دوره 12، شماره 24 - ( پاییز و زمستان 1400 1400 )
جلد 12 شماره 24 صفحات 235-228 |
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:
Norooz Valashedi R, Helali J. (2021). Caspian Sea Basin Autumnal Precipitation Forecasting Based on Teleconnection Patterns. J Watershed Manage Res. 12(24), 228-235. doi:10.52547/jwmr.12.24.228
URL: http://jwmr.sanru.ac.ir/article-1-1103-fa.html
URL: http://jwmr.sanru.ac.ir/article-1-1103-fa.html
نوروز ولاشدی رضا، هلالی جلیل. پیش‌بینی بارش پاییزه مبتنی بر الگوهای دورپیوندی حوضه دریای کاسپین پژوهشنامه مديريت حوزه آبخيز 1400; 12 (24) :235-228 10.52547/jwmr.12.24.228
1- داشگاه علوم کشاورزی و منابع طبیعی ساری
2- دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی دانشگاه تهران، کرج، ایران
2- دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی دانشگاه تهران، کرج، ایران
چکیده: (3377 مشاهده)
چکیده مبسوط
مقدمه و هدف: الگوهای دورپیوندی یکی از عوامل مؤثر هیدروکلیماتولوژیکی در پیش‌بینی بارش، دما و دبی در مقیاس بزرگ می‌باشند. از طرفی، مدیریت جامع و یکپارچه منابع آب ایجاب می‌کند که بتوان متغیرهای بارشی و درنتیجه دبی حاصل از رواناب آن را پیش‌بینی نمود. الگوهای دورپیوندی از دیدگاه دینامیکی و سینوپتیکی می‌توانند بر الگوی بارشی مناطق مختلف مؤثر باشند. هدف از این پژوهش بررسی ارتباط دقیق این شاخص‌ها با بارش پاییزه حوضه دریای کاسپین و پیش‌بینی آن با استفاده از مدل‌های آماری است.مواد و روش‌ها: بر این اساس در این مطالعه زیرحوضه‌های دریای کاسپین انتخاب شده و بارش فصل پاییز در دوره 28 ساله 1987 تا 2015 محاسبه شد. سپس همبستگی شاخص‌های MEI، SOI، NCP، NAO، AO، CSST، P-SST و MSST با بارش پاییزه در گام‌های زمانی July، Aug، Sep، Oct، Nov، Summer، Aug-Sep-Oct و Sep-Oct-Nov محاسبه و مهم‌ترین آن‌ها که بالاترین همبستگی را داشتند به‌عنوان ورودی به مدل‌های مختلف در نظر گرفته شد. در نهایت پیش‌بینی بارش پاییزه با استفاده از یک مدل آماری و سه مدل هوش مصنوعی با ساختار متفاوت انجام شده است.
یافته‌ها: نتایج این پژوهش نشان داد الگوهای دورپیوندی متنوعی بسته به نوع زیر حوضه و گام زمانی تأثیرگذار بوده‌اند. نتایج پیش‌بینی نشان داد اختلاف داده‌های مشاهداتی و مدل شده در دوره آموزش ناچیز و در دوره آزمون تا حدودی افزایش یافته و به حدود 25/7- تا 47/6 میلی‌متر در کل زیرحوضه‌ها رسیده است. بررسی نوع مدل پیش‌بینی کننده اثبات نمود دو مدل SVR و MLP دقت بالاتری از دو مدل GRNN و MLR داشته‌اند به‌طوری‌که جذر میانگین مربعات خطا به‌وسیله مدل SVR در زیرحوضه‌های ارس، اترک، هراز-سفیدرود، قره‌سو-گرگان، هراز-قره‌سو، سفیدرود و تالش بهترتیب 6/18، 7/34، 35/44، 18/25، 19/58، 17/68 و 47/22 میلی‌متر و ضریب تبیین نیز بهترتیب 0/94، 0/91، 0/92، 0/84، 0/88، 0/88 و 0/87 بود.
نتیجه گیری: به طور کلی نتایج به دست آمده نشان از ارتباط قوی بین شاخص‌های دورپیوندی با بارش پاییزه در حوضه مورد مطالعه دارد. ازجمله آن‌ها می‌توان به شاخص‌های NAO، SOI، AO و دمای سطح دریای کاسپین و مدیترانه در تأخیرهای زمانی مختلف اشاره نمود. با این نتایج می‌توان جهت پیش‌بینی و مدیریت دقیق‌تر منابع آبی حوضه دریای کاسپین گام برداشت.
فهرست منابع
1. Abbot, J. and J. Marohasy. 2012. Application of artificial neural networks to rainfall forecasting in Queensland, Australia. Advances in Atmospheric Sciences, 29(4): 717-730. [DOI:10.1007/s00376-012-1259-9]
2. Araghinejad, S., Data-driven modeling: using MATLAB® in water resources and environmental engineering. Vol. 67. 2013: Springer Science & Business Media. [DOI:10.1007/978-94-007-7506-0]
3. Asadi, H., S.M. Hosseini, O. Esmailzadeh and A. Ahmadi. 2011. Flora, Life form and chorological study of Box tree (Buxus hyrcanus Pojark.) sites in Khybus protected forest, Mazandaran. Iranian Journal of Plant Biology, 3(8): 27-40 (In Persian). [DOI:10.1007/s11284-011-0865-9]
4. Binesh Barahmand, M., R. Nabizadeh and K. Nadafi. 2012. Qualitative analysis of coastal waters in the Caspian Sea in Guilan Province: Determining the environmental health indicators in swimming areas. Journal of Mazandaran University of Medical Sciences, 22(88): 41-52 (In Persian).
