ارزیابی و پیش بینی خشکسالی های غرب و شمال غرب ایران با استفاده از شبکه عصبی مصنوعی

خشکسالی به‌عنوان مخاطره ای اقلیمی، تاثیر بسزایی بر محیط‌زیست و به تبع آن انسان و سایر موجودات زنده دارد. ازاین‌رو پایش و پیش بینی این پدیده امری لازم و ضروری می‌باشد. در این پژوهش با هدف بررسی و ارزیابی پیش بینی خشکسالی در نیمه غربی کشور از شاخص خشکسالی استاندارد شدۀ چند متغیره (msdi) و روش های مبتنی بر هوش مصنوعی استفاده شده است. جهت پیش‌بینی مقادیر این شاخص در محدوده مطالعاتی، از داده های ماهانه بارش و رطوبت خاک پایگاه داده  merra طی دوره 36 ساله (1980-2016) به‌عنوان ورودی و مقادیر محاسبه شده msdi بعنوان خروجی  بهره برده شد.  نتایج تحلیل خشکسالی ماهانه براساس این داده ها نشان داد که شدیدترین خشکسالی در منطقه مورد مطالعه حد فاصل ماه های مارس تا اکتبر به وقوع پیوسته و کانون اصلی وقوع این پدیده، استان های لرستان و خصوصاً ایلام و کرمانشاه می باشند. این نتایج با بررسی نقشه های فصلی و سالانه نیز مطابقت دارد. طبق طبقه بندی شاخص msdi، خشکسالی شدید در منطقه مورد مطالعه ثبت نشده است و خشکسالی ها در طبقه متوسط قرار داشتند. نتایج حاصل از مدل‌سازی شبکه های عصبی مصنوعی نیز نشان داد که استفاده از شبکه های عصبی مصنوعی به‌طور کلی از توانایی شبیه سازی مناسبی برخوردار می باشند. از بین الگوریتم های استفاده‌شده جهت بهینه سازی شبکۀ عصبی مصنوعی، الگوریتم ژنتیک، بهترین عملکرد را نسبت به سایر روش‌ها در پیش بینی خشکسالی‌ها دارا می باشد.

evaluation and prediction of droughts in the west and northwest of iran using artificial neural network

drought, as a climate threat, has a significant impact on the environment and, consequently, on humans and other living organisms. therefore, monitoring and predicting this phenomenon is necessary. this study, to examine and evaluate the drought forecast in the west and north-west of iran, including hamedan, kermanshah, kurdistan, west azerbaijan, east azerbaijan, ardabil, zanjan, qazvin, ilam, markazi, gilan, and lorestan, have been used multivariate standardized drought index (msdi) and methods based on artificial intelligence. to predict the values of this index in the study area, monthly rainfall, and soil moisture, as the input, and the calculated amount of msdi, as output, was applied. the grid data on precipitation and soil moisture for a period of 36 years (1980-2016) were obtained from the merra database. the results of monthly drought analysis based on these data showed that the most severe drought in the study area occurred from march to october and the main focus of this phenomenon are lorestan provinces, especially ilam and kermanshah. the findings were following seasonal and annual maps. according to the msdi index classification, no severe drought was observed in the study area and the droughts were in the middle class. the results of artificial neural network modeling also showed that the use of artificial neural networks, in general, has an appropriate ability to simulate properly. among the algorithms used to optimize the artificial neural network, the genetic algorithm has the best performance compared to other methods in predicting drought.