پایش و پیش بینی وضعیت خشکسالی در استان فارس با استفاده از شاخص RDI و مدل ریاضی زنجیره مارکوف

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه فسا، شهر فسا

2 گروه مهندسی آب، دانشکده کشاورزی، دانشگاه فسا، ایران.

3 گروه مرتع و آبخیزداری، دانشکده کشاورزی، دانشگاه فسا، ایران.

چکیده

آگاهی از وضعیت خشکسالی خطر زیان­های ناشی از این پدیده را تا حد شایان توجهی کاهش می دهد. در این مطالعه که در استان فارس انجام شد، به منظور بررسی خشکسالی، از آمار ماهانه 10 ایستگاه سینوپتیک استان در دوره آماری (2014-1990) استفاده شد. شاخص مورد استفاده جهت پایش خشکسالی، [1]RDI یک ماهه بود و مدل زنجیره مارکوف به منظور پیش بینی وضعیت خشکسالی مورد استفاده قرار گرفت. شدت حالت­های مختلف خشکسالی و وقوع حالت­های مورد انتظار (پیش­بینی) مورد تجزیه و تحلیل قرار گرفت. نتیجه این بررسی نشان داد که احتمال انتقال به حالت نرمال بیشتر از دیگر حالت­ها می­باشد. همچنین احتمال تعادل دوره های خشکسالی خیلی شدید، خشکسالی شدید، خشکسالی متوسط، نرمال، ترسالی متوسط، ترسالی شدید و ترسالی خیلی شدید در استان فارس به ترتیب 37/3، 88/8، 33/8، 2/63، 68/15، 6/0 و 0/0 درصد به دست آمد که در بیشتر مواقع (درازمدت)، منطقه از نظر اقلیمی در حالت نرمال قرار دارد. احتمال تعادل دوره های مذکور خشکسالی در مرحله پیش بینی به ترتیب 95/3، 46/10، 68/10، 51/55، 37/18، 00/1 و 00/0 درصد به دست آمد. به طور کلی در سطح استان، درصد فراوانی وقوع کلاس های پیش بینی شده خشک نسبت به کلاس های مرطوب بیشتر است که بیانگر این است که خشکسالی کماکان در سطح استان فارس ادامه دارد. بیشترین فراوانی وقوع کلاسهای خشک در ایستگاه ایزدخواست (5/31 درصد) و کمترین آن در ایستگاه شیراز (20 درصد) به دست آمد.



 

کلیدواژه‌ها


عنوان مقاله [English]

Drought monitoring and forecasting, using RDI index and Markov Chain mathematical model

نویسندگان [English]

  • Mohammad Mehdi Moghimi 1
  • Elham kouhi 2
  • Abdol Rassou Zarei 3
1 Department of water engineering, College of Agriculture, Fasa University, Fasa, Iran
3 Assistant Professor, Department of Range and Watershed Management, Agricultural College, Fasa University, Iran
چکیده [English]

Knowledge about drought, is the most important prerequisite to reduce risk of drought damage. This study was done in Fars Province, using monthly data of 10 synoptic stations at period of 1990 to 2014. RDI index and Markov chain model used for drought monitoring and forecasting, respectively. Drought severity and expected status were analyzed. Results indicated that, the possibility of transmission to normal class was higher than possibility of transmission to other classes. The probability of drought balances, in monitoring stage, obtained 3.37, 8.88, 8.33, 63.2, 15.68, 0.6 and 0.00% for extremely drought, very drought, moderately drought, normal, moderately wet, very wet and extremely wet periods, respectively. The probability of drought balances, in forecasting stage, obtained 3.95, 10.46, 10.68, 55.51, 18.37, 1.00 and 0.00% for extremely drought, very drought, moderately drought, normal, moderately wet, very wet and extremely wet periods, respectively. Generally in Fars province, in forecasting stage, the frequency of occurrence of drought classes were higher than frequency of occurrence of wet classes that indicate the continuous persistence of drought in this province. Maximum and minimum frequency of drought occurrence classes obtained 31.5% and 20% at Izadkhast and Shiraz synoptic stations, respectively.

