| تعداد نشریات | 284 |
| تعداد نشریات سازمان | 82 |
| تعداد شماره‌ها | 3,081 |
| تعداد مقالات | 34,371 |
| تعداد مشاهده مقاله | 47,878,288 |
| تعداد دریافت فایل اصل مقاله | 78,877,427 |
پیش‌بینی شاخص خشکسالی هواشناسی با استفاده از ترکیب مدل FCMR با الگوریتم‌های فرا ابتکاری بهینه‌سازی، مطالعه موردی: استان خوزستان | ||
| مهندسی و مدیریت آبخیز | ||
| مقاله 6، دوره 17، شماره 3، مهر 1404، صفحه 356-373 اصل مقاله (1.13 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijwmse.2025.368955.2110 | ||
| نویسندگان | ||
| صدف پیری1؛ محمد انصاری قوجقار* 2 | ||
| 1دانشجوی دکتری، گروه احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
| 2استادیار، گروه احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
| چکیده | ||
| مقدمه خشکسالی به‌عنوان یک پدیده ناهنجار و خطرناک به‌طور قابل توجهی به منابع آبی، کشاورزی، بخش‌های اقتصادی و محیط‌زیست آسیب وارد می‌کند. در چارچوب مدیریت جامع حوزه آبخیز، پیش‌بینی درست و به‌موقع خشکسالی اهمیت بسیار زیادی دارد. این موضوع به‌ویژه در مناطق حساس و آسیب‌پذیر مثل استان خوزستان، برای استفاده بهینه از منابع آب، مدیریت مصرف و افزایش تاب‌آوری اکوسیستم‌های طبیعی و انسانی، یک ضرورت است. چنانچه دوره خشکسالی با دوره رشد پوشش گیاهی همزمان شود، تعادل اکولوژیکی را به‌هم می‌زند که منجر به تغییراتی مانند کاهش رطوبت خاک، تغییر دمای سطح زمین و حتی تأثیر بر فرایندهای تبخیر و تعرق می‌شود. الگوریتم‌های فرا ابتکاری هوش مصنوعی قادر به پیش بینی تقاضای آب با بررسی داده‌های تاریخی و عوامل محیطی هستند. این پیش‌بینی‌ها به مدیران این امکان را می‌دهد که برنامه‌ریزی‌های بهتری برای تأمین آب و جلوگیری از هدررفتن منابع داشته باشند. با توجه به منحصربه‌فرد بودن استان خوزستان ازنظر موقعیت جغرافیایی و مناقشات آبی در سال‌های اخیر، بررسی قدرت و کارایی الگوریتم‌های هوش مصنوعی در پیش‌بینی و شناسایی تغییرات اقلیمی می‌تواند خلأ پژوهشی در این زمینه را پر کند و با نوآوری‌های علمی، تأثیر به‌سزایی در حفظ محیط‌زیست و تعادل منابع آبی در مواجهه با شرایط خشکسالی داشته باشد. مواد و روش‌‌ها در این پژوهش به‌منظور پایش خشکسالی ایستگاه‌های استان خوزستان، داده‌های بارش طی دوره آماری 2020-1989 و با استفاده از مقادیر شاخص استاندارد شده بارش (SPI) به تفکیک سال‌های خشک و تر محاسبه شد. در ادامه از روش وزنی معکوس فاصله (IDW) برای درون‌یابی داده‌های به دست آمده از شاخص SPI استفاده شد. برای پیش‌بینی خشکسالی هواشناسی از مدل FCMR استفاده شد. مدل رگرسیون فازی FCMR یک روش ترکیبی است که از رگرسیون خطی و خوشه‌بندی فازی برای مدلسازی داده‌ها بهره می‌گیرد. برای به‌کارگیری مدل هیبریدی نیز از الگوریتم‌های GOW و ACOR استفاده شد. نتایج و بحث با توجه به نتایج به‌دست آمده از معیارهای ارزیابی نیکویی برازش در هشت ایستگاه مورد مطالعه، به‌صورت نسبی، SPI 12 ماهه و شش ماهه نتایج بهتر و دقیق‌تری را نسبت به SPI سه و یک ماهه نشان دادند. در مقایسه SPI 12 ماهه و 6شش ماهه نیز SPI 12 ماهه عملکرد بهتری از خود نشان داد. مقادیر RMSE، R، NS و MAE پس از ترکیب مدل فراابتکاری GOW و مدل FCMR نسبت به مدل انفرادی FCMR به‌ترتیب با کاهش، افزایش، افزایش و کاهش روبه‌رو شده است. ترکیب کاتالیزور ACOR و مدل FCMR نیز به‌ترتیب با افزایش، کاهش، کاهش و افزایش در مقادیر RMSE، R، NS و MAE نسبت به مدل انفرادی FCMR مواجه شد. بر همین اساس می‌توان نتیجه گرفت که تلفیق مدل فراابتکاری گرگ خاکستری با مدل FCMR، بهبود عملکرد را نسبت به استفاده از مدل انفرادی FCMR در پی داشته است. تلفیق مدل فراابتکاری کلونی مورچگان با مدل FCMR نیز با کاهش دقت و پایین آمدن عملکرد نسبت به استفاده از مدل انفرادی FCMR مواجه شده است. نتیجه‌‌گیری در پژوهش حاضر، دقت و عملکرد مدل انفرادی FCMR با مدل‌های هیبریدی دوگانه FCMR-GOW و FCMR-ACOR در هشت ایستگاه سینوپتیک استان خوزستان مقایسه و تحلیل شد. طبق نتایج مدل‌ها، کاتالیزور GOW باعث بهبود مدل FCMR و کاتالیزور ACOR موجب کاهش دقت مدل FCMR شدند. در هر هشت ایستگاه، مدل هیبریدی دوگانه FCMR-GOW با بیشترین دقت در پیش‌بینی شاخص SPI در رتبه اول قرار گرفت. همچنین پنجره‌های زمانی بلندمدت SPI از دقت بالاتری نسبت به پنجره‌های زمانی کوتاه مدت برخوردار بودند. افزون بر این، فاصله معنی‌داری از لحاظ دقت میان مدل انفرادی FCMR و مدل هیبریدی دوگانه FCMR-GOW وجود ندارد. از این رو می‌توان نتیجه گرفت که با توجه به افزایش هزینه‌های مدل‌های هیبریدی دوگانه مذکور، استفاده از مدل انفرادی FCMR منطقی‌تر به‌نظر می‌رسد. به‌طور کلی می‌توان گفت که تلفیق مدل‌های انفرادی با الگوریتم‌های فراابتکاری لزوماً به معنی افزایش دقت در مدلسازی شاخص SPI نیست. | ||
