دوره 10، شماره 20 - ( پاییز و زمستان 1398 )
جلد 10 شماره 20 صفحات 24-13 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
shiukhy S, mousavi M. (2019). The Effect of Large-Scale Climatic Signals on Rainfall in Mazandaran Province. jwmr. 10(20), 13-24. doi:10.29252/jwmr.10.20.13
URL: http://jwmr.sanru.ac.ir/article-1-957-fa.html
URL: http://jwmr.sanru.ac.ir/article-1-957-fa.html
شیوخی سوغانلو سعید، موسوی محمد. اثر سیگنال‌های بزرگ مقیاس اقلیمی بر بارش در استان مازندران پژوهشنامه مديريت حوزه آبخيز 1398; 10 (20) :24-13 10.29252/jwmr.10.20.13
دانشگاه فردوسی مشهد
چکیده: (2903 مشاهده)
پیش‌آگهی از بارش، نقش بسیار تعیین کنندهای در مدیریت خشکسالیها و برنامه‌ریزی منابع آب شرب و کشاورزی ایفا میکند و میتوان سیاستهای آینده را در جهت بهینهسازی صرف هزینهها و امکانات بهره‌وری حداکثر طرحریزی کرد. در این پژوهش، به بررسی تاثیر سیگنال‌های بزرگ مقیاس اقلیمی بر بارش استان مازندران پرداخته شد. نخست، اثر سیگنال‌های اقلیمی بر بارش بهصورت همزمان و با تاخیر، توسط روشهای آماری (ضریب همبستگی پیرسون) مورد بررسی قرار گرفت و سپس با استفاده از مدل M5Tree اقدام به مدلسازی بارش ماهانه با شاخصهای مرتبط شد. بهطور کلی ضریب همبستگی بین سیگنالها و بارش نشان داد که همبستگی همراه با تاخیر، مقادیر بیشتری نسبت به بررسی همزمان داشت. نتایج بررسی همبستگی بین شاخصهای اقلیمی و بارش ماهانه با یک گام تاخیر نشان داد که در ایستگاه بابلسر، شاخصهای AMM، NINO1+2، NINO3، NINO4، TNA و WHWP دارای همبستگی معنی‌دار با بارش بودند. شاخصهای AMM، NINO1+2، NINO3، ONI، TNA و WHWP همبستگی معنی‌داری با بارش ایستگاه قراخیل داشتند. همچنین بر پایه یافتهها، همبستگی بین سیگنال‌های اقلیمی و بارش ایستگاه نوشهر، اختلاف معنی‌داری با شاخصهای AMM، NINO1+2، NINO3، NINO3.4، TNA و WHWP داشت. همبستگی بین بارش رامسر و سیگنال‌های اقلیمی حاکی از ارتباط معنی‌دار سیگنال‌های AMM، NINO1+2، NINO3، TNA و WHWP بود. نتایج حاصل از مدل M5Tree حاکی از آن بود که، معمولاً در گام یک، بهترین عملکرد شبیه‌سازی بارش رخ داد. همچنین مقایسه نتایج شبیه‌سازی با نمودار Taylor بیانگر این بود که در تمامی ایستگاه‌ها، مقادیر گام تاخیر یک نزدیک‌تر به مشاهدات بودند. پیشبینی با تاخیر این مزیت را دارد که میتوان وضعیت بارش را از پیش تعریف نمود و در مدیریت بهرهبرداری از منابع آب حوزه آبخیز، دخالت داد.
نوع مطالعه: پژوهشي |
موضوع مقاله:
هواشناسی
دریافت: 1397/5/10 | ویرایش نهایی: 1399/3/27 | پذیرش: 1397/10/26 | انتشار: 1398/10/24
دریافت: 1397/5/10 | ویرایش نهایی: 1399/3/27 | پذیرش: 1397/10/26 | انتشار: 1398/10/24
فهرست منابع
1. Abtew, W., M.A. Melesse and T. Dessalegne. 2009. El Nino Southern Oscillation link to the Blue Nile River Basin hydrology. Hydrol. Process, 23: 3653-3660. [DOI:10.1002/hyp.7367]
2. Ansari, M., Gh. Noori and S. Fotouhi. 2016. Investigation of Temperature, Percipitataion and Flow Trend Using Nonparametric Mankendall (Case Study: Kaju River in Sistan and Baluchestan). Journal of Watershed Management Research, 7(14): 152-158 (In Persian). [DOI:10.29252/jwmr.7.14.158]
3. Arab, D.R., SH. Hazrati Yadkoori, A. Alborzi and A. Behnamtalab. 2006. Statistical analysis of the relationship between precipitation and flow of rivers in the basin with the climatic phenomena of Enso, Nao. 7th International Conference on River Engineering, Shahid Chamran University, 63-72pp, Ahvaz, Iran.
4. Barton, S.B. and J. Ramirez. 2004. Effect of El Nino Southern Oscillation and Pasific Intesecadal Oscillation on water supply in the Columbia River Basin. Journal of water Resource and Management, 130(4): 281-289. [DOI:10.1061/(ASCE)0733-9496(2004)130:4(281)]
5. Casanueva, A., C. Rodriguez, M.D. Frias and R. Gonzalez. 2014. Variability of extreme precipitation over Europe and Its Relations with Teleconnection Patterns, Hydrology and Earth System Sciences, 18: 709-725 (In Persian). [DOI:10.5194/hess-18-709-2014]
6. Choubin, B., S. Khalighi-Sigaroodi A. Malekian, S. Ahmad and P. Attarod 2014. Drought forecasting in a semi-arid watershed using climate signals: a neuro-fuzzy modeling approach. Journal of Mountain Science, 11(6): 1593-1605. DOI: 10.1007/s11629-014-3020-6. [DOI:10.1007/s11629-014-3020-6]
7. Choubin, B., S. Khalighi-Sigaroodi, A. Malekian and O. Kişi. 2016. Multiple linear regression, multi-layer perceptron network and adaptive neuro-fuzzy inference system for the prediction of precipitation based on large-scale climate signals. Hydrological Sciences Journal. DOI:10.1080/02626667.2014.966721. [DOI:10.1080/02626667.2014.966721]
8. Choubin, B., A. Malekian, S. Samadi, S. Khalighi‐Sigaroodi and F. Sajedi‐Hosseini. 2017. An ensemble forecast of semi‐arid rainfall using large‐scale climate predictors. Meteorological Applications, 24(3): 376-386. [DOI:10.1002/met.1635]
9. Cullen, H.M. and P.B. Menocal. 2000. North Atlantic influence on Tigris-Euphrates streamflow. International Journal of Climatology 20: 853-863.
https://doi.org/10.1002/1097-0088(20000630)20:8<853::AID-JOC497>3.0.CO;2-M [DOI:10.1002/1097-0088(20000630)20:83.0.CO;2-M]
10. Fallah-GHalheri, Gh.A., S.M. Mousavi-Bayegi and M. Nokhandan. 2009. Comparison of the results obtained from the application of Mamdani's fuzzy inference system and artificial neural networks in seasonal precipitation prediction. Case study: Case Study: Khorasan Province. Iranian Water Resources Research, 5(2): 40-52 (In Persian).
11. Fattahi, A. and A. Sedaghat Kerdar. 2008. Precipitation forecast using artificial neural networks (Case study: Southwest of Iran). Quarterly journal of research and construction, 80: 44-50 (In Persian).
12. Gamiz-Fortis, S.R., M.J. Esteban-Parra, R.M. Trigo and Y. Castro-Diez. 2010. Potential predictability of an Iberian river flow based on its relationship with previos winter global SST. Journal of hydrology, 385: 143-149. [DOI:10.1016/j.jhydrol.2010.02.010]
13. Gaughan, A.E. and P.R. Waylen. 2012. Spatial and temporal precipitation variability in the Okavangoe-Kwandoe -Zambezi catchment, southern Africa. Journal of Arid Environments, 82:19-30. [DOI:10.1016/j.jaridenv.2012.02.007]
14. Ghavidel-Rahimi, Y. 2004. The Effect of the Large-Scale Oceanic-Oceanic pattern (ENSO) on Seasonal Climate Variability in Iran: El Niño and Lañina's effects on the variability of spring rainfall in East Azerbaijan. Quarterly Journal of Humanities, 9(4): 71-88 (In Persian).
15. Hsieh, W.W., Y. Jingyang, A. Shabbar and S. Smit. 2002. Seasonal Prediction with Error Estimation of the Columbia River Streamflow in British Columbia. ASCE, J. Water Reso. Plan. Manag, 192(2): 146-149. [DOI:10.1061/(ASCE)0733-9496(2003)129:2(146)]
16. Karab¨ork, M.C., E. Kahya and M. Karaca. 2005. The influences of the Southern and North Atlantic Oscillations on climatic surface variables in Turkey. Hydrol. Process, 19: 1185-1211. [DOI:10.1002/hyp.5560]
17. Khorshiddoost, A.M., Y. Ghavidel and K. Abbaszadeh. 2010. The application of macro-scale atmospheric - oceanic patterns in analysis of precipitation fluctuations, Geographic Space, 29: 95-128 (In Persian).
18. Kutiel, H. 2011. A review on the impact of North Caspian Pattern on Temperature and Precipitation Regimes in Middle East, Environmental Earth Science, 7: 1-15 (In Persian).
19. Mahmoud Abadi, M., K. Omidvar, Gh.A. Mozafari and A. Mazidi. 2018. Assessment of Teleconnection Patterns Affecting Rainfall Extreme Indices (Case Study: Sistan-Baluchestan Province). Journal of Watershed Management Research, 9(17): 280-294 (In Persian).
20. Mariotti, A., N. Zeng and K.M. Lau. 2002. Euro-Mediterranean rainfall and ENSO-a seasonally varying relationship. Soyth African Journal of Science, 82: 196-198. [DOI:10.1029/2001GL014248]
21. Masoumpour, J., M. Miri, R. Doostan and J. Sahraei. 2013. The Analysis of Synoptic-Dynamic Spring Extreme Rainfall Patterns in Southern Coast Caspian Sea, Geography and Environmental Hazard, 6: 71-88 (In Persian).
22. Moradi, H. 2004. NAO Index and Effect Over Climate of Iran, Geography and Development, 4: 73-82 (In Persian).
23. Nazemossadat, S.M.J. 2001. Is it raining? Drought and excess rainfall in Iran and its relation with the Elnino-South fluctuation phenomenon. Shiraz University Press, Shiraz, Iran, 103 pp.
24. Peralta Hernandez, A.R., R.C. Balling and L.R. Barba Martinez. 2009. Comparative analysis of indices of extreme rainfall events: Variations and trends from southern Mexico, Atmosfera, 22: 219- 228.
25. Santos, J.A., J. Corte and S.M. Leite. 2005. Weather regimes and their connection to the winter rainfall in Portugal. International Journal of Climatology, 25(1): 33-50. [DOI:10.1002/joc.1101]
26. Shirmohammadi, Z., H. Ansari, A. Alizadeh and A. Mohammadian. 2012. The relationship between Enso Index and seasonal extreme rainfalls in Khorasan Provinces, Water and Soil conservation, 19: 61-79 (In Persian).
27. Taylor, K.E. 2001. Summarizing multiple aspects of model performance in a single diagram. J. Geophys. Res.,106, 7183-7192, (also see PCMDI Report 55, http://wwwpcmdi.llnl.gov/publications/ab55.html). [DOI:10.1029/2000JD900719]
28. Zarrin Kolah, Z. 2011. Precipitation forecast using climatic signals and artificial neural network (case study of Kermanshah province). M.Sc., Faculty of Natural Resources, University of Tehran, Tehran, Iran, 115 pp.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
