التنبؤ بمؤشر الهطول والبخر-النتح المعياري (SPEI) باستخدام نماذج (SVM) و (ARIMA): دراسة مقارنة

نوع المستند : Original Article

المؤلفون

1 استاذ مساعد - قسم الهندسة الزراعية - كلية الزراعة - جامعة عين شمس - القاهرة - مصر.

2 مدرس - - قسم الهندسة الزراعية - كلية الزراعة - جامعة عين شمس - القاهرة - مصر.

المستخلص

تهدف هذه الدراسة إلى تقييم دقة التنبؤ بمؤشر الهطول والبخر-النتح المعياري (SPEI) باستخدام نماذج  (SVM) و (ARIMA) في ثلاث مناطق زراعية مهمة في مصر: النوبارية، وادي النطرون، والبوصيلي. يعد التنبؤ الدقيق بـ SPEI أمرًا حيويًا لإدارة المياه والتخطيط الزراعي الفعال، خاصة في المناطق القاحلة. تم إجراء تحليل شامل يتضمن تحليل السلاسل الزمنية وتقييم النماذج باستخدام متوسط الخطأ التربيعي. وأظهرت النتائج تفوق نماذج ARIMA باستمرار على نماذج SVM في جميع المواقع. حيث أظهر نموذج ARIMA(1,1,1) دقة تنبؤية فائقة، مع انخفاض في قيمة MSE تتراوح بين 1.4% و14% مقارنة بنماذج SVM. ففي النوبارية، حقق نموذج ARIMA قيمة MSE قدرها 1.7499 مقارنة بـ 1.7746 لنموذج SVM . في وادي النطرون، بلغ متوسط الخطأ التربيعي لنموذج ARIMA 2.0735، وهو أقل بكثير من 2.4113 لنموذج SVM ، بينما في البوصيلي، سجل نموذج ARIMA قيمة MSE قدرها 1.8033 مقابل 2.0844 لنموذج SVM . وهو ما يؤكد الأداء المتفوق لنموذج ARIMA وفعاليته في توقع ظروف الجفاف. وقد كشف ايضاً تحليل قيم SPEI عن اتجاه طويل المدى نحو زيادة الجفاف على مدار الثلاثين عامًا، بالإضافة إلى التقلبات السنوية المنتظمة. ينبغي على الأبحاث المستقبلية استكشاف نماذج متقدمة مثل الشبكات العصبية المتكررة (RNN) لتعزيز دقة التنبؤ بشكل أكبر، وتوسيع التحليل ليشمل مناطق إضافية تحتوي على بيانات أحدث للتحقق من صحة هذه النتائج، وبالتالي تحسين التنبؤ بالجفاف وإدارة الموارد المائية.

الكلمات الرئيسية

الموضوعات الرئيسية

المراجع

Beguería, S., Vicente-Serrano, S. M., Reig, F., and Latorre, B. (2014). Standardized precipitation evapotranspiration index (SPEI) revisited: Parameter fitting, evapotranspiration models, tools, datasets and drought monitoring. International Journal of Climatology, 34(10), 3001-3023. https://doi.org/10.1002/joc.3887.
Box, G. E. P., and Jenkins, G. M. (1976). Time series analysis: Forecasting and control. Holden-Day.
Ghosh, S., and Mujumdar, P. P. (2008). Statistical downscaling of GCM simulations to streamflow using relevance vector machine. Advances in Water Resources, 31(1), 132-146. https://doi.org/10.1016/j.advwatres.2007.07.005.
Cortes, C., and Vapnik, V. (1995). Support-vector networks. Machine Learning, 20, 273-297. https://doi.org/10.1007/BF00994018.
De Livera, A.M., Hyndman, R.J., Snyder, R.D., 2011. Forecasting time series with complex seasonal patterns using exponential smoothing. J. Am. Stat. Assoc. 106 (496), 1513–1527. https://doi.org/10.1198/jasa.2011.tm09771.
Han, P., Wang, P.X., Zhang, S.Y., 2010. Drought forecasting based on the remote sensing data using ARIMA models. Math. Comp. Model. 51, 1398–1403. https://doi.org/10.1016/j.mcm.2009.10.031.
Hao, Z., Singh, V.P., Xia, Y., (2018). Seasonal drought prediction: advances, challenges, and future prospects. Rev. Geophys. 56 (1), 108–141. https://doi.org/10.1002/2016RG000549.
Hipel, K. W., & McLeod, A. I. (1994). Time series modelling of water resources and environmental systems. Elsevier.
Mishra, A.K., Singh, V.P., (2011). Drought modeling–a review. J. Hydrol. 403, 157–175. https://doi.org/10.1016/j.jhydrol.2011.03.049.
Montanari, A., Rosso, R., and Taqqu, M. S. (2006). A seasonal fractional ARIMA model applied to the Nile River monthly flows at Aswan. Water Resources Research, 36(5), 1249-1259. https://doi.org/10.1029/1999WR900002.
Shi, S., Yu, J., Wang, F., Wang, P., Zhang, Y., Jin, K., (2021). Quantitative contributions of climate change and human activities to vegetation changes over multiple time scales on the Loess Plateau. Sci. Total Environ. 755 (Pt 2), 142419. https://doi.org/10.1016/j.scitotenv.2020.142419.
Smola, A. J., and Schölkopf, B. (2004). A tutorial on support vector regression. Statistics and Computing, 14, 199-222. https://doi.org/10.1023/B:STCO.0000035301.49549.88.
Thornthwaite, C.W., 1948. An approach toward a rational classification of climate. Geographical Rev., 38: 55-94. DOI: 10.2307/210739.
Vicente-Serrano, S.M., Beguería, S., López-Moreno, J.I., 2010. A multiscalar drought index sensitive to global warming: the standardized precipitation evapotranspiration index. J. Clim. 23 (7), 1696–1718. https://doi.org/10.1175/2009JCLI2909.1.
Wu, X., Zhou, J., Yu, H., Liu, D., Xie, K., Chen, Y., Hu, J., Sun, H., Xing, F., 2021. The development of a hybrid wavelet-ARIMA-LSTM model for precipitation amounts and drought analysis. Atmosphere 12, 74. https://doi.org/10.3390/atmos12010074.
Xu, D., Zhang, Q., Ding, Y., Zhang, D., (2022). Application of a hybrid ARIMA-LSTM model based on the SPEI for drought forecasting. Environ. Sci. Pollut. Res. Int. 29 (3), 4128–4144. https://doi.org/10.1007/s11356-021-15325-z.
Yao, N., Li, Y., Liu, Q., Zhang, S., Chen, X., Ji, Y., Liu, F., Pulatov, A., Feng, P., (2022). Response of wheat and maize growth yields to meteorological and agricultural droughts based on standardized precipitation evapotranspiration indexes and soil moisture deficit indexes. Agric. Water Manag. 266, 107566. https://doi.org/10.1016/j.agwat.2022.107566.
Zhou, Z., Ding, Y., Shi, H., Cai, H., Fu, Q., Liu, S., Li, T., (2020). Analysis and prediction of vegetation dynamic changes in China: past, present and future. Ecol. Indicat. 117, 106642. https://doi.org/10.1016/j.ecolind.2020.106642.

ملفات

شارك

إرسال الاستشهاد إلى

الإحصائيات