| کلیدواژه‌ها | ||
| تغییر اقلیم؛ سال خشک؛ شاخص بارش استاندارد؛ مدیریت حوزه آبخیز؛ الگوریتم فراکاوشی | ||
| عنوان مقاله [English] | ||
| Prediction of meteorological drought index using the combination of FCMR model with metaheuristic optimization algorithms, case study: Khuzestan Province | ||
| نویسندگان [English] | ||
| Sadaf Piri1؛ Mohamad Ansari ghojghar2 | ||
| 1PhD candidate, Department of Reclamation of Arid and Mountainous Regions Engineering, Faculty of Natural Resources, University of Tehran, Karaj, Iran | ||
| 2Assistant Professor, Department of Reclamation of Arid and Mountainous Regions Engineering, Faculty of Natural Resources, University of Tehran,, Karaj, Iran | ||
| چکیده [English] | ||
| Introduction Drought, as an abnormal and dangerous phenomenon, seriously damages water resources, agriculture, economic sectors, and the environment. Within the framework of comprehensive watershed management, accurate and timely drought prediction is very important. This is a necessity, especially in sensitive and vulnerable areas such as Khuzestan Province, for the use of water resources, management of consumption and increasing the resilience of natural and human ecosystems. If a drought period coincides with a vegetation growth period, it disrupts the ecological balance, leading to changes such as reduced soil moisture, changes in ground surface temperature, and even impacts on evaporation and transpiration processes. AI metaheuristic algorithms are able to predict water demand by examining historical data and environmental factors. These predictions allow managers to make better plans for water supply and prevent waste of resources. Considering the uniqueness of Khuzestan Province in terms of its geographical location and water conflicts in recent years, examining the power and efficiency of artificial intelligence algorithms in predicting and identifying climate change can fill the research gap in this field and, through scientific innovation, have a significant impact on environmental protection and the balance of water resources in the face of drought conditions. Materials and methods In this research, in order to monitor the drought areas of the stations located in the Khuzestan Province, the Precipitation data during the statistical period (1989-2020), and using the values Standardized Precipitation Index (SPI) were calculated to separate dry and wet years. In the following, the inverse distance weighted (IDW) method was used to interpolate the data obtained from SPI. The FCMR model was used to predict meteorological drought. The FCMR fuzzy regression model is a hybrid method that uses linear regression and fuzzy clustering to model data. The GOW and ACOR algorithms were used to build the hybrid model. Results and discussion According to the results obtained from the goodness of fit assessment criteria at eight study stations, the 12-month and 6-month SPIs showed relatively better and more accurate results than the 3-month and 1-month SPIs. In the comparison of the 12-month and 6-month SPIs, the 12-month SPI also showed better performance. The RMSE, R, NS and MAE values decreased, increased, and decreased after combining the GOW catalyst and the FCMR model compared to the individual FCMR model, respectively. The combination of the ACOR catalyst and the FCMR model also increased, decreased, decreased and increased in the RMSE, R, NS, and MAE values compared to the individual FCMR model, respectively. Accordingly, it can be concluded that combining the gray