دانشگاه گلستان پژوهش‌های تغییرات آب و هوایی 2717-2066 6 22 2025 06 22 Development of intelligent machine learning and Jenkins box models based on the full ensemble mode decomposition method for meteorological drought modeling (Case study: Khuzestan Province) توسعه مدل‌های هوشمند یادگیری ماشین و باکس جنکینز مبتنی بر روش تجزیه مد گروهی کامل به منظور مدل‌سازی خشکسالی هواشناسی (مطالعه موردی: استان خوزستان) 81 96 220614 10.30488/ccr.2025.516420.1276 FA صدف پیری دانشجوی دکتری، گروه مهندسی احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران 0009-0006-9796-4974 محمد انصاری قوجقار استادیار، گروه مهندسی احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران 0000-0003-0485-5551 Journal Article 2025 04 12 Drought is one of the natural hazards, especially in arid and semi-arid regions. Khuzestan Province is highly vulnerable to drought due to its strategic geographical location and strong dependence on water resources. Therefore, in the present study, the analysis and prediction of meteorological drought in Khuzestan Province was investigated with the intelligent machine and Jenkins Box GPR models CEEMD- and CEEMD-SARIMA during the 30-year statistical period (1989-2020). To assess drought conditions, the Standard Precipitation Index (SPI) obtained from data from eight synoptic stations in Khuzestan Province was used. In the next step, the modeling results were compared with each other using the aforementioned models and goodness of fit indices. The results indicated that the CEEMD-GPR model is very efficient in estimating the SPI index in Khuzestan province. Also, the long-term SPI time windows had higher accuracy than the short-term time windows. For example, at Omidiyeh station, using the 12-month SPI instead of the 1-month SPI reduced the RMSE and MAE values ​​from 0.178 and 0.097 to 0.167 and 0.087, respectively. In addition, the R and NS values ​​also increased from 0.954 and 0.969 to 0.963 and 0.974. In general, it can be stated that the CEEMD-GPR model is able to learn a more complex dynamic structure of the data by using the components extracted from the CEEMD decomposition. Accordingly, the results of this study show that hybrid models based on CEEMD decomposition, along with machine learning, are powerful and highly efficient tools for analyzing and predicting meteorological drought in arid and semi-arid climates. خشک‌سالی از جمله بلایای طبیعی، علی‌الخصوص در مناطق خشک و نیمه‌خشک به‌شمار می‌آید. استان خوزستان به سبب دارا بودن موقعیت جغرافیایی استراتژیک و وابستگی شدید به منابع آب، در مقابل خشک‌سالی به‌شدت آسیب‌پذیر است. از این‌رو در پژوهش حاضر، تجزیه و تحلیل و پیش‌بینی خشک‌سالی هواشناسی در استان خوزستان به ترتیب با مدل‌های هوشمند یادگیری ماشین و باکس جنکینز CEEMD-GPR و CEEMD-SARIMA در طول دوره آماری 30 ساله (2020-1989) مورد بررسی قرار گرفت. جهت ارزیابی شرایط خشک‌سالی، از شاخص استاندارد بارندگی (SPI) ‌حاصل از داده‌های هشت ایستگاه سینوپتیک استان خوزستان استفاده شد. در گام بعدی نتایج مدل‌سازی توسط روش‌های ذکر شده و با استفاده از شاخص‌های نیکویی برازش با یکدیگر مقایسه شدند. نتایج حاصله بیانگر این بود که مدل CEEMD-GPR 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 برخوردار بودند. به‌عنوان مثال در ایستگاه امیدیه، استفاده از SPI 12 ماهه به جای SPI 1 ماهه موجب کاهش مقادیر RMSE و MAE به‌ترتیب از 178/0 و 097/0 به 167/0 و 087/0 گردید. علاوه بر این، مقادیر R و NS نیز از 954/0 و 969/0 به 963/0 و 974/0 افزایش یافت. به‌طور کلی می‌توان عنوان نمود که مدل CEEMD-GPR قادر است با استفاده از مؤلفه‌های استخراج شده از تجزیه CEEMD، ساختار دینامیکی پیچیده‌تری از داده‌ها را فرا گیرد. بر همین اساس، نتایج این پژوهش نشان می‌دهد که مدل‌های ترکیبی مبتنی بر تجزیه CEEMD در کنار یادگیری ماشین، ابزارهایی قدرتمند و با کارایی بالا جهت تحلیل و پیش‌بینی خشک‌سالی هواشناسی در اقلیم‌های خشک و نیمه‌خشک هستند. https://ccr.gu.ac.ir/article_220614_1c8b8aa7ebba9a8062c064626ca1b057.pdf