پیش بینی فضایی-زمانی خشکسالی با استفاده از شاخص SPEI در شمال شرق ایران

سابقه و هدف: خشکسالی به عنوان پیچیده‌ترین و خطرناک‌ترین بلایا‌ی طبیعی است که هم در مکان و هم طی زمان تغییر می‌کند. گرمایش جهانی در سال‌های اخیر باعث تشدید این گونه رویدادهای حدی شده است. از این رو استفاده از شاخص‌های خشکسالی که هر دو اثر بارش و دما را در نظر می‌گیرند و نیز استفاده از روش‌های توأم فضایی- زمانی که گسترش یافته‌ی آمار مکانی هستند، احتمالاً می‌تواند باعث پایش بهتر خشکسالی‌ها و در نتیجه افزایش دقت پیش‌بینی‌ها گردد. در این روش‌ها ساختار همبستگی داده‌ها توسط توابع کوواریانس فضایی-زمانی مشخص می‌شود. هدف از این تحقیق بکارگیری و مقایسه‌ی چند تابع تغییرنگار فضایی-زمانی برای پیش‌بینی و پهنه‌بندی فضایی-زمانی خشکسالی با استفاده از شاخص SPEI در مقیاس 12 ماهه می‌باشد. مواد و روش‌ها: در این تحقیق از داده‌های ماهانه بارندگی و دمای 48 ایستگاه در شمال شرق کشور طی دوره‌ی آماری 1981-2012 برای محاسبه‌ی مقادیر شاخص SPEI در مقیاس 12 ماهه استفاده شده است. تحلیل اکتشافی داده‌ها از نظر فرض‌های مانایی و همسانگردی نیز مورد بررسی قرار گرفت. داده‌ها به دو گروه داده‌های آموزشی و آزمایشی سال 2012 تقسیم شدند. توابع کوواریانس فضایی-زمانی تفکیک‌پذیر، متریک، متریک-جمعی و ضربی-جمعی با تعیین بهترین ترکیب از تغییرنگار‌های کروی، خطی و نمایی برای هریک از تغییرنگار‌های فضایی و زمانی بر روی داده‌های آموزشی برازش داده شدند. بهترین مدل با استفاده از معیارهای آماری MSE و MSPE، انتخاب و پارامترهای مورد نیاز آن برآورد شدند. در نهایت با استفاده از کریجینگ فضایی-زمانی، داده‌های آزمایشی پیش‌بینی و پهنه‌بندی شده و با نقشه‌ی مقادیر مشاهداتی مقایسه شدند. اعتبارسنجی متقابل مدل‌های فضایی-زمانی و فضایی محض از طریق معیارهای آماری COR، ME، MAE و RMSE با بکارگیری 25 و 47 همسایگی انجام گرفت. یافته‌ها: بررسی مانایی داده‌های فضایی-زمانی، مانایی در فضا را نشان داد. رسم میانگین سری زمانی داده‌ها هم یک روند کاهشی را نشان داد که توسط یک رابطه‌ی رگرسیونی ساده با بکارگیری مقادیر شاخص SPEI به عنوان متغیر وابسته و زمان به عنوان متغیر تبیینی مدل گردید و داده‌ها روندزدایی شدند. تغییرنگار فضایی داده‌ها در چهار جهت صفر، 45، 90 و 135 درجه، تفاوت زیادی را بین چهار تغییرنگار‌ نشان نداد و بنابراین فرض همسانگردی مورد پذیرش قرار گرفت. برای تعیین ساختار همبستگی داده‌ها از مدل‌های تفکیک-پذیر، متریک، متریک-جمعی و ضربی-جمعی استفاده شد. مقایسه‌ی مدل‌ها از طریق معیار MSE نشان داد دو مدل ضربی-جمعی و متریک جمعی خطای کمتری نسبت به دو مدل دیگر دارند. مقایسه‌ی این دو مدل در پیش‌بینی مقادیر مشاهده نشده از طریق معیار MSPE، مدل ضربی-جمعی را با تغییرنگار خطی برای هر دو فضا و زمان به عنوان مدل برتر انتخاب نمود. پس از برآورد پارامترهای مدل و با بکارگیری کریجینگ فضایی-زمانی، مقادیر شاخص SPEI برای داده‌های آزمایشی پیش‌بینی و نقشه‌ی فضایی-زمانی آنها ترسیم شد. شباهت نقشه‌ی مقادیر پیش‌بینی شده و نقشه‌ی مقادیر مشاهداتی نشان داد عملکرد خوب در پیش‌بینی مقادیر مشاهده نشده را نشان داد. اعتبارسنجی مدل‌های تغییرنگار فضایی-زمانی و فضایی محض نیز نشان داد عملکرد مدل‌های مختلف بسیار نزدیک به یکدیگر بوده است. نتیجه گیری: نتایج این تحقیق نشان داد مدل‌ کوواریانس فضایی-زمانی ضربی-جمعی نسبت به مدل‌های دیگر توانایی خوبی در پیش‌بینی مقادیر مشاهده نشده دارد و به کمک این گونه مدل‌ها می‌توان مقادیر متغیر مورد نظر خود را در هر موقعیت فضایی و هر مقطع زمانی پیش‌بینی نمود. هم‌چنین اعتبارسنجی مدل‌ها نشان داد مدل‌های مختلف فضایی-زمانی و فضایی محض تفاوت چشمگیری نسبت به یکدیگر نداشته و دقت مدل‌ها نیز نسبت به حالت فضایی محض افزایش پیدا نکرده است.