---

خشکسالی یکی از مخرب ترین بلایای طبیعی در جوامع بشری محسوب می شود که می تواند تاثیرات جبران ناپذیر کشاورزی، زیست محیطی، اجتماعی و اقتصادی  به همراه داشته باشد. بنابراین آگاهی از وقوع خشکسالی می تواند در کاهش خسارات موثر باشد. در این پژوهش، به منظور مدلسازی و شبیه سازی شدت خشکسالی در طول یک دوره آماری ۳۷ ساله (۱۳۵۰- ۱۳۸۶) در ۲۱ ایستگاه بارانسنجی واقع در ناحیه نیمه خشک سرد شمال غربی ایران از شبکه عصبی مصنوعی بهره گرفته شد. داده های ورودی به شبکه شامل میانگین بارش سالیانه و نیز شاخص دهک بارش سالیانه برای تمامی ایستگاه ها بوده که ۸۰% داده ها برای آموزش شبکه (۱۳۵۰-۱۳۷۹) و۲۰% باقیمانده برای تست و اعتبار سنجی شبکه (۱۳۸۰-۱۳۸۶) انتخاب گردید. سپس عمل پیش بینی خشکسالی توسط الگوریتم آموزش دیده شده توسط شبکه عصبی مصنوعی و بدون استفاده از داده های واقعی و مشاهداتی، برای سال های ۱۳۸۷ تا ۱۳۹۱صورت گرفت. معماری مطلوب شبکه به صورت مدل پرسپترون  با سه لایه پنهان، الگوی پس انتشار خطا و تابع محرک سیگموئید به همراه ۱۰ نرون در لایه میانی انتخاب گردید. نتایج حاصله نشان داد که شبکه عصبی مصنوعی به خوبی قادر به پیش بینی روابط غیر خطی بارش و خشکسالی بوده بطوریکه با همبستگی بیشتر از ۹۷% و خطای کمتر از ۵% مقادیر شاخص دهک بارش را پیش بینی نموده و نتایج حاصل از این پیش بینی بطور زیادی منطبق با مقادیر واقعی می باشد. از این رو با استفاده از این روش می توان وضعیت خشکسالی را در سال های آتی پیش بینی کرده و در مدیریت و بهره وری منابع آب و نیز مدیریت خشکسالی و تغییرات اقلیمی از این روش بهره جست.

---

---

---

برای انجام این پژوهش ابتدا داده‌‌های مشاهده‌‌ای بارش ماهانه سینوپتیک و هیدرومتریک از سازمان هواشناسی کشور و وزارت نیرو طی دوره ۳۰ ساله (۱۹۷۶-۲۰۰۵) اخذ شد. برای بررسی چشم‌انداز تغییرات بارش در آینده، داده‌‌های تاریخی دوره (۱۹۷۶-۲۰۰۵) و داده‌‌های شبیه‌سازی‌شده اقلیمی دوره (۲۰۵۰-۲۰۲۱) با استفاده از دو مدل GFDL-CM۳)، (CSIRO-Mk۳,۶ ازسری مدل‌های (CMIP۵) و طبق ۴ سناریوی RCP۲.۶)، RCP۴.۵، RCP۶ و RCP۸.۵ که با قدرت تفکیک مکانی ۵/۰*۵/۰ با روش BCSD در دسترس می‌‌باشند استفاده شده است. برای اصلاح اریبی موجود در برون داد مدل‌های مذکور، استراتژی Mean-based (MB)) بکار رفته است. نتایج عملکرد مدل‌های AOGCM نشان داد برای شبیه‌‌سازی بارش در حوضه کارون بزرگ ضریب خطای مدل CSIRO-Mk۳.۶ کمتر از مدل GFDL-CM۳ بوده است. میانگین بارش آتی (۲۰۲۱-۲۰۵۰) در کل حوضه نسبت به میانگین بارش مشاهداتی در طول دوره آماری ۱۹۷۶-۲۰۰۵ نشان می‌دهد، در هر دو مدل و سناریوها در دو حوضه از نظر مقدار و مساحت پهنه بارشی در حال کاهش محسوس است. بیشینه بارش‌‌ها در حوضه کارون بزرگ در تمامی سناریوها و مدل‌‌ها در شرق حوضه متمرکز بوده است. بیشترین بارش را مناطق کوهپایه‌‌ای مرکزی دریافت کرده است. کمترین دریافت بارش جنوب غرب و جنوب شرق است. نتایج نهایی پژوهش حاضر ۸۳-۱۱۶ میلی‌متر کاهش بارش نسبت به میانگین مشاهداتی حوضه کارون بزرگ پیش‌بینی می‌شود. هردو مدل ارائه شده، بیشترین کاهش بارش حوضه کارون بزرگ دو سناریوی rcp۴.۵ و rcp۲.۶ پیش‌بینی می‌شود.

---

گرد و غبار پدیده ای است که آثار زیست محیطی زیادی را در بخش های مختلف زندگی انسان ها از جمله: کشاورزی، اقتصاد، بهداشت و غیره دارد. هدف از پژوهش حاضر بررسی و پیش بینی پدیده گرد و غبار در شهر کرمانشاه می باشد. داده های هواشناسی با وضوح ۳ ساعته در دوره آماری (۲۰۲۰-۲۰۰۰) ایستگاه کرمانشاه از سازمان هواشناسی کشور اخذ شد. ابتدا داده های گرد و غبار نرمال سازی شد و سپس با استفاده از مدل های شبکه عصبی ANN برای پیش بینی غلظت گرد و غبار و شبکه عصبی تطبیقی ANFIS برای خطایابی و پیش بینی سری زمانی وقوع گرد و غبار در نرم افزار MATLAB  خطایابی و پیش بینی شدند. یافته های پژوهش نشان داد که حداکثر میزان غلظت گرد و غبار پیش بینی شده مربوط به حداقل نقطه شنبم با بیشترین میزان همبستگی پیرسون با گرد و غبار، به میزان ۲۳/۳۴۵۱ میکروگرم بر مترمکعب برآورد شده است.  همچنین نتایج پیش بینی سری زمانی با استفاده از مدل ANFIS نشان داد تابع عضویت زنگوله ای خطی با درجه ۳، در مراحل آموزش و آزمون، مطلوب ترین تابع ورودی را در بین دیگر توابع عضویت به خود اختصاص داده است. بر اساس مدل های پیش بینی، بیشترین احتمال رخداد حداکثر گرد و غبار در ۲۰ سال آینده کرمانشاه با مقدار ۹۴% به دست آمد.