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)

نویسندگان

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

2 دانشیار دانشکدۀ منابع طبیعی و علوم زمین، دانشگاه کاشان

3 دانشیار دانشکدۀ علوم و فنون نوین دانشگاه تهران

doi
10.22059/ije.2016.60027
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.