wolf with the FCMR model has improved performance compared to using the individual FCMR model. Combining the ant colony catalyst with the FCMR model can also be used with reduced accuracy and lower performance compared to using the individual FCM model. Conclusions In the present study, the accuracy and performance of the individual FCMR model were compared and analyzed with the dual hybrid FCMR-GOW and FCMR-ACOR models at eight synoptic stations in Khuzestan province. According to Tables 2 to 4, the GOW catalyst improved the FCMR model and the ACOR catalyst reduced the accuracy of the FCMR model. At all eight stations, the dual hybrid FCMR-GOW model ranked first with the highest accuracy in predicting SPI. Also, the long-term SPI time windows had higher accuracy than the short-term time windows. Furthermore, there is no significant gap in terms of accuracy and precision between the individual FCMR model and the dual hybrid FCMR-GOW model. Therefore, it can be concluded that considering the increasing costs of the aforementioned dual hybrid models, using the individual FCMR model seems more logical. In general, it can be said that combining individual models with meta-heuristic algorithms does not necessarily mean increasing the accuracy of SPI index modeling. | ||
| کلیدواژه‌ها [English] | ||
| Climate change, Dry year, Metasearch algorithm, SPI, Watershed management | ||
| مراجع | ||
|
Ali, S., Zha, H., Ma, Q., Sun, L., Jiang, N., Qianmin, J., Fujian, J., 2021. Monitoring drought events and vegetation dynamics in relation to climate change over mainland China from 1983 to 2016. Environ. Sci. Pollu. Res. 28(17), 21910-21925. doi:10.1007/s11356-020-12146-4. Ansari ghojghar, M., Pourgholam-Amiji, M., Bazrafshan, J., Liaghat, A., 2020. Performance comparison of statistical, fuzzy and perceptron neural network models in forecasting dust storms in critical regions in Iran. Iran. J. Soil Water Res. 51(8), 2051-2063 (in Persian). Asgari Dastnaei, A., Gandomkar, A., Khodaqholi, M., 2021. Self-analysis of temperature trend in drought hazards management (Case study: Chaharmahal and Bakhtiari province). Environ. Manage. Hazards 8(3), 283-299 (in Persian). doi: 10.22059/jhsci.2021.330273.675 Bezdek, J.C., Ehrlich, R., Full, W., 1984. FCM: The Fuzzy c-Means Clustering Algorithm. Comput. Geosci. 10(2-3), 191-203. Bhuiyan, C., Singh, R.P., Kogan, F.N., 2006. Monitoring drought dynamics in the Aravalli region (India) sing different indices based on ground and remote sensing data. Int. J. Appli. Earth Observ. Geoinform. 8, 289-302. doi: 10.1016/j.jag.2006.03.002. Darvand, S., Eskandari Damaneh, H., Eskandari Damaneh, H., Khosravi, H., 2021. Prediction of the change trend of temperature and rainfall in the future period and its impact on desertification. Water Soil Manage. Modeling. 1(1), 53-66. El Ibrahimi, A., Baali, A., 2018. Application of several artificial intelligence models for forecasting meteorological drought using the standardized precipitation index in the Saïss Plain (Northern Morocco). Intellig. Engin. Sys. 11(1), 267-275. doi: 10.22266/ijies2018.0228.28 En-Nagre, Kh., Aqnouy, M., Ouarka, A., Naqvi, S.A.A., Bouizrou, I., El Messari, J.S., Tariq, A., Soufan, W., Li, W., El-Askary, H., 2024. Assessment and prediction of meteorological drought using machine learning algorithms and climate data. Climate Risk Manage. 45, 100630. Eskandari Damaneh, H., Eskandari Damaneh, H., Khosravi, H., Gholami, H., 2019. Analysis and monitoring of drought using NDVI index, case study: the west basin of Jaz Murian wetland. J. Rangeland. 13(3), 461-475. Farhadinejad, T., Vayskarami, I., Zand, M., 2024. Investigating the relationship between river flow changes caused by drought and the quality of surface water resources in the Tirah River Basin. Water. Engin. Manage. 