پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,501 |
| تعداد مشاهده مقاله | 124,100,414 |
| تعداد دریافت فایل اصل مقاله | 97,207,219 |
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) | ||
| اکوهیدرولوژی | ||
| مقاله 8، دوره 3، شماره 3، مهر 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 | ||
|
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] | ||
|
آمار تعداد مشاهده مقاله: 1,178 تعداد دریافت فایل اصل مقاله: 636 |
||