بخشی از مقاله
چکیده:
خشکسالی پدیدهای است که وقوع آن در هر اقلیمی محتمل است. انتخاب شاخصی مناسب برای کمیکردن خشکسالی در هر منطقه از چالشهای مهم تصمیمگیرندگان منابع آب میباشد. از این رو شاخصهای مختلفی توسط محققان برای تعیین شدت انواع خشکسالی اقلیمی - SPI - ، هیدرولوﮊیکی - SWSI - و زراعی - PDSI - ارائه شده است. اما هیچ کدام از انواع شاخصهای خشکسالی تعریف شده، به تنهایی جنبههای مختلف اثرات خشکسالی را در برنمیگیرد. در این مقاله سعی شده تا شاخصی ترکیبی بر اساس اثر اصلی خشکسالی، یعنی خسارت وارده به بخشهای مختلف مصرف کننده آب، تدوین شود. در این شاخص از خسارات ناشی از وقوع خشکسالی برای تلفیق شاخصهای اصلی انواع خشکسالیها و یکسان کردن نتایج استفاده میشود. بعد از تدوین شاخص ترکیبی خشکسالی، با استفاده از شبکههای عصبی مصنوعی شدت خشکسالی پیشبینی میگردد. شبکههای عصبی مورد استفاده در این مقاله، شبکههای چندلایه پرسپترن - MLP - میباشند که اولی به لحاظ ساختار خاص خود و دومی جهت مقایسهی نتایج انتخاب شده است. این شبکهها ابزاری کارآمد در مسائل پیشبینی و شبیهسازی هستند. با استفاده از شاخص ترکیبی میتوان با رویکردی دقیقتر و واقع بینانهتر دورههای خشکسالی را تعیین نمود. نتایج هر دو شبکه قابل استفاده در پیشبینیهای میزان خسارت خشکسالیهای آتی میباشند مطالعهی موردی این تحقیق، حوزهی آبریزگاوخونی، دراستان اصفهان میباشد.
کلید واﮊهها: شاخص ترکیبی خشکسالی،شبکهی عصبی چندلایه پرسپترن، خسارت خشکسالی، شبکهی عصبی
۱‐مقدمه:
خشکسالی، یک ویژگی کاملاﹰ عادی و برگشتپذیر در هر اقلیم است. هر چند بسیاری معتقدند که خشکسالی پدیدهای نادر و تصادفی است ولی این پدیده تقریباﹰ در هر منطقهی اقلیمی رخ میدهد و خصوصیات آن از منطقهی به منطقه دیگر می تواند به طور قابل ملاحظهای متفاوت باشد. از نقطه نظر سیستمی، خشکسالی در یک منطقه ناشی از ترکیب انواع مختلف خشکسالیهای اقلیمی، زراعی و هیدرولوﮊیکی میباشد. خشکسالی اقلیمی معمولاﹰ بر اساس درجه خشکی - در قیاس با مقدار نرمال بارش - و تداوم دورهی خشک تعریف میشود. خشکسالی زراعی، خصوصیات اقلیمی - یا هیدرولوﮊیکی - را به خسارات کشاورزی مرتبط کرده و بر مواردی چون کمبود بارش، اختلاف بین تبخیر و تعرق واقعی و پتانسیل، کمبود آبی خاک، کاهش سطوح آب زیرزمینی و مخازن و... تأکید می کند. خشکسالی هیدرولوﮊیکی در بر گیرندهی دورههای کمبود بارش - شامل بارش برف - و کمبود منابع آب سطحی و زیرزمینی میباشد.
