چکیده:
خشکسالی یکی از بخشهای جداییناپذیر نوسانات اقلیمی است که سالانه خسارات زیادی را به بخشهای مختلف وارد میسازد. با توجّه به اثرات خشکسالی بر بخشهای مختلف محیطزیست، کشاورزی، منابع طبیعی، حیات وحش و... پیشبینی آن میتواند برای مدیریت بحران و کاهش خسارات ناشی از آن مفید باشد. در پژوهش حاضر، خشکسالی ماهانه بر اساس شاخص استاندارد بارش در 12 ایستگاه موجود در جنوب شرق کشور طی سالهای 1980 تا 2014 محاسبه گردید؛ سپس با استفاده از زنجیرة مارکوف اقدام به پیشبینی خشکسالی ماهانه برای سالهای 2015 تا 2020 شد. طبق نتایج، بیشتر ایستگاهها از نظر خشکسالی دارای وضعیّت نرمال، متوسّط و شدید هستند. ماتریس احتمال انتقال نشان داد که در تمامی ایستگاهها، احتمال گذر از یک حالت معیّن به همان حالت و احتمال گذر از حالت مرطوب به خشک، زیاد؛ امّا احتمال گذر از حالت خشک به تر، کم است. همچنین نتایج پیشبینی در ایستگاههای مختلف با سطح دقّت متفاوت (در ایستگاههای ایرانشهر، زابل، زاهدان، بم و سراوان، دقّت پیشبینی 75%، در ایستگاههای جاسک، بندرعباس، کرمان و شهر بابک دقّت پیشبینی 1/79% و در ایستگاههای بندر لنگه، چابهار و سیرجان، دقّت پیشبینی 3/83%) نشان داد که بیشترین احتمال وقوع خشکسالی طی سالهای 2015 تا 2020 مربوط به کلاسهای نرمال، متوسّط و شدید است و در سطح منطقة مورد بررسی کلاسهای 1 تا 7 خشکسالی به ترتیب 3/13، 81/25، 74/26، 11/36، 75/4، 87/2 و 69/0% از ماههای پیشبینیشده را دربر میگیرند.
Drought is an inseparable part of climatic fluctuations which caused a lot of damages to different sections annually. Prediction of drought is recognized really useful in management of crisis and reduction of damages due to its the effect on different parts of environment، agricultural sections، natural resources، and wild life. In this research، monthly drought in 12 synoptic stations located in southeast of Iran during 1980 -2014 were calculated based on SPI index، Then، using Markov chain method، monthly drought during 2015- 2020 were predicted. Based on the results، in the most synoptic stations، normal، moderate dry and severe dry classes of drought have the highest frequency of occurrence. Transition probability matrix showed that، in all synoptic stations، probability of passing from a specific drought condition to the same drought condition and probability of passing from wet conditions to dry conditions were high، but the probability of passing from the dry conditions to wet conditions were low. Results of prediction in different synoptic stations with different of accuracy level (In Iran Shahe، Zabol، Zahedan، Bam and Saravan stations accuracy of prediction were 75%، In Jask، Kerman، Bandar Abbas and Shahr Babak stations accuracy of prediction were 79.1% and In Bandar Lengeh، Chahbahar and Sirjan stations the accuracy of prediction were 83.3%،) showed that، from 2015 to 2020 the normal، moderate and severe drought classes will be the highest probability of drought occurrence. In the study area، the classes of drought (from 1 to 7) are 13.3، 25.81، 26.74، 36.11، 4.75، 2.87 respectively and 0.69 percent of predicted months will be appropriated.
خلاصه ماشینی:
"از مدل زنجیرة مارکوف برای بیان و تعریف ویژگیهای - Kogan - Mishra and Singh - Whipple - Silva - Siti - Mckee - Tsakiris & Vangelis - Standardized Precipitation Index (SPI) - Standardized Deciles Index (SDI) فرایندهای تصادفی (متغیرهای هواشناسی و هیدرولوژی) استفاده میشود (کلودیا 1 و همکاران، 2017؛ چن 2 و همکاران، 2017؛ زیلاگی 3 و همکاران، 2006، تییر 4 و همکاران، 2006، گابریل و نیومن 5 ، 1962).
سطح دقت پیشبینی انجامشده با استفاده از زنجیرة مارکوف در ایستگاههای مورد بررسی دقت پیشبینی (%) نام ایستگاه دقت پیشبینی (%) نام ایستگاه دقت پیشبینی (%) نام ایستگاه (به تصویر صفحه مراجعه شود) نتایج این بررسی نشان داد که احتمال گذر از یک حالت به همان حالت به عنوان مثال از کلاس نرمال به نرمال در مقایسه با دیگر احتمالات گذر، دارای فراوانی بیشتری است.
با توجه به نتایج پژوهشهای انجامشده توسط دیگر محققان، در بحث ارزیابی خشکسالی و پیشبینی آن به وسیلة زنجیرة مارکوف (بدون حذف ماههای صفر) و همچنین عدم وجود تفاوت بین نتایج تحقیقات انجامشده با پژوهش حاضر (به دلیل یکسانی شرایط اقلیمی منطقههای مورد مطالعه، عدم حذف ماههای دارای بارش صفر در مطالعات و همچنین یکسانی شاخص ارزیابی خشکسالی) استفاده از نتایج بررسی انجامشده به دلیل بهروزتر بودن دادههای اقلیمی، استفاده از ایستگاههایی با پراکندگی مناسب و طول دورة آماری کافی و همچنین شدت زیاد آسیبپذیری منطقة مورد مطالعه از خشکسالی (به دلیل خشک و نیمهخشک بودن اقلیم منطقه) میتواند در مدیریت بحرانهای ناشی از خشکسالی مؤثر باشد."