ارزيابي خشكسالي به كمك شاخص بارش استاندارد و الگوريتم جنگل تصادفي

Drought assessment using standardized precipitation index and random forest algorithm

خشكسالي باعث تشديد بحران آب و ايجاد خسارت هاي جبران ناپذير به جوامع مي‌شود. در سال هاي اخير استفاده از روش هاي يادگيري ماشين در ارزيابي خشكسالي مورد توجه محققين قرار گرفته است. هدف اين تحقيق، ارزيابي خشكسالي در شهرهاي زابل و زاهدان طي بازه زماني (2020-1990) است كه براي اين منظور شاخص بارش استاندارد (SPI) در مقياس فصلي و سالانه، تحليل خودهمبستگي جزئي(PACF) و الگوريتم جنگل تصادفي(RF) استفاده شده است. پس از محاسبه SPI، نتايج تحليل PACF براي SPI، به عنوان ورودي هاي مدل در نظر گرفته شده اند. داده هاي آموزش و آزمايش با دو ورودي متفاوت بررسي شده اند. طبق نتايج تحقيق در مقياس فصلي و سالانه SPI، طبقه خشكسالي تقريبا نرمال(N) بيشترين فراواني وقوع را در هر دو ايستگاه دارد و بر اساس تحليل PACF، مناطق مورد مطالعه طي بازه زماني30 ساله دچار تغيير اقليم شده اند. نتايج مدل توسط چند پارامتر آماري بررسي شده اند. شاخص توافق(IOA) در ايستگاه زابل براي داده‌هاي آموزش با در نظر گرفتن چهار تاخير زماني‌ (2، 4، 6 و 12ماهه) و سه تاخير زماني (2، 4 و 6ماهه) به عنوان ورودي به ترتيب برابر9648/0 و 9256/0 بوده و براي داده‌هاي آزمايش به ترتيب 8556/0 و 8673/0 مي‌باشد. IOA در ايستگاه زاهدان براي داده‌هاي آموزش با چهار تاخير زماني (2، 4، 6 و8ماهه) و سه تاخير زماني (2، 4 و6ماهه) به ترتيب برابر 9495/0 و 9205/0 است و براي داده‌هاي آزمايش به ترتيب 7408/0و 6303/0 مي‌باشد. ساير پارامتر هاي آماري بررسي شده نيز نشان دهنده قابليت مطلوب RF در تخمينSPI مي‌باشند.

Drought intensifies the water crisis and causes irreparable damage to communities. In recent years, machine learning methods have been considered by researchers for drought assessment. The goal of this study is drought assessment in Zabol and Zahedan cities during (1990-2020). In this regard, standardized precipitation index (SPI) at seasonal and annual time scales, partial autocorrelation analysis (PACF), and random forest algorithm (RF) were employed. After SPI calculation, the results of PACF analysis for SPI are used as inputs of the model. Training and testing data were verified with two different inputs. According to the results on a seasonal and annual scale of SPI, the normal drought category (N) has almost the highest frequency in both stations and according to the PACF analysis, the study areas have undergone climate change over 30 years. The results of the model were evaluated by several statistical parameters.

The index of agreement (IOA) of Zabol station for training data by considering four time-lags (2, 4, 6, and 12 months) and three time-lags (2, 4, and 6 months) as input, were 0.9648 and 0.9256, respectively and for testing data was approximately 0.8556 and 0.8673, respectively. IOA at Zahedan station for training data with four time-lags (2, 4, 6, and 8 months) and three time-lags (2, 4, and 6 months) were 0.9495 and 0.9205, respectively, and for testing data were 0.7408 and 0.6303, respectively. Other statistical parameters also indicate the permissible accuracy of the RF model in SPI estimation.