16(1), 64-81. doi:10.22092/ijwmse.2023.361325.2009 Firouzi, F., Tavosi, T., Mahmoudi, P., 2019. Investigating the sensitivity of NDVI and EVI vegetation indices to dry and wet years in arid and semi-arid regions, case study: Sistan plain, Iran. Scienti. Res. Quart. Geograph. Data (SEPEHR). 28(110), 163-179. Hathaway, R.J., Bezdek, J.C., 1993. Switching regression models and fuzzy clustering. IEEE Trans. Fuzzy Sys. 1(3), 195-204. 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 Soil. 30(1), 247-259. Jahangir, M., Mohammadi, A., 2017. Compare standard precipitation index and TOPSIS ranking method to assess the drought adventure Condition in Khuzestan Province. Environ. Hazards Manage. 3(2), 125-139. Jahangir, M., Asghari Koleshani, F., Sataryan Asil, K., 2022. Comparative study of drought meteorological (SPI) and hydrological (SSI) indices based on the best cumulative distribution function for Urmia Basin. Water Soil Manage. Model. 2(4), 53-63. Key Khosravi, G., 2015. A comparative study of satellite and meteorological drought indices of the desertification process in the spring vegetation of Semnan province. J. Geograph. Res. Desert Areas. 3(2), 189-213 (in Persian). McKee, T., Doesken Kleist, N., 1993. The relationship of drought frequency and duration to time scales. Preprints 8th Conference on Applied Climatology. 17-22 January. Anaheim, CA. 170-184. Mohammadi, J., Vafaeinezhad, A., Behzadi, S., Aghamohammadi, H., Hemmasi, A., 2022. Drought prediction and modeling by hybrid wavelet method and neural network algorithms. RS GIS Nat. Resour. 4(13), 87-111. 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. Theoreti. Applied Climatol. 148(1), 455-464. doi:10.1007/s00704-022-03962-4. Momeni Regh Abadi, M., Ravanbakhsh, A., Robati, A., 2024. Pipe failure rate prediction in water distribution networks using RCNN-SVR and FCMR Methods. Water Resour. Engin. 16(59), 12-24. Negahban, S., Mokarram, M., Moradizadeh Kermani, R., 2024. Assessing the effects of drought hazardous on rural communities surrounds Mahala Lake, Iran. Environ. Hazards Manage. 11(1), 1-13. doi:10.22059/jhsci.2024.374378.823 Nejadrekabi, M., Eslamian, S., Zareian, M.J., 2022. Spatial statistics techniques for SPEI and NDVI drought indices: A case study of Khuzestan Province. Int. J. Environ. Sci. Technol. 19(7), 6573-6594. doi:10.1007/s13762-021-03852-8. Ohadi, S., Hashemi Monfared, S.A., Givehchi, M., 2021. Estimation of longitudinal dispersion coefficient of rivers by using meta-heuristic algorithms. J. Irrigat. Water Eng. 12(1), 151-171. Oyounalsoud, M.S., Yilmaz, A.G., Abdallah, M., Abdeljaber, A., 2024. Drought prediction using artifcial intelligence models based on climate data and soil moisture. Scient. Reports. 14:19700. Rahimi Bondarabadi, S., Saghafian, B., 2023. Monitoring of hydrological drought in Caspian Sea Basin. Water. Eng. Manage. 15(4), 570-587. doi:10.22092/ijwmse.2023.123012.1533 Sharifipour, L., Ghanei-Bafghi, M., Kousari, M., Sharifipour, S., 2021. Comparison of the effectiveness of four artificial intelligence methods in predicting drought. J. Spatial Analys. Environ. Hazards. 8(3), 139-156. Soleimanpour, S.M., Zandifar, S., Rahmati, O., Motamednia, M., 2024. Analysis of groundwater drought in the Daranjir Watershed. Water. Eng. Manage. 16(2), 302-315. doi:10.22092/ijwmse.2024.364667.2041 Taylan, E.D., Terzi, O., Baykal, T., 2021. Hybrid wavelet–artificial intelligence models in meteorological drought estimation. J. Earth Sys. Sci.130:38. Zeinali, M., Ansari Ghojghar, M., Mehri, Y., Hosseini, S.M., 2020. Evaluation of the combination of optimization algorithms and adaptive fuzzy-neural inference system compared to time series models in groundwater level estimation. Water Resour. Res. 16(3), 245-256.
| ||
|
آمار تعداد مشاهده مقاله: 241 تعداد دریافت فایل اصل مقاله: 67 |
||