Abstract:
هدف: ایران کشوری پهناور است که به دلیل موقعیت جغرافیایی و شرایط توپوگرافی، دارای آب و هوایی متفاوت است. پژوهش حاضر با هدف انتخاب مناسبترین شاخص خشکسالی در نواحی اقلیمی ایران و بررسی احتمال وقوع آن از طریق روشهای عدم قطعیت انجام شده است. روش و داده: لذا در این پژوهش در گام نخست از طریق روشهای تصمیمگیری چندمعیاره، مناسبترین شاخص برای هر ناحیه اقلیمی بر اساس درصد تناسب، انتخاب و در نهایت بر اساس روشهای شبکه عصبی مصنوعی، آنالیز احتمالی محاسبه و درصد احتمال وقوع پدیده خشکسالی برای هر ناحیه تعیین شده است. پس از انتخاب شاخص مناسب، برای بیان احتمال وقوع خشکسالی از دادههای آماری ایستگاههای سینوپتیک کشور در یک دوره آماری ۲۸ ساله (۲۰۱۷-۱۹۹۰) استفاده شده است. با توجه به توالی دادههای بارشی، از دو نوع شبکه عصبی معمولی و عمیق برای بررسی پدیده خشکسالی استفاده گردید. ضمنا برای جبران کمبود دادهها و افزایش سرعت همگرایی شبکه، از روش کرنل برای تولید دادهها در آموزش شبکه عصبی، و برای تحلیل شبکه عصبی مصنوعی و محاسبه احتمال رخداد پدیده خشکسالی، از نظریه تئوری ابری استفاده شده است. یافتهها: در حالت کلی نتیجه نهایی آنالیز تئوری ابری از دادههای مورد مطالعه نشان میدهد که در تمامی ایستگاههای بررسی شده در سال هدف یعنی سال ۲۰۱۷، کشور ایران و تمامی ایستگاههای نماینده، وضعیت اقلیمی نزدیک به محدوده نرمال را نشان دادهاند و کشور به لحاظ شدت خشکسالی در سال مذکور تقریبا در محدوده نرمال قرار داشته است. بیشترین قطعیت وقوع خشکسالی، به ترتیب به ایستگاه تبریز (۹۶ درصد) و ایستگاه همدان (۹۴ درصد) تعلق دارد. نتیجهگیری: بر مبنای نتایج، مدل عدم قطعیت انتخابی در آنالیز احتمال از توانایی بالایی برخوردار بوده و با درصد اطمینان قابل قبولی احتمال رخداد خشکسالی را پیشبینی کرده است. نوآوری، کاربرد نتایج: با توجه به تفاوت مناطق اقلیمی ایران و حذف مداخله کاربر، و با استفاده از محاسبات علمی و ریاضی، ضریب خطا در انتخاب شاخص کاهش مییابد. سپس با کمک روشهای عدم قطعیت مانند تئوری ابری، توانایی پیشبینی احتمال وقوع خشکسالی در آینده افزایش مییابد.
Aim: Iran is a vast country with a different climate due to its geographical location and topographical conditions. The current research was carried out to select the most appropriate drought index in Iran's climatic regions and investigate the probability of its occurrence through uncertainty methods. Material & Method: In this research, in the first step, through multi-criteria decision-making methods, the most suitable index for each climate zone is selected based on the percentage of suitability, and finally, based on artificial neural network methods, probability analysis is calculated and the probability of the phenomenon occurring. In this research, after choosing the appropriate index, the statistical data of the country's synoptic station in a statistical period of 28 years (1990-2017) has been used to express the probability of drought, and the Kernel method has been used to converge the data. Finding: The final result of the cloud theory analysis of the studied data shows that in all the stations examined in the target year, i.e., 2017, the country of Iran and all the representative stations have shown climatic conditions close to the normal range. The highest likelihood of occurrence belongs to Tabriz station (96%) and Hamedan station (94%). Conclusion: Based on the results, the selective uncertainty model has a high ability in probability analysis and has predicted the probability of drought with an acceptable percentage of confidence. Innovation: Due to the difference in climatic regions of Iran, the elimination of user intervention, and the use of scientific and mathematical calculations, the error rate in selecting the index is reduced. Then, with the help of uncertainty methods such as cloud theory, the ability to predict the probability of drought in the future increases.