ارائه مدل تلفیقی عددی-یادگیری ماشین Galerkin-MARS به‌منظور مدل‌سازی خشک‌سالی هواشناسی (مطالعه موردی: استان خوزستان)

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران

2 استادیار، گروه مهندسی احیاءمناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران.

10.22059/jwim.2025.392401.1213

چکیده

خشک‌سالی یکی از بلایای طبیعی، به‌ویژه در مناطق خشک و نیمه‌خشک به‌شمار می‌آید. تحلیل شرایط، مشخصات و وﺿﻌﻴﺖ ﺧﺸک‌سالی ﺑﻪﻋﻨﻮان یک نوع خطر ﻃﺒﻴﻌﻲ در مناطق مختلف ﺑﺎ تمرکز بر جمع‌آوری راهکارهای ﻣﻘﺎﺑﻠﻪ ﺑﺎ خشک‌سالی و ﻣﺪﻳﺮﻳﺖ مخاطرات آن دارای اهمیت بسیار بالایی می‌باشد. در پژوهش حاضر، تجزیه و تحلیل و پیش‌بینی خشک‌سالی هواشناسی در استان خوزستان با مدل‌های انفرادی Galerkin و MARS و مدل تلفیقی هوشمند Galerkin-MARS در طول دوره آماری 30 ساله (1399-1369) مورد بررسی قرار گرفت. جهت ارزیابی شرایط خشک‌سالی، از شاخص بارش استاندارد شده (SPI) ‌حاصل از داده‌های هشت ایستگاه سینوپتیک استان خوزستان استفاده شد. در گام بعدی، نتایج مدل‌سازی توسط مدل‌های ذکر شده و با استفاده از شاخص‌های نیکویی برازش با یکدیگر مقایسه شدند. نتایج بیانگر این بود که مدل تلفیقی Galerkin-MARS به‌منظور برآورد شاخص SPI در استان خوزستان از کارایی بسیار بالایی برخوردار است. هم‌چنین پنجره‌های زمانی بلندمدت SPI از دقت بالاتری نسبت به پنجره‌های زمانی کوتاه مدت در منطقة مورد مطالعه برخوردار بودند. به‌طور کلی می‌توان گفت که تلفیق مدل‌های عددی با یادگیری ماشین در استان خوزستان، افزایش دقت در مدل‌سازی نمایه SPI را به دنبال دارد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Presenting a combined numerical-machine learning model Galerkin-MARS for modeling meteorological drought (Case study: Khuzestan Province)

نویسندگان [English]

  • Sadaf Piri 1
  • Mohammad Ansari ghojghar 2
1 Department of Arid and Mountainous Areas Restoration Engineering, Faculty of Natural Resources, University of Tehran, Karaj, Iran
2 Assistant professor, Department of reclamation of arid and mountainous regions Engineering, Faculty of Natural Resources, University of Tehran, Karaj, Iran.
چکیده [English]

Drought is one of the natural hazards, especially in arid and semi-arid regions. Analyzing the conditions, characteristics, and status of drought as a type of natural hazard in different regions with a focus on gathering solutions to cope drought and manage its risks is of great importance. In the present study, the analysis and prediction of meteorological drought in Khuzestan province was investigated with individual Galerkin and MARS models and the combined Galerkin-MARS model during a 30-year statistical period (1990-2020). To assess drought conditions, the Standardized Precipitation Index (SPI) obtained from data from eight synoptic stations was used. In the next step, the modeling results were compared with the aforementioned models using goodness-of-fit indices. The results indicated that the combined Galerkin-MARS model is highly efficient for estimating SPI in Khuzestan province. Also, long-term SPI time windows had higher accuracy than short-term time windows in the study area. In general, it can be said that combining numerical models with machine learning in Khuzestan Province leads to increased accuracy in SPI modeling.

کلیدواژه‌ها [English]

  • Forecasting models
  • Meteorological data
  • Nonlinear prediction
  • SPI
مدیریت آب و آبیاری

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 18 خرداد 1404

فایل ها

هم رسانی

ارجاع به این مقاله

آمار