از جمله مطالعات اولیهای که در زمینهی خشکسالی انجام گرفته میتوان به تحقیقات پالمر اشاره کرد؛ Palmer - 1965 - وجود رابطهای بین شاخص شدت خشکسالی پالمر - ١ - PDSI و جریان رودخانهها، حجم دریاچهها و نیز تراز آب مخازن سدها را نشان داده است ]۱.[ با توجه به وجود چنین رابطهای ایشان خاطر نشان کردهاند که این شاخص علاوه بر خشکسالی اقلیمی، میتواند در پایش خشکسالی هیدرولوﮊیکی هم مورد استفاده قرار بگیرد. خشکسالیهای هیدرولوﮊیکی و زراعی را در ناحیه ی مرکزی ایران با استفاده از تحلیل آماری به طور جامع مورد مطالعه قرار دادند ]۲Shin et al., - 2000 - .[ تحلیل خشکسالی منطقهای را بر اساس شبکه عصبی انجام دادهاند. در این تحقیق هدف اصلی، تدوین روشی برای تحلیل و کمیسازی الگوهای مکانی و زمانی خشکسالیهای اقلیمی بر پایه ی دادههای بارش سالانه است ]۳Damas et al. - 2000 - .[ از شبکهی عصبی برای کنترل سیستمهای تأمین آب بهره جستند. آنها از شبکه ی عصبی برای پیش بینی نیاز آبی جهت اعمال سیاستهای کنترلی استفاده کردند ]۴.[ همچنین Karamouz et al. - 2004b - در پیش بینی سیلاب از انواع روشهای مختلف شبکهی عصبی استفاده کردهاند که در این مورد با توجه به ویژگیهای پدیدهی سیلاب، شبکهی عصبی با تأخیر زمانی٢، بهترین نتایج را به دست داده است ]۵.[
با دید واقعبینانه به پدیده خشکسالی می توان دریافت که وقتی این پدیده طبیعی رخ میدهد متغیرهای به کار رفته در تعریفهای مختلف خشکسالی که تا به حال توسط محققین در نظر گرفته شده، مثلاﹰ رواناب در خشکسالی هیدرولوﮊیکی، رطوبت خاک در خشکسالی زراعی و بارش در خشکسالی اقلیمی، توأماﹰ و یا نهایتاﹰ با اندکی تأخیر تحت تأثیر قرار میگیرند. در نتیجه، در نظر گرفتن همزمان این تأثیرات بر کل منابع آب به منظور حداکثر استفاده از منابع موجود، امری ضروری است. در این مقاله، شاخصی ترکیبی تدوین شده است که تلفیقی از شاخصهای اصلی انواع خشکسالیهای اقلیمی، هیدرولوﮊیکی و زراعی یعنی به ترتیب، شاخص بارش استاندارد شده - - SPI، شاخص خشکسالی آبهای سطحی - - SWSI و شاخص شدت خشکسالی پالمر - - PDSI میباشند و ابزار پیشبینی در قالب شبکههای عصبی، با توجه به قابلیت بالای آنها بر روی ترکیب دادههای مختلف، در این مقاله استفاده شده است.
۲‐ تعیین شاخص ترکیبی - ٣ - HID
در این مقاله شاخص ترکیبی خشکسالی، HID، جهت کمیکردن شدت خشکسالی با در نظر گرفتن اثرات جمعی آن در بخشهای مختلف اقلیمی، هیدرولوﮊیکی و زراعی برای یک گام زمانی جلوتر ارائه شده است. دلیل جلوتر بودن، تأخیر وقوع خسارت نسبت به وقوع خشکسالی میباشد. در تعریف شاخص HID از ساختار شاخص SWSI اصلاحی استفاده شده است]۶ و ۷.[ با این تفاوت که صرفاﹰ دورههای خشک یا محدودهی اعداد منفی متناظر با روش SWSI انتخاب شدهاند
]۸.[ در شاخص HID از منحنی احتمال میزان خسارت ناشی از خشکسالی استفاده شده است که خسارت یاد شده، به عنوان برآوردی از مجموع اثرات انواع مختلف خشکسالی میباشد. مراحل تدوین یک شبکهی عصبی برای تخمین شاخص ترکیبی خشکسالیHID به شرح زیر میباشد:
۱ - محاسبهی سه شاخص اصلی خشکسالیهای اقلیمی، هیدرولوﮊیکی و زراعی که به ترتیب عبارتند از: شاخص بارش استاندارد شده - - SPI، شاخص خشکسالی آبهای سطحی - - SWSI و شاخص شدت خشکسالی پالمر - - PDSI در مقیاس زمانی ماهانه
۲ - بررسی و بازسازی دادههای خسارت به صورت ماهانه - در صورت سالانه بودن آمار خسارت، تعیین سهم هر ماه از خسارت ناشی از خشکسالی -
۳ - ترسیم منحنی تجمعی احتمال وقوع خسارت برای سری زمانی ماهانهی خسارت
۴ - تعیین احتمال متناظر با خسارت وارده در هر ماه، Pt با استفاده از منحنی به دست آمده از مرحله قبل
۵ - دستهبندی شدتهای مختلف خشکسالی و تعیین مقادیر شاخص ترکیبی HID برای ماههای مختلف با استفاده از رابطهی زیر:
۶ - استفاده از شبکههای عصبی جهت آموزش و پیشبینی - شاخصهای سهگانهی محاسبه شده و زیر دستهی مربوط به شاخص HID ماه t ام به ترتیب ورودیها و خروجی شبکهی عصبی میباشند - .
جدول۱ تقسیمبندی شدت خشکسالی بر اساس شاخص ترکیبی ماهانهی خشکسالی
معیار اظهار نظر در مورد شدت خشکسالیها بر اساس شاخص HID در جدول - ۱ - نشان داده شده است. بعد از برازش توزیع احتمالاتی به آمار خسارت، محدوده تا احتمال ۵۲/۰ به دلیل ناچیز بودن خسارتها نرمال فرض میشود. مقادیر منفی شاخص HID و همچنین اعداد ۰۰۱ و ۴۲ در این رابطه بدین دلیل است که مقادیر شاخص برای هماهنگی با شاخصهایی که ترکیب میشوند بین صفر و ۴‐ باشند. با توجه به این جدول میتوان دریافت که این مقادیر، به ترتیب
