نشریه علمی پژوهشی مهندسی آبیاری و آب ایران

نشریه علمی پژوهشی مهندسی آبیاری و آب ایران

مقایسه مدل‌های سری زمانی ARIMA و SARIMA با الگوریتم‌های یادگیری ماشین به منظور پیش‌بینی خشکسالی هواشناسی (مطالعه موردی: استان خوزستان)

نوع مقاله : مقاله پژوهشی

نویسندگان
فرشته صادق خانی 1
محمد انصاری قوجقار 2
1 دانشجو دکتری، گروه احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران.
2 استادیار، گروه احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران.
10.22125/iwe.2025.513573.1871
چکیده
تغییرات منطقه‌ای در بارش و دمای هوای سطحی منجر به خشکسالی‌های شدید و متعاقب آن تغییرات در الگوهای هیدرولوژیکی می‌شود. خشکسالی هواشناسی یک سیستم هشدار اولیه از شرایط خشکسالی است که به خشکسالی محیطی منتقل می‌شود و می‌تواند اکوسیستم آبی را به‌طور جدی تحت تأثیر قرار ‌دهد و آسیب‌های اجتماعی - اقتصادی قابل‌ توجهی ایجاد کند. لذا پایش و پیش‌بینی خشکسالی و ایجاد یک سیستم هشدار اولیه و پیش‌آگاهی در مناطق مستعد خشکسالی، امری اجتناب‌ناپذیر است. در پژوهش حاضر، عملکرد مدل‌های سری زمانی ARIMA و SARIMA با الگوریتم‌های یادگیری ماشین ANFIS و ELM به منظور پیش‌بینی خشکسالی هواشناسی در استان خوزستان مورد مقایسه قرار گرفت. به منظور ارزیابی شاخص بارش استاندارد شده (SPI) در مقیاس‌های زمانی یک، سه، شش و 12 ماهه، آمار و اطلاعات هشت ایستگاه سینوپتیک (آبادان، بستان، اهواز، بندر ماهشهر، امیدیه، رامهرمز، مسجد سلیمان و صفی‌آباد (دزفول)) طی سال‌های 1989 تا 2020 به‌کار گرفته شد. سپس، مدل‌های سری زمانی و یادگیری ماشین بر مبنای SPI اجرا و در نهایت بهترین مدل برای پیش‌بینی خشکسالی استخراج شد. به منظور ارزیابی کارایی و عملکرد مدل‌ها از معیارهای ارزیابی RMSE، MAE، NS و R استفاده شد. نتایج نشان داد مدل‌های یادگیری ماشین ELM و ANFIS دقت بالاتری نسبت به مدل‌های سری زمانی ARIMA و SARIMA در پیش‌بینی SPI داشتند و از میان مدل‌های بررسی شده، مدل ELM کمترین پراکندگی، بیشترین دقت و همچنین بالاترین مطابقت را با نیم‌ساز ربع‌های اول و سوم دارد.
کلیدواژه‌ها
خوزستان
خشکسالی
یادگیری ماشین
الگوهای فصلی
SPI
موضوعات

عنوان مقاله English

Comparison of ARIMA and SARIMA time series models with machine learning algorithms for meteorological drought forecasting (Case study: Khuzestan Province)

نویسندگان English

fereshteh Sadeghkhani 1
Mohammad Ansari ghojghar 2
1 Phd candidate, Department of reclamation of arid and mountainous regions 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

Meteorological drought is an early warning system of drought conditions that are transferred to environmental drought and can seriously affect the aquatic ecosystem. Therefore, monitoring and forecasting drought and establishing an early warning and foresight system in drought-prone areas is inevitable. In the present study, the performance of ARIMA and SARIMA time series models was compared with ANFIS and ELM machine learning algorithms to predict meteorological drought in Khuzestan Province. In order to evaluate the SPI index at one, three, six and 12 month time scales, statistics and information from eight synoptic stations were used during the years 1989 to 2020. Then, time series and machine learning models were run based on SPI and finally the best model for drought prediction was extracted. In order to evaluate the performance of the models, the evaluation criteria of RMSE, MAE, NS and R were used. The results showed that machine learning algorithms had higher accuracy than time series models in predicting SPI, and among the models studied, the ELM model had the lowest dispersion, the highest accuracy, and the highest correspondence with the first and third quadrant bisectors. Also, based on the SPI results, it was determined that in the study area, drought is in a normal state, but a more severe situation could arise in the future. Therefore, using the results of various modeling in forecasting and warning systems can significantly help in managing and reducing the damages caused by this destructive environmental phenomenon.

کلیدواژه‌ها English

Khuzestan
Drought
Machine Learning
Seasonal Patterns
SPI
ارجمندی هرات، زهره و اسدی، محمد امین. 1401. مقایسة عملکرد مدلهای سری زمانیSARIMA  و SARIMAX در پیش‌بینی بلندمدت خشکسالی. نشریه مدیریت بیابان، سال دهم، شماره سوم، صفحات 16-1.
حسینی موغاری، سید محمد و عراقی نژاد، شهاب. 1395. کاربرد شبکه‌های عصبی کاربرد شبکه‌های عصبی آماری، فازی و پرسپترونی در پیش‌بینی خشکسالی (مطالعه موردی: ایستگاه گنبد کاووس). نشریه آب و خاک (علوم و صنایع کشاورزی)، جلد 30، شماره 1، صفحات 259-247.
قیصوری، مرتضی. کله‎‌هوئی، مهین. صابری، عارف. و محمدی، پروین. 1401. به‌کارگیری مدل‌های سری زمانی ARIMA در پیش‌بینی خشکسالی هواشناسی استان تهران. نشریه ترویج و توسعه آبخیزداری، سال دهم، شماره 36، صفحات 71-60.
 
