Developing a Drought Forecasting Model ;Case study Abyek City in Ghazvin Province

Authors

1 PhD Student of Watershed Management Engineering,Faculty of Natural Resources & Marine Sciences,Tarbiat Modares University.

2 Assistant Professor, Department of Range and Watershed Management, Faculty of Agriculture and Natural Resources, University of Hormozgan, Bandar Abbas, Iran.

Abstract

Optimum utilization of water resources in the country requires improving the accuracy of forecastingand estimation time of drought. One of the most important issues in monitoring and predicting drought is choosing an appropriate index for the area. In the present study, besides determining two indices of SPI and CZI in two scales of short-term and medium-term using the precipitation of two rain gauge stations in a period of 43 years (1972-2015) located in Abiyek City, the drought forecastingwas performed using the Direct Multi-Step Neural Network in six time ahead. The Kappa- Cohen statistic used in order to review the consistency of quality classes between the predicted and observed values. The results of using this network in this study indicated an acceptable performance and capability of this network to estimate the drought using the two scales of SPI and CZI and predict some earlier steps of weather drought. Based on results of the weighted Kappa statistic showed that with increasing the prediction step, the similarity between the prediction amounts and the observed amounts in quality classes of drought decrease in two indices of SPI and CZI. So, by increasing the time scales (from 3 to 9 month), the similarity increases. The results of the prediction with the two mentioned indices and in different scales showed that Ziaran station seems more appropriate because it is located in the center of the area. Therefore, choosing an appropriate station in prediction issues helps improve the models significantly. Finally, this research can be useful in predicting the time of drought at least for the next six months, and help water planning and water resources managers in macro level in the country

