![سامانه نشر مجلات علمی دانشگاه تهران](./data/logo.png)
تعداد نشریات | 161 |
تعداد شمارهها | 6,565 |
تعداد مقالات | 70,860 |
تعداد مشاهده مقاله | 125,033,566 |
تعداد دریافت فایل اصل مقاله | 98,266,255 |
پیشبینی بارش ماهانه با استفاده از الگوهای پیوند از دور و شبکۀ عصبی مصنوعی (مطالعۀ موردی: حوزۀ فلات مرکزی ایران) | ||
فیزیک زمین و فضا | ||
مقاله 12، دوره 43، شماره 2، مرداد 1396، صفحه 405-418 اصل مقاله (618.73 K) | ||
شناسه دیجیتال (DOI): 10.22059/jesphys.2017.58913 | ||
نویسندگان | ||
هدی قاسمیه1؛ ام البنین بذرافشان* 2؛ کبری بخشایش منش3 | ||
1استادیار، گروه مرتع و آبخیزداری، دانشکدۀ منابع طبیعی و علوم زمین دانشگاه کاشان، کاشان، ایران | ||
2استادیار، گروه مرتع و آبخیزداری، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس، ایران | ||
3کارشناس ارشد آبخیزداری، دانشکدۀ منابع طبیعی و علوم زمین، دانشگاه کاشان، کاشان، ایران | ||
چکیده | ||
تحقیق حاضر با هدف بررسی تأثیر شاخصهای پیوند از دور بر رخداد بارش ماهانه و پیشبینی بارندگی در حوزۀ آبخیز فلات مرکزی ایران با استفاده از مدل شبکة عصبی مصنوعی چندگامی مستقیم (DMSNN) با پارامترهای مذکور است. براین مبنا مقادیر بارش طی دورة مشترک آماری 1981-2014 در 20 ایستگاه سینوپتیک منطقۀ مورد مطالعه انتخاب شد، بهطوری که دورۀ آماری 1981- 2004 برای توسعة مدل و سالهای 2004-2014 جهت صحتسنجی مدل به منظور پیشبینی شش ماه آینده در مقیاس ماهانه استفاده شد. جهت بررسی میزان دقت مدل، مقادیر مشاهدهای و پیشبینی شدة بارندگی با استفاده از آزمونهای Z و F مقایسه شدند و به منظور بررسی کارایی مدل، معیارهای R2، RMSE و MAE استفاده شدند. نتایج نشاندهندۀ تأثیر قوی شاخص MEI و SOI بر بارش منطقه است. نتایج مدل DMSNN نشان داد که بالاترین کارایی طی یک ماه آینده به بخش جنوبی فلات مرکزی با ضریب همبستگی 81/0 و ضعیفترین نتایج به غرب حوزه با ضریب همبستگی 4/0 مربوط است. براساس نتایج بهدستآمده، شبکۀ عصبی مصنوعی ابزار مفیدی برای پیشبینی بارش ماهانه و برنامهریزی مدیریت منابع آب طی شش ماه آتی خواهد بود. | ||
کلیدواژهها | ||
الگوهای پیوند از دور؛ بارندگی؛ حوضة فلات مرکزی؛ شبکة عصبی چندگامی مستقیم | ||
مراجع | ||
بخشایشمنش، ک.، 1392، ارزیابی ارتباط بین الگوهای پیونداز دور با بارش و شاخص SPI (مطالعه موردی: حوزۀ آبخیز فلات مرکزی)، پایاننامۀ کارشناسی ارشد، دانشگاه کاشان، 172ص. بذرافشان، الف.، 1391، پیشبینی خشکسالی هیدرولوژیکی با استفاده از پیونداز دور و مدلهای هوشمند (مطالعه موردی: حوزۀ آبخیز کرخه)، رساله دوره دکتری علوم و مهدسی آبخیزداری، دانشگاه تهران، 232ص. بذرافشان، الف.، چشمبراه، ع.، و حلیساز، الف.، 1394، مطالعه روند تغییرات تبخیر از تشتک در نمونههای اقلیمی استان هرمزگان. م. علمی- ترویجی حفاظت و بهرهبرداری از منابع طبیعی، 4(2)، 171 تا 176. بذرافشان، الف.، سلاجقه، ع.، فاتحیمرج، الف. مهدوی، م. بذرافشان، ج. و حجابی، س.، 1392، مقایسة کارایی مدلهای آماری و مفهومی در پیشبینی خشکسالی هیدرولوژی (مطالعة موردی: حوزة آبخیز کرخه)، م. مرتع و آبخیزداری، 6 (4)، 493-508. جلیلی، ش.، مرید، س. بناکار، الف. و نامدار قنبری، ر.، 1390، ارزیابی تأثیر شاخصهای اقلیمی NAO و SOI بر تغییرات تراز دریاچه ارومیه، کاربرد روشهای آنالیز طیفی سری های زمانی، م. آب و خاک (علوم و صنایع کشاورزی)، 25(1)، 140-149. خورشیددوست، ع. م.، قویدل رحیمی، ی.، 1385، ارزیابی اثر پدیده انسو برتغییرپذیری بارشهای فصلی استان آذربایجان شرقی با استفاده از شاخص چندمتغیره انسو، م. تحقیقات جغرافیایی، 57، 15- 26. زراع ابیانه، ح.، و بیات ورکشی، م.، 1391، مطالعه تاثیرپذیری تعداد روزهای بارانی از پدیده انسو در ایران، م. پژوهشهای حفاظت آب و خاک، 1، 21- 39. صداقتکردار، ع.، و فتاحی، الف.