water crises and their impacts. The purpose of the current study is to select the most appropriate model from statistical models and artificial intelligence (artificial neural networks) to predict drought in Isfahan synoptic station during the span period of 19901920 using the ZScore index (ZSI). In this study, the capability and efficiency of the SARIMA stochastic linear model and three advanced learning machine models of the Feedforward Neural Networks (FNNs), Multilayer Perceptron (MLP), and Extreme Learning Machines (ELM) were evaluated based on Root Mean Squared Error (RMSE), Mean Absolute Square Error (MASE) and Mean Absolute Error (MAE). The results showed that among the many models made, the Feedforward Neural Networks (FNNs) model with RMSE of 0.33, MASE of 0.02, and MAE of 0.22 were selected as the best model. Using the superior model, precipitation for the period of 20252021 of Isfahan synoptic station was predicted, then based on the ZSI drought index, drought intensity of forecast precipitation data in 3, 6, 9, 12month time scales, 18, and 24 months was calculated. The results of drought severity predicting showed that severe drought in 3 and 6 month time scales in 2021 and 2023 and in 9 and 18 month time scales in 2024, moderate drought in all time scales in 2024, and weak droughts occurred at the 3, 6, and 24month time scales in 2024 and 2025, respectively. Overall, the results showed that the use of feed neural network model was more efficient. Since predicting drought at all time scales can reveals drought more accurately, this predicting in turn to facilitate the development of water resources management strategies for management of drought is effective.