کلیدواژه‌ها [English]

  • Keywords: Fars Province
  • Drought monitoring
  • Drought forecasting
  • RDI index
  • Markov Chain model

رضیئی، ط.، پ. دانشکار آراسته، ر. الف. اختری و ب. ثقفیان. 1386. بررسی خشکسالی هواشناسی (اقلیمی) در استان سیستان بلوچستان با استفاده از نمایه SPI و مدل زنجیره مارکوف. مجله تحقیقات منابع آب ایران، (1)3: 25-35.

شکری کوچک، س. و بهنیا، ع.، 1392. پایش و پیش بینی خشکسالی استان خوزستان با استفاده از شاخص خشکسالی   SPI و زنجیره مارکف. مجله علوم و مهندسی آبیاری (مجله­ی علمی کشاورزی)، (3)36: 1-12.

حنفی، ع.، ف. خوش اخلاق و م. سلطانی. 1391. تحلیل خشکسالی های استان تهران با استفاده از شاخص SPI و پیش بینی آن بر اساس مدل زنجیره مارکوف. جغرافیا و پایداری محیط، 3: 87-100.

شریفی، م.، م. شهیدی پور. 1380. تحلیل سیستم های منابع آب. ترجمه. انتشارات دانشگاه فردوسی مشهد. 716ص.

Banimahd, S. A. and D. Khalili. 2013. Factors influencing Markov Chains predictability characteristics, utilizing SPI, RDI, EDI and SPEI drought indices in different climatic zones. Water Resources Management, 27(11): 3911- 3928.

Khalili, D., T. Farnoud, H. Jamshidi, A. A. Kamgar-Haghighi and Sh. Zand-Parsa. 2011. Comparbibility Analyses of the SPI and RDI Meteorological Drought Indices in Different Climatic Zonees. Water Resources Management, 25: 1737- 1757.

Paulo, A. A. and L. S. Pereira. 2006. Prediction of SPI drought class transitions using Markov chains. Water Resources Management, 21:1813–1827.

Paulo, A. A. and L. S. Pereira. 2007. Stochastic prediction of SPI drought class transition. Water Resources Management, 22:1277–1527.

Raziei T. B., A. A. Saghafian Paulo, L. S. Pereira and I. Bordi. 2009. Spatial patterns and temporal variability of drought in western Iran. Water Resources Management, 23:439–455.

Tsakiris G. and H. Vangelis. 2005. Establishing a drought index incorporating evapotranspiration. European Water, (9/10): 3–11.

Tsakiris G., D. Pangalou and H. Vangelis. 2007. Regional drought assessment based on the Reconnaissance Drought Index (RDI). Water Resources Management, 21(5):821–833.

Lohani V. K. and G. V. Loganathan. 1997. An early warning system for drought management using the Palmer drought index. Journal of the American Water Resources Association, 33(6):1376–1386.

Lohani V. K., G. V. Loganathan and S. Mostaghimi. 1998. Long-term analysis and sort-term forecasting of dry spells by the Palmer drought index. Nordic Hydrology, 29(1):21–40.

Ochola W. O. and P. Kerkides. 2003. A Markov chain simulation model for predicting critical wet and dry spells in Kenya. Analysing rainfall events in the Kano plains. Irrigation and Drainage, 52(4):327–342.

Steineman A. 2003. Drought indicators and triggers: a stochastic approach to evaluation. Journal of the American Water Resources Association, 39(5):1217–1233.

Nalbantis I. and G. Tsakiris. 2009. Assessment of hydrological droughts revisited. Water Resources Management, 23: 881-897.

Tabrizi A. A., D. Khalili, A. A. Kamgar-Haghighi and Sh. Zand-Parsa. 2010. Utilization of time-based meteorological droughts to investigate occurrence of streamflow droughts. Water Resources Management, 24:4287–4306.

Abolverdi J. and D. Khalili. 2010. Probability analysis of extreme regional meteorological droughts by L-moments in a semi-arid environment. Theoretical and Applied Climatology, 102: 351–366.

Tukey J. W. 1977. Exploratory data analysis. Addison-Wesley, Reading.

Zamani, A. M. R., M. Monadi and H. Zarei. 2013. Using a first order Makov chain model and SPI index to forecasting, monitoring and zoning of meteorological drought, case study: Chaharmahal and Bakhtiari Province, Iran. Journal of Environmental Research and Development, 8 (2): 316-324.

Zarei, A. R., Moghimi, M. M. and M. R. Mahmoudi. 2016. Analysis of changes in spatial pattern of drought using RDI index in south of Iran. Water Resources Management, 30 (11): 3723–3743.