پیش‌بینی بارش ماهانه با استفاده از شاخص‏ های اقلیمی پیوند از دور با استفاده از شبکۀ عصبی مصنوعی و مدل‏ آماری (‌مطالعۀ موردی: ایستگاه‌های هم‌جوار ششده و قره‌بلاغ)

نوع مقاله : پژوهشی

نویسندگان

1 دانشیار دانشکدۀ علوم و فنون نوین، دانشگاه تهران

2 دانشجوی دکتری بیابان‌زدایی، دانشکدۀ منابع طبیعی و علوم زمین، دانشگاه کاشان

3 دانشیار دانشکدۀ منابع طبیعی و علوم زمین، دانشگاه کاشان

چکیده

بسیاری از متغیرهای هواشناسی از جمله بارش به‌شدت به گردش‏های جوّی‌ـ اقیانوسی بزرگ‌مقیاس وابسته‌اند. در پژوهش حاضر تأثیر سیگنال‏های اقلیمی بر میانگین بارش ماهانۀ ایستگاه‏های مجاور مناطق ششده و قره‌بلاغ طی دورۀ آماری 25 ساله از 1364 تا 1388 بررسی شده است. شبیه‌سازی بارش با استفاده از مدل‏های آماری و شبکۀ عصبی انجام شده است. همبستگی سیگنال‏های اقلیمی با بارش در حالت‏های مختلف بدون تأخیر و با تأخیرهای 3، 6، 9، 12 ماهه ارزیابی شد. مهم‌ترین شاخص‏ها از بین20 شاخص اقلیمی، شاخص‏های NINO1.2، NINO3 و WHWP به‌ترتیب با ضریب همبستگی 61، 45 و 33 درصد در سطح احتمال 95 درصد انتخاب شدند. نتایج نشان داد بیشترین همبستگی شاخص‏های اقلیمی با بارش تأخیری 6 ماهه دارد. نتایج شبیه‌سازی مدل‏ها نشان داد شبکۀ عصبی مصنوعی دقت بیشتری نسبت به مدل آماری دارد. این مدل قادر است میزان بارش را با توجه به نوسانات شاخص‏های انتخابی با ضریب همبستگی 66 درصد و ریشۀ میانگین مربعات خطای (RMSE) 38/1 شبیه‌سازی کند. درنهایت، پیش‌بینی با ضریب تبیین 44 درصد به‌مدت 5 سال توسط شبکۀ عصبی مصنوعی انجام پذیرفت. بنابراین، با توجه به اهمیت بارش و بحران جدی آب در منطقه، به‌منظور مدیریت منابع آب، شناخت پارامترهای مؤثر بر بارش و پیش‌بینی بلند‌مدت آن لازم و ضروری است.
 

کلیدواژه‌ها


 
منابع
1-       Motamedi M, Ehtramyan K, Shahabfar A. Study of telecommunications of ENSO Meteorological signal via Fluctuations of rainfall and temperature in Khorasan province. Journal of Environmental Sciences. 2007; 4 (4): 90-75. [In Persian]
2-       Hejazizadeh Z, Fattahi A, Salighe M, Arsalani F. The effect of climatic signals on precipitation in central part of Iran using artificial neural network. Research Applied Geographical Sciences. 2013; 13 (29): 89-75. [In Persian]
3-       Alizadeh A, Erfaniyan M, Ansari H. Study Teleconnection patterns of influencing on temperature and precipitation parameters (Case Study: Mashhad synoptic station). Journal of Irrigation and Drainage. 2011; 5 (2): 185-176. [In Persian]
4-       Khorshiddoust AM, Ghavidel Rahimi Y, Abbas-Zadeh K. The application of macro-scale patterns of atmospheric-oceanic in analysis of rainfall fluctuations (Case study: Ahar station). Journal of space geographical. 2010; 10 (29): 128-95. [In Persian]
5-       Iseri Y, Dandy G, Maier H, Kawamura A, Jinno K. Medium term forecasting of rainfall using artificial neural Networks. International Congress on Modelling and Simulation (16th: 2005: Melbourne, Victoria). 2005; 1834-1840.
6-       Omogbai BE. Prediction of northern Nigeria Rainfall using sea surface temperature. Journal of Human Ecology. 2010 Nov; 32(2):127-33.
7-       Nagesh KD, Janga RM, Rajib M. Regional Rainfall Forecasting using Large Scale Climate Teleconnections and Artificial Intelligence Techniques. Journal of Intelligent Systems. 2006; 16(4):307-22.
8-       Silverman D, Dracup JA. Artificial neural networks and long-range precipitation prediction in California. Journal of applied meteorology. 2000 Jan; 39(1):57-66.
9-       Schmidt N, Lipp EK, Rose JB, Luther ME. ENSO influences on seasonal rainfall and river discharge in Florida. Journal of Climate. 2001 Feb 15; 14(4):615.
10-  Han-Lie X, Juan F, Cheng S. Impact of preceding summer North Atlantic Oscillation on early autumn precipitation over central China. Atmospheric and Oceanic Science Letters. 2013 Jan 1; 6(6):417-22.
11-  Sharma S, Srivastava P, Fang X, Kalin L. Hydrologic simulation approach for El Niño Southern Oscillation (ENSO)-affected watershed with limited raingauge stations. Hydrological Sciences Journal. 2016 Apr 25; 61(6):991-1000.
12-  Larry bazargan A. Practical linear regression. Shiraz. Shiraz University Press. First Edition.2006; 331.[ In Persian]
13-  Conrads PA, Roehl EA. Comparing physics-based and neural network models for simulating salinity, temperature, and dissolved-oxygen in a complex, tidally affected river basin. In Proceedings of the South Carolina environmental conference 1999 Mar 15.
14-  Hosseini SA. Estimation of maximum temperatures in Ardabil city by using artificial neural network theory. Master's thesis. University of Mohaghegh Ardabili. Department of Natural Geography. 2009; 28. [In Persian]
15-  Moghaddamnia A, Gousheh MG, Piri J, Amin S, Han D. Evaporation estimation using artificial neural networks and adaptive neuro-fuzzy inference system techniques. Advances in Water Resources. 2009 Jan 31; 32(1):88-97.
16-  Niromand H, Bozorgnia A. Introduction to Time Series Analysis (Translation). First Edition. Press of Ferdowsi University of Mashhad. 1993; 283. [In Persian]
دوره 3، شماره 3
مهر 1395
صفحه 391-403
  • تاریخ دریافت: 06 مرداد 1395
  • تاریخ بازنگری: 14 دی 1395
  • تاریخ پذیرش: 05 آذر 1395
  • تاریخ اولین انتشار: 05 آذر 1395
  • تاریخ انتشار: 01 مهر 1395