، 1387، شاخصهای پیشآگاهی خشکسالی در ایران، م. جغرافیا و توسعه، 11، 59-76. علوی، الف.، 1388، حوزه آبریز فلات مرکزی ایران، مدیریت بهمپیوسته منابع آب، م. مدیریت پیوسته منابع آب، 1، 1-4. علیجانی، ب.، و قویدل رحیمی، ی.، 1384. مقایسه و پیشبینی تغییرات دمای سالانه تبریز با ناهنجاریهای دمایی کرۀ زمین با استفاده از روش رگرسیون خطی و شبکۀ عصبی مصنوعی. م. جغرافیا و توسعه، 3(6)، 21-38. غیور، ح.، و خسروی، م.، 1380، تأثیر پدیده انسو بر ناهنجاریهای بارش تابستانی و پائیز منطقه جنوبشرق ایران. م. تحقیقات جغرافیایی، 62، 141-174. فاتحیمرج، ا.، برهانیداریان، ع. و مهدیان، م.، 1385، پیشبینی بارش فصلی با استفاده از پیوند از دور (مطالعه موردی: حوزۀ آبریز دریاچۀ ارومیه) ، م. علوم و فنون کشاورزی و منابع طبیعی، 10(3)، 45-57. فلاحقالهری، غ. ع.، موسوی بایگی، س. م.، حبیبی نوخندان، م.، و خوشحال، ج.، 1388، پیشبینی بارش سالیانه برپایه الگوهای سینوپتیک پیوند از دور با بهرهگیری از مدلهای آماری، م. منابع طبیعی ایران، نشریه مرتع و آبخیزداری، 62(1)، 111-123. کورهپزان دزفولی، الف،. 1382، تأثیر سیگنالهای هواشناسی در پیش بینی تغییرات بارش، پایاننامۀکارشناسی ارشد عمران آب ، دانشگاه امیر کبیر، 123ص. موسوی بایگی، م.، فلاح قالهری، غ. و حبیبی نوخندان، م.، 1387، بررسی نشانههای پهنمقیاس اقلیمی با بارش خراسان. م. علوم کشاورزی و منابع طبیعی، 15(2)،۹-۱. ناظم السادات، م.، انصاری بصیر، ا. و پیشوایی، م.، ۱۳۸۶، ارزیابی سطح معناداری برای پیش بینی دوران خشکسالی و ترسالی فصل پاییز و شش ماهه سرد ایران بر اساس وضعیت فازهای تابستانه ENSO. م. تحقیقات منابع آب ایران، 3(1)،12 -23. ناظم السادات، م، ج.، 1380، بارندگی زمستانه در ایران، برهمکنش با ENSO .م. کشاورزی ، 25(4)، 740-782. ناظم السادات، م، ج.، و شیروانی، الف.، 1385، کاربرد مدل تحلیل CCA برای مطالعه تأثیر دمای سطح خلیج فارس بربارندگی زمستانه مناطق جنوبی ایران، م. کشاورزی دانشگاه شهیدچمران اهواز، 28(2)، 65-77. ناظم السادات، م، ج.، و قاسمی، ا.، 1381، خشکسالی و بارندگی مازاد در سیستان و بلوچستان و ارتباط آن با النینو – نوسان جنوبی. مجموعه مقالات اولین کنفرانس بررسی راهکارهای مقابله با بحران آب، 24-31. نصیری، م.، 1389، پیشبینی خشکسالی با استفاده از شبکههای عصبی مصنوعی (مطالعة موردی ایستگاه سینوپتیک شیراز)، پایاننامة کارشناسی ارشد اقلیمشناسی، دانشگاه سیستان و بلوچستان، 134ص. نیکزاد، ب.، 1389، آشکارسازی وابستگیهای بین پارامترهای اقیانوسی- اتمسفری و اقلیمی به منظور پایش خشکسالی استان خوزستان به وسیلة روش دادهکاوی، پایاننامة کارشناسی ارشد منابع آب، پردیس ابوریحان، دانشگاه تهران، 89 ص. یاراحمدی، د.، و عزیزی، ق.، 1386، تحلیل چندمتغیره ارتباط میزان بارش فصلی ایران و شاخصهای اقلیمی، م. تحقیقات جغرافیایی، 62، 161- 174. Abbot, J. and Marohasy, J., 2012, Application of artificial neural networks to rainfall forecasting in Queensland, Australia. Advances in Atmospheric Sciences 29 (4), 717–730. Barnett, T. P., Pierce, D. W., Latif, M., Dommenget, D. and Saravanan, R., 1999, Interdecadal interactions between the tropics and midlatitudes in the Pacific basin. Geophysical Research Letters, 26(5), pp.615-618. Barua, S., Ng, A. W. M. and Perera, B. J. C., 2012, Artificial neural network-based drought forecasting using a non-linear aggregated drought index. J. Hydrol. Eng. 17 (12), 1408–1413. Barua, S., Perera, B. J. C. Ng, A. W. M. and Tran, D., 2010, Drought forecasting using an aggregated drought index and artificial neural network. J.Water Clim. Chang. 