journal of watershed management research
پژوهشنامه مديريت حوزه آبخيز
jwmr
Agriculture
http://jwmr.sanru.ac.ir
1
admin
2251-6174
2676-4636
10.61186/jwmr
fa
jalali
1400
6
1
gregorian
2021
9
1
12
24
online
1
fulltext
fa
پیشبینی بارش پاییزه مبتنی بر الگوهای دورپیوندی حوضه دریای کاسپین
Caspian Sea Basin Autumnal Precipitation Forecasting Based on Teleconnection Patterns
هواشناسی
هواشناسی
پژوهشي
Research
<div style="text-align: justify;">
<h1 dir="RTL"><strong><span style="font-family:2 Mitra;"><span style="font-size:11.0pt;">چکیده مبسوط</span></span></strong></h1>
<strong><span style="color:black;"><span style="font-family:2 Mitra;">مقدمه و هدف</span></span></strong><strong><span style="color:black;"><span style="font-family:2 Mitra;">:</span></span></strong> <span style="color:black;"><span style="font-family:2 Mitra;">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.</span></span><strong><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;"></span></span></span></strong><br>
<strong><span style="color:black;"><span style="font-family:2 Mitra;">مواد</span></span></strong><strong><span style="color:black;"><span style="font-family:2 Mitra;"> و روشها:</span></span></strong> <span style="color:black;"><span style="font-family:2 Mitra;">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 </span></span><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">MEI</span></span></span><span style="color:black;"><span style="font-family:2 Mitra;">، </span></span><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">SOI</span></span></span><span style="color:black;"><span style="font-family:2 Mitra;">، </span></span><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">NCP</span></span></span><span style="color:black;"><span style="font-family:2 Mitra;">، </span></span><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">NAO</span></span></span><span style="color:black;"><span style="font-family:2 Mitra;">، </span></span><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">AO</span></span></span><span style="color:black;"><span style="font-family:2 Mitra;">، </span></span><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">CSST</span></span></span><span style="color:black;"><span style="font-family:2 Mitra;">، </span></span><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">P-SST</span></span></span><span style="color:black;"><span style="font-family:2 Mitra;"> و </span></span><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">MSST</span></span></span><span style="color:black;"><span style="font-family:2 Mitra;"> با بارش پاییزه در گامهای زمانی </span></span><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">July</span></span></span><span style="color:black;"><span style="font-family:2 Mitra;">، </span></span><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">Aug</span></span></span><span style="color:black;"><span style="font-family:2 Mitra;">، </span></span><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">Sep</span></span></span><span style="color:black;"><span style="font-family:2 Mitra;">، </span></span><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">Oct</span></span></span><span style="color:black;"><span style="font-family:2 Mitra;">، </span></span><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">Nov</span></span></span><span style="color:black;"><span style="font-family:2 Mitra;">، </span></span><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">Summer</span></span></span><span style="color:black;"><span style="font-family:2 Mitra;">، </span></span><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">Aug-Sep-Oct</span></span></span><span style="color:black;"><span style="font-family:2 Mitra;"> و </span></span><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">Sep-Oct-Nov</span></span></span><span style="color:black;"><span style="font-family:2 Mitra;"> 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.</span></span><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;"></span></span></span><br>
<strong><span style="color:black;"><span style="font-family:2 Mitra;">یافتهها</span></span></strong><strong><span style="color:black;"><span style="font-family:2 Mitra;">:</span></span></strong> <span style="color:black;"><span style="font-family:2 Mitra;">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 </span></span><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">SVR</span></span></span><span style="color:black;"><span style="font-family:2 Mitra;"> و </span></span><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">MLP</span></span></span><span style="color:black;"><span style="font-family:2 Mitra;"> دقت بالاتری از دو مدل </span></span><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">GRNN</span></span></span><span style="color:black;"><span style="font-family:2 Mitra;"> و </span></span><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">MLR</span></span></span><span style="color:black;"><span style="font-family:2 Mitra;"> داشتهاند بهطوریکه جذر میانگین مربعات خطا بهوسیله مدل </span></span><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">SVR</span></span></span><span style="color:black;"><span style="font-family:2 Mitra;"> در زیرحوضههای ارس، اترک، هراز-سفیدرود، قرهسو-گرگان، هراز-قرهسو، سفیدرود و تالش به</span></span><span dir="LTR"><span style="color:black;"><span style="font-family:2 Mitra;">‎</span></span></span><span style="color:black;"><span style="font-family:2 Mitra;">ترتیب 6/18، 7/34، 35/</span></span><span style="color:black;"><span style="font-family:2 Mitra;">44</span></span><span style="color:black;"><span style="font-family:2 Mitra;">، 18/25، 19/58، 17/68 و 47/22 میلیمتر و ضریب تبیین نیز به</span></span><span dir="LTR"><span style="color:black;"><span style="font-family:2 Mitra;">‎</span></span></span><span style="color:black;"><span style="font-family:2 Mitra;">ترتیب 0/94، 0/91، 0/92، 0/84، 0/88، 0/88 و 0/87 بود.</span></span><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;"></span></span></span><br>
<strong><span style="color:black;"><span style="font-family:2 Mitra;">نتیجه ­گیری</span></span></strong><strong><span style="color:black;"><span style="font-family:2 Mitra;">:</span></span></strong><span style="color:black;"><span style="font-family:2 Mitra;"> به طور کلی نتایج به دست آمده نشان از ارتباط قوی بین شاخصهای دورپیوندی با بارش پاییزه در حوضه مورد مطالعه دارد.</span></span> <span style="color:black;"><span style="font-family:2 Mitra;">ازجمله آنها میتوان به شاخصهای </span></span><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">NAO</span></span></span><span style="color:black;"><span style="font-family:2 Mitra;">، </span></span><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">SOI</span></span></span><span style="color:black;"><span style="font-family:2 Mitra;">، </span></span><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">AO</span></span></span><span style="color:black;"><span style="font-family:2 Mitra;"> 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.</span></span><br>
<br>
<span style="color:black;"><span style="font-family:2 Mitra;"></span></span></div>
<div style="text-align: justify;"><strong>Extended Abstract</strong><br>
<strong>Introduction and Objective</strong>: Teleconnection patterns are one of the effective hydro-climatological factors in predicting precipitation, temperature and discharge on a large scale. Oppositely, comprehensive and integrated management of water resources requires that rainfall variables and consequently runoff flow can be predicted. From a dynamic and synoptic approach, teleconnection patterns can affect the precipitation pattern of different regions. The purpose of this study is to inspect the relationship between these indicators and autumn rainfall in the Caspian Sea basin and forecast it using various statistical models.<br>
<strong>Material</strong><strong> and Methods:</strong> Therefore, in this study, Caspian Sea sub-basins were selected and autumn rainfall in the 28-year period from 1987 to 2015 was calculated. Then the correlation of MEI, SOI, NCP, NAO, AO, CSST, P-SST and MSST indices with autumn rainfall in July, Aug, Sep, Oct, Nov, summer, Aug-Sep-Oct and Sep-Oct-Nov was calculated. And the most important ones that had the highest correlation were considered as inputs to different models. Finally, autumn rainfall forecasting was done using a statistical model and three artificial intelligence models with different structures.<br>
<strong>Results</strong><strong>:</strong> The study showed that various teleconnection patterns were effective depending on the type of sub-basin and time step. Prediction results showed that the difference between observational and modeled data in the training period was small and increased somewhat in the test period and reached about -25.7 to 47.6 mm in the whole sub-basins. Thoughtfulness of the type of analytical model showed that both SVR and MLP models had higher accuracy than GRNN and MLR models, so that the Root Mean Square Error by SVR model in Aras, Atrak, Haraz-Sefidrood, Qarahsu-Gorgan, Serazod-Haraz, and Haraz-Qarahsu sub-basins. 6.18, 7.34, 35.44, 18.25, 19.58, 17.68 and 47.22 mm, respectively, and the coefficient of determination will be 0.94, 0.91, 0.92, 0.84, 0.88, 0.88 and 0.87, respectively.<br>
<strong>Conclusion</strong><strong>:</strong> Therefore, the results show a strong relationship between teleconnection indices with autumn rainfall in the study basin. These include NAO, SOI, AO and Caspian and Mediterranean Sea surface temperatures at different time delays. With these results, steps can be taken to more accurately predict and manage the water resources of the Caspian Sