پیش بینی بارش ماهانه با استفاده از شاخص های اقلیمی پیوند از دور با استفاده از شبکۀ عصبی مصنوعی و مدل آمار ی ( مطالعۀ مورد ی : ایستگاه های هم جوار ششده و قره بلاغ

چکیده مقاله

بسیاری از متغیرهای هواشناسی از جمله بارش به شدت به گردش های جوّی اقیانوسی بزرگ مقیاس وابسته اند . در پژوهش حاضر تأثیر سیگنال های اقلیمی بر میانگین بارش ماهانۀ ایستگاه های مجاور مناطق ششده و قره بلاغ طی دورۀ آماری 25 ساهه از 1364 تا 1388 بررسی شده است. شبیه سازی بارش با استفاده از مدل های آماری و شبکۀ عصبی انجام شده است . همبستگی سیگنال های اقلیمی با بارش در حاهت های مختلف بدون ت أخیر و با تأخیرهای 3 ، 6 ، 9 ، 12 ماهه ارزیابی شد . مهم ترین شاخص ها از بین 20 شاخص اقلیمی، شاخص های NINO1.2 ، NINO3 و WHWP به ترتیب با ضریب همبستگی 61 ، 45 و 33 درصد در سطح احتمال 95 درصد انتخاب شدند. نتایج نشان داد بیشترین همبستگی شاخص های اقلیمی با بارش تأخیری 6 ماهه دارد. نتایج شبیه سازی مدل ها نشان داد شبکۀ عصبی مصنوعی دقت بیشتری نسبت به مدل آماری دارد. این مدل قادر است میران بارش را با توجه به نوسانات شاخص های انتخابی با ضریب همبستگی 66 درصد و ریشۀ میانگین مربعات خطای ( RMSE ) 38 / 1 شبیه سازی کند. درنهایت، پی بینی با ضریب تبیین 44 درصد به مدت 5 سال توسط شبکۀ عصبی مصنوعی انجام پذیرفت. بنابراین، با توجه به اهمیت بارش و بحران جدی آب در منطقه، به منظور مدیریت منابع آب، شناخت پارامترهای مؤثر بر بارش و پی بینی بلند مدت آن لازم و ضروری است.