Alam, N.M., Mishra, P.K., Jana, C., Adhikary, P.P., 2014. Stochastic model for drought forecasting for Bundelkhand region in Central India. Indian J. Agric. Sci. 84 (1), 79-84.
Box, G.E.P. and Jenkins, G.M., )1976(. “Time Series Analysis: Forecasting and Control”, Holden-Day,San Francisco, 525.
 
Durdu, O.F., 2010. Application of linear stochastic models for drought forecasting in the Buyuk Menderes river basin, western Turkey. Stochastic Environmental Research and Risk Assessment. 24 (8), 1145-1162.
Ehteram, M., Afan, H.A., Dianatikhah, M., Ahmed, A.N., Fai, C.M., Hossain, M.S., Allawi, M.F., Elshafie,  A., Ehteram, M., Afan, H.A., 2019. Assessing the Predictability of an Improved ANFIS Model for Monthly Streamflow Using Lagged Climate Indices as Predictors. Water, 11, 11-30.
Eivazi, M., Mosaedi, A., & Dehghani, A. A. (2009). Comparison of Different Approaches for Predicting  SPI. Water and Soil Conservation, 16(2), 145-167.
En-Nagre, Kh., Aqnouy, M., Ouarka, A., Naqvi, S.A.A., Bouizrou, I., El-Messari, J.E.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 Management 45, 100630.
Fooladi, M., Golmohammadi, M.H., Safavi, H.R., Singh, V.P., 2021. Fusion-based framework for meteorological drought modeling using remotely sensed datasets under climate change scenarios: Resilience, vulnerability, and frequency analysis. Journal of Environmental Management, 297, 113283.
Ghozat, A., Sharafati, A., Asadollah, S.B.H.S., Motta, D., 2023 .A novel intelligent approach for predicting meteorological drought based on satellite-based precipitation product: Application of an EMD-DFA-DBN hybrid model. Computers and Electronics in Agriculture 211, 107946.
Hayes, M. 2006. Drought Indices. National Drought Mitigation Center. http://www.southernclimate.org/ documents/Memphis-2011/Indices.
HsinFu, Y. and HsinLi, H. 2019. Stochastic Model for Drought Forecasting in the Southern Taiwan Basin. Department of Resources of Engineering, National Cheng Kung University. 11.10, 2041.
Huang, G.-B., Zhu, Q.-Y., Siew, C.-K., 2006. Extreme learning machine: theory and applications. Neurocomputing 70 (1), 489-501.
Jang, J. S. (1993). ANFIS: adaptive-network-based fuzzy inference system. IEEE transactions on systems, man, and cybernetics, 23 (3), 665-685.
Keshavarz, M., Karami, E., Vanclay, F., 2013. The social experience of drought in rural Iran. Land use policy 30 (1), 120-129.
Khadr, M., 2016. Forecasting of meteorological drought using Hidden Markov Model (case study: The upper Blue Nile river basin, Ethiopia). Ain Shams Engineering Journal. 7, 47-56.
Kumar, R., Kumar, A., Shankhwar, A.K., Vishkarma, D.K., Sachan, A., Singh, P.V., Jahangeer, J., Verma, A., Kumar, V., 2022. Modelling of meteorological drought in the foothills of Central Himalayas: A case study in Uttarakhand State, India. Ain Shams Engineering Journal. 13, 101595.
McKee, T. B., Doesken, N. J., & Kleist, J. (1993). The relationship of drought frequency and duration to time scales. In Proceedings of the 8th Conference on Applied Climatology. 17 )22), 179-183.
Mishra, A.K., Desa, V.R., Singh, V.P., 2007. Drought forecasting using a hybrid stochastic and neural network model. J. Hydrol. Eng. 12 (6), 626-638.
Su, T., Liu, D., Cui, X., Dou, X., Lei, B., Cheng, X., Yuan, M., Chen, R., 2024. Prediction of DEDI index for meteorological drought with the VMD-CBiLSTM hybrid model. Journal of Hydrology 641, 131805.
Wu, C., Yeh, P.J.F., Chen, Y.Y., Lv, W., Hu, B.X., Huang, G., 2021. Copula-based risk evaluation of global meteorological drought in the 21st century based on CMIP5 multi-model ensemble projections. Journal of Hydrology 598, 126265.
Zhang, X., Wu, Z., Wang, H., He, Ch., Zhang, F., Zhou, Y., 2024. Urban meteorological drought comprehensive index based on a composite fuzzy matter elementmoment estimation weighting model. iScience 27, 110798.
Zhao, Ch., Brissette, F., Chen, J., Martel, J-L., 2020. Frequency change of future extreme summer meteorological and hydrological droughts over North America. Journal of Hydrology, 584, 124316.
نشریه علمی پژوهشی مهندسی آبیاری و آب ایران
دوره 15، شماره 4 - شماره پیاپی 60
تابستان 1404
صفحه 198-221