Keywords

References

بذرافشان، ا.، ع. سلاجقه، ا. فاتحی مرج، م. مهدوی، ج. بذرافشان و س. حجابی.1392. مقایسة کارایی مدل‌های آماری و مفهومی در پیش‌‌بینی خشک‌سالی هیدرولوژی)مطالعة موردی: حوزة آبخیز کرخه.( نشریه مرتع و آبخیزداری، دوره 66، شماره 4، ص 493- 508.
جهانگیر، م. ح.، م. خوش‌مشربان، و ح. یوسفی.1394. پایش و پیش‌‌بینی وضعیت خشکسالی با استفاده از شاخص بارندگی استاندارد (SPI) و شبکه عصبی پرسپترون چندلایه (مطالعه موردی: استان‌های تهران و البرز). مجله اکوهیدرولوژی، شماره 4، دوره 2، ص 428-417.
حجابی، س. 1390. مطالعه تطبیقی روش‌های پیش‌‌بینی خشکسالی هواشناسی در اقلیم­های خشک و مرطوب ایران. پایان‌نامه دوره کارشناسی ارشد، دانشکده آبیاری و آبادانی، دانشگاه تهران، 260ص.
خوشحال دستجردی، ج. و س. م. حسینی. 1389. کاربرد شبکه عصبی در پیش‌‌بینی عناصر اقلیمی و پیش‌‌بینی سیکل خشکسالی (مطالعه موردی: استان اصفهان)، مجله جغرافیا و برنامه‌ریزی محیطی، 39، ص 107-120.
رضایی، م.، و ه. هادیان. 1394. کاربرد سری‌های زمانی بارش و نمایه‌های آماری اقلیمی در پیش‌‌بینی خشکسالی به کمک شبکه CANFIS(مطالعه موردی: بیرجند-خراسان جنوبی). دو فصلنامه علمی- پژوهشی خشک بوم، جلد5، شماره 2، ص 66-51.
عزیزی، ق. 1382. ارتباط خشکسالی‌های اخیر و منابع آب زیرزمینی دشت قزوین. پژوهش‌های جغرافیایی، شماره 46، ص 131-143.
عیوضی، م.، مساعدی، ا. و ا. ا. دهقانی. 1388. مقایسه روش‌های مختلف پیش‌‌بینی شاخص خشکسالی SPI، مجله پژوهش‌های حفاظت آب و خاک ، دانشکده کشاورزی و منابع طبیعی گرگان، شماره2، جلد 16، ص17-28.
قبایی سوق، م.، و ا. مساعدی. 1391. طراحی و فرایند انتخاب شاخص مناسب بر مبنای پایش چند معرفه خشکسالی در محدوده تعدادی از ایستگاه‌های ناحیه‌ی خشک و نیمه خشک ایران، نشریه آب و خاک (علوم و صنایع کشاورزی)، جلد 26، شماره 2، ص 414-426.
Basheer I. A., and M. Hajmeer. 2000. Artificial neural networks: fundamentals, computing, design, and application. J Microbiol Methods. 43:3-31.
Belayneh, A., J. Adamowski, and B. Khalil. 2016. Short-term SPI drought forecasting in the Awash river basin in Ethiopia using wavelet transforms and machine learning methods. Sustainable Water Resources Management, 2(1): 87-101.
Borji, M., A. Malekian, A. Salajegheh, and M. Ghadimi. 2016. Multi-time-scale analysis of hydrological drought forecasting using support vector regression (SVR) and artificial neural networks (ANN). Arabian Journal of Geosciences, 9(19): 725.
Cohen, J. 1968. Weighted kappa: nominal scale agreement with provision for scaled disagreement or partial credit. Psychological Bulletin,70: 213-220.
Dastorani, M.T., and H. Afkhami. 2011. Application of artificial neural networks on drought prediction in Yazd (Central Iran). Desert Journal,16: 39-48.
Hayes, M.J., M.D. Svoboda, D.A. Wilhite, and O.V. Vanyarkho. 1999. Monitoring the 1996 drought using the standardized precipitation index. Bull Am Meterol Soc, 80:429–438
Ju, X.S., X.W. Yang, L.J. Chen, and Y.M. Wang. 1997. Research on determination of indices and division of regional flood/drought grades in China (in Chinese). Quarterly Journal of Applied Meteorology, 8(1): 26–33.
Kendall, M. G., and A. Stuart. 1977. The Ad_anced Theory of Statistics. Charles Griffin & Company: London, High Wycombe, 400.
Kim, T., J. B. Valdes, and J. Aparicio. 2003. Frequency and spatial characteristics of drought in the Conches River Basin, Mexico. Journal of Water International, 27(3): 420-430.
McKee, T. B., N. J. Doesken, and J. Kleist. 1993. The relationship of drought frequency and duration to time scales. In Proceedings of the 8th Conference on Applied Climatology, Anaheim, California. American Meterological Society.
Mishra, A. K., and V. R. Desai. 2006. Drought forecasting using feed-forward recursive neural network. Journal of Ecological Modelling, 198, 127-138.
Mishra, A. K., V. R. Desai, and P. Singh. 2007. Drought forecasting using hybrid stochastic and neural network model. Journal of Hydrologic Engineering, 6(626): 1084-0699.
Nasri , M. 2010. Application of artificial neural networks (ANNs) in prediction models in risk management.  World Applied Sciences Journal, 10(12): 1493-1500.
Shahabfar, A. R., and J. Eitzinger. 2013. Spatio-temporal analysis of droughts in semi-arid regions by using meteorological drought indices. Atmosphere, 94-112.
Wu, H., and M. J. Hayes. 2001. An evaluation of the standardized precipitation index, the china index and statistical Z- Score. International journal of climatology, 21: 741-758.
Zahraie, B., and M. Karamouz. 2004. Seasonal precipitation prediction using large scale climate signals. Proceedings of EWRI-2004 Conference, Salt lake City, USA, 1: 123-145.
Zarei, A. R., and S. Eslamian. 2017. Trend assessment of precipitation and drought index (SPI) using parametric and non-parametric trend analysis methods (case study: arid regions of southern Iran). Int. J. Hydrology Science and Technology, 7(1), pp.12–38.

Files

Share

How to cite

Statistics