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) | ||
| مجله اکوهیدرولوژی | ||
| مقاله 8، دوره 3، شماره 3، 1395، صفحه 391-403 اصل مقاله (1004.44 K) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ije.2016.60027 | ||
| نویسندگان | ||
| سید جواد ساداتی نژاد* 1؛ محمدرضا شکاری2؛ عباسعلی ولی3 | ||
| 1دانشیار دانشکدۀ علوم و فنون نوین، دانشگاه تهران | ||
| 2دانشجوی دکتری بیابانزدایی، دانشکدۀ منابع طبیعی و علوم زمین، دانشگاه کاشان | ||
| 3دانشیار 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 | ||
| بارش ماهانه؛ تحلیل همبستگی پیرسون؛ شاخصهای اقلیمی؛ شبکۀ عصبی مصنوعی؛ مدل آماری | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,602 تعداد دریافت فایل اصل مقاله: 898 |
||