5. Ghasemi, A. and D. Khalili. 2008. The effect of the North Sea-Caspian pattern (NCP) on winter temperatures in Iran. Theoretical Applied Climatology, 92(1-2): 59-74 (In Persian). [DOI:10.1007/s00704-007-0309-1]
6. Ghasemieh, H., O. Bazrafshan and M.K. Bakhshayesh. 2017. Artificial Neural Network for Monthly Rainfall Forecasting Using Teleconnection Patterns (Case Study: Central Plateau Basin of Iran). Journal of The Earth And Space Physics, 43(2): 405-418 (In Persian).
7. Hejazizadeh, Z., E. Fatahi, M. Saligheh and F. Arsalani. 2013. Study on the Impact of climate signals on the Precipitation of the central of Iran using Artificial Neural Network. Journal of Geographical Sciences, 13(29): 75-89.
8. Helali, J., E. Pishdad, M. Alidadi, S. Loukzadeh, E. Asadi Oskouei and R. Norooz Valashedi. 2020. Investigation the relationship between climate Teleconnection Indices and Autumnal Rainfall in Iran Watersheds. Iranian Journal of Soil and Water Research, (DOI:10.22059/IJSWR.2020.294238.668434), (In Persian).
9. Khosravi, M. and M.R. Poodineh. 2010. A Survey on Climatic Impacts of Gonu Tropical Cyclone (June2007) in Southeast of Iran. Physical Geography Research, 42(72) (In Persian).
10. Kim, C.G., J. Lee, J.E. Lee, N.W. Kim and H. Kim. 2020. Monthly Precipitation Forecasting in the Han River Basin, South Korea, Using Large-Scale Teleconnections and Multiple Regression Models. Water, 12(6): 1590. [DOI:10.3390/w12061590]
11. Mahdian, M. 2009. Autumn rainfall forecasting using ENSO indices by Neural Network method. Watershed Management Researches, 84: 42-52.
12. McCuen, R.H., Z. Knight and A.G. Cutter. 2006. Evaluation of the Nash-Sutcliffe efficiency index. Journal of Hydrologic Engineering, 11(6): 597-602. [DOI:10.1061/(ASCE)1084-0699(2006)11:6(597)]
13. Mekanik, F., M. Imteaz, S. Gato-Trinidad and A. Elmahdi. 2013. Multiple regression and Artificial Neural Network for long-term rainfall forecasting using large scale climate modes. Journal of Hydrology, 503: 11-21. [DOI:10.1016/j.jhydrol.2013.08.035]
14. Mirmousavi, H., M. Darand and S. Ahmadpour. 2020. Identifying the moisture source of precipitation in the southern coasts of the Caspian Sea. Theoretical Applied Climatology: 1-9 p.
15. Modaresi, F., S. Araghinejad and K. Ebrahimi. 2015. Assessment of model fusion strategy for increasing the accuracy of autumn rainfall forecasting. Journal of Agricultural Meteorology, 3(2): 1-13 (In Persian).
16. Nazemosadat, M. and I. Cordery. 2000. On the relationships between ENSO and autumn rainfall in Iran. International Journal of Climatology: A Journal of the Royal Meteorological Society, 20(1): 47-61.
https://doi.org/10.1002/(SICI)1097-0088(200001)20:1<47::AID-JOC461>3.0.CO;2-P [DOI:10.1002/(SICI)1097-0088(200001)20:13.0.CO;2-P]
17. Nozari, H. and F. Tavakoli. 2019. Evaluation of the Efficiency of Linear and Nonlinear Models in Predicting Monthly Rainfall (Case Study: Hamedan Province). Journal of Watershed Management Research, 10(20): 1-12 (In Persian). [DOI:10.29252/jwmr.10.20.1]
18. Shiukhy, S. and M. Mousavi. 2019. The Effect of Large-Scale Climatic Signals on Rainfall in Mazandaran Province. Journal of Watershed Management Research, 10(20): 13-24 (In Persian). [DOI:10.29252/jwmr.10.20.13]
19. Silverman, D. and J.A. Dracup. 2000. Artificial neural networks and long-range precipitation prediction in California. Journal of Applied Meteorology, 39(1): 57-66.
https://doi.org/10.1175/1520-0450(2000)039<0057:ANNALR>2.0.CO;2 [DOI:10.1175/1520-0450(2000)0392.0.CO;2]
20. Yousefi, K. 2007. A study on the interactive impact of tree's aerial parts and physical factors in rain production. Iranian Journal of Natural Resources, 60(1): 115-126 (In Persian).
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