1 (3), 193–206. Chang, P., Ji, L. and Li, H., 1997, A decadal climate variation in the tropical Atlantic Ocean from thermodynamic air-sea interactions. Nature, 385(6616), 516-518. Chen, Z. Grasby, S. and Osadetz, K. G., 2004, Relation between climate variability and groundwaterlevel in the upper carbonate aquifer. South Manitoba, Canada, Journal of Hydrology, 290, 43-62. Deo, R. C. and Şahin, M., 2015, Application of the Artificial Neural Network model for prediction of monthly Standardized Precipitation and Evapotranspiration Index using hydrometeorological parameters and climate indices in eastern Australia, Atmospheric Research, 161,65-81. Farokhnia, A., Morid, S. and Byun, H. R., 2011, Application of global SST and SLP data for drought forecasting on Tehran plain using data mining and ANFIS techniques, Theoretical and applied climatology, 104(1-2),71-81. Hartmann, H., Becker, S. and King, L., 2008, Predicting summer rainfall in the Yangtze River basin with neural networks, International Journal of Climatology 28 (7), 925–936. Kim, T. W. and Valdes, J. B., 2003, Nonlinear model for drought forecasting based on a conjunction of wavelet transforms and neural networks, Journal of Hydrologic Engineering6, 319–328. Lau, K. and Weng, H., 2001, Coherent modes of global SST and summer rainfall over China: an assessment of the regional impacts of the 1997–98 El Nino. Journal of Climate 14 (6), 1294–1308. Mantua, N. J. and Hare, S. R., 2002, The Pacific decadal oscillation. Journal of oceanography, 58(1), 35-44. Mekanik, F., Imteaz, M. Gato-Trinidad, S. and Elmahdi, A., 2013, Multiple regression and Artificial Neural Network for long-term rainfall forecasting using large scale climate modes, Journal of Hydrology, 503, 11–21. Mishra, A. K. and Desai, V. R., 2005, Drought forecasting using stochastic models, Stochastic Environment Research Risk Assessment, 19, 326-339. Mishra, A. K. and Desai, V. R., 2006, Drought Forecasting Using feed-forward recursive neural network, Journal of Ecological Modeling, 198: 127-138. NOAA, 2012, Climate Diagnostic Center: Climate Indices. Available from: http://www.cdc.noaa.gov/ClimateIndices. Pongracz, R. and Bartholy, J., 2006, Regional Effects of ENSO in Central/Eastern Europe, Journal of Advances in Geosciences, 6: 133-137. Poveda, G. Jaramillo, A. Gil, M. M. Quiceno, N. and Mantilla, R., 2001, Seasonality in ENSO-related precipitation, river discharges, soil moisture, and vegetation index (NDVI) in Colombia, Water Resour. Res, 37(8), 2169–2178. Pozo, D., 2005, El-Nino-Southern Oscillation Events and Associated European Winter Precipitation Anomalies, International Journal of Climatology, 17-31. Risbey, J. S., Pook, M. J. McIntosh, P. C. Wheeler, M. C. and Hendon, H. H., 2009, On the remote drivers of rainfall variability in Australia, Monthly Weather Review 137 (10), 3233–3253. Shukla, R. P., Tripathi, K. C. Pandey, A. C. and Das, I. M. L., 2011, Prediction of Indian summer monsoon rainfall using Niño indices: a neural network approach, Atmospheric Research 102 (1–2), 99–109. Wolter, K. and Timlin, M. S., 1993, Monitoring ENSO in COADS with seasonally adjusted principal component index, in Proceedings Seventh Annual Climate Diagnostic Workshop, Norman, Oklahoma, March 1993, 52–57. | ||
آمار تعداد مشاهده مقاله: 2,532 تعداد دریافت فایل اصل مقاله: 1,148 |