پژوهش‌های تغییرات آب و هوایی

پژوهش‌های تغییرات آب و هوایی

توسعه مدل‌های هوشمند یادگیری ماشین و باکس جنکینز مبتنی بر روش تجزیه مد گروهی کامل به منظور مدل‌سازی خشکسالی هواشناسی (مطالعه موردی: استان خوزستان)

نوع مقاله : مقاله پژوهشی

نویسندگان
صدف پیری 1
محمد انصاری قوجقار 2
1 دانشجوی دکتری، گروه مهندسی احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران
2 استادیار، گروه مهندسی احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران
10.30488/ccr.2025.516420.1276
چکیده
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.
کلیدواژه‌ها
تغییر اقلیم
شاخص بارش استاندارد
فرآیند گاوسی
مدل خودرگرسیو یکپارچه میانگین متحرک فصلی

موضوعات

عنوان مقاله English

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)

نویسندگان English

Sadaf Piri 1
Mohammad Ansari ghojghar 2
1 Ph.D. candidate, Department of Reclamation of arid and mountainous regions Engineering, Faculty of Natural Resources, University of Tehran, Karaj, Iran
2 Corresponding Author, 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. 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.

کلیدواژه‌ها English

Climate change
Standardized precipitation index
Gaussian process
Integrated seasonal moving average autoregressive model
  1. Adnan, R. M., Dai, H. L., Kuriqi, A., Kisi, O., & Kermani, M. Z. (2023). Improving drought modeling based on new heuristic machine learning methods. Ain Shams Engineering Journal, 14(2023), 1-13.
  2. Agana, N.A., Homaifar, A., (2018). EMD-based predictive deep belief network for time series prediction: an application to drought forecasting. Hydrology 5. https://doi. org/10.3390/hydrology5010018.
  3. Aghelpour, P., Mohammadi, B., Biazar, S. M., Kisi, O., & Sourmirinezhad, Z. (2020). A Theoretical Approach for Forecasting Different Types of drought Simultaneously, Using Entropy Theory and Machine-Learning Methods. ISPRS International Journal of Geo-Information, 9(12). https://doi.org/10.3390/ijgi9120701
  4. Bazrafshan, O., Salajegheh, A., Mahdavi, Mohammad, & Fatehi, A. (2015). A study of Efficiency of the Hybrid model Artificial Neural Network Models-stochastic in Hydrological Drought Forecasting using kappa statistics (case study: Gamasiab Watershed Basin). Iranian Journal of Watershed Management Science. 8(27), 35-48.
  5. Belayneh, A., Adamowski, J., Khalil, B., & Ozga-Zielinski, B. (2014). Long-term SPI drought forecasting in the Awash River Basin in Ethiopia using wavelet neural network and wavelet support vector regression models. Journal of Hydrology, 508, 418-429.
  6. Deo, R.C., Kisi, O., & Singh, V.P. (2017a). Drought forecasting in eastern Australia using multivariate adaptive regression spline, least square support vector machine and M5Tree model. Atmospheric Research, 184, 149-175.
  7. Hosseini-Moghari, S. M., & Araghinejad, S. (2016). Application of Statistical, Fuzzy and Perceptron Neural Networks in Drought Forecasting (Case Study: Gonbad-e Kavous Station). Water and Soil, 30(1), 247-259.
  8. Huang, N.E., Shen, Z., Long, S.R., Wu, M.C., Shih, H.H., Zheng, Q., Yen, N.C., Tung, C.C. & Liu, H.H. 1998. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis. Proceedings of the Royal Society of London. Series A: Mathematical, Physical and Engineering Sciences. 454(1971): 903- 995.
  9. Negahban, S., Mokarram, M., & Moradizadeh Kermani, R. (2024). Assessing the efects of drought hazardos on rural communites surrounds Maharlu Lake, Iran. Environmental Hazards Management, 11(1), 1-13.
  10. Özger, M., Başakın, E. E., Ekmekcioğlu, Ö., & Hacısüleyman, V. (2020). Comparison of wavelet and empirical mode decomposition hybrid models in drought prediction. Computers and Electronics in Agriculture, 179. https://doi.org/10.1016/j.compag.2020.105851
  11. Li, M., Shouwen Ji, S., & Liu, G. (2018). Forecasting of Chinese E-commerce sales: An empirical comparison of ARIMA, nonlinear autoregressive neural network, and a combined ARIMA-NARNN Model. Mathematical Problems in Engineering, 6924960, 1024-1038.
  12. McKee, T. B., Doesken, N. J., & Kleist, J. (1993). The relationship of drought frequency and duration to time scales. Proceedings of the 8th Conference on Applied Climatology.
  13. Moisa, M. B., Merga, B. B., & Gemeda, D.O. (2022). Multiple indices-based assessment of agricultural drought: A case study in Gilgel Gibe Sub-basin, Southern Ethiopia. Theoretical and Applied Climatology, 148(1), 455-464. DOI: 10.1007/s00704-022-03962-4.
  14. Mohammadi, J., Vafaeinezhad, A., Behzadi, S., Aghamohammadi, H., & Hemmasi, A. (2022). Drought prediction and modeling by hybrid wavelet method and neural network algorithms. RS and GIS for Natural Resources, 4(13), 87-111.
  15. Mokhtarzad, M.; Eskandari, F.; Jamshidi Vanjani, N., Arabasadi, A. Drought forecasting by ANN, ANFIS, and SVM and comparison of the models. Environ. Earth Sci. 2017, 76, 729. [CrossRef]
  16. Mousazadeh, N., Akhundali, A. M., & Ahmadi, F. (2023). Development of Integrated Machine Learning Models Based on Complete Ensemble Empirical Mode Decomposition Method for Estimating Dam Inflow (case study: Dez Dam), 17(4), 701-985
  17. Torres, M.E., Colominas, M.A., Schlotthauer, G. & Flandrin, P. 2011. A complete ensemble empirical mode decomposition with adaptive noise. In 2011 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) (pp. 4144-4147). IEEE.
  18. Wilhite, D. A., & Glantz, M. H. (1985). Understanding: the drought phenomenon: the role of definitions. Water international, 10(3), 111-120
  19. Zahraie, B., Nasseri, M., & Nematizadeh, F. 2017. Exploring spatiotemporal meteorological correlations for basin scale meteorological drought forecasting using data mining methods. Arab. J. Geosci., 10, 419.
  20. Zhu, S., Luo, X., Xu, Z. & Ye, L. (2019). Seasonal streamflow forecasts using mixture-kernel GPR and advanced methods of input variable selection. Hydrology Research. 50(1): 200-214.