بررسی کارآیی مدل NAR در پیش بینی کوتاه مدت و بلند مدت 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 دوره 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 فایو-پنمن-مانتیث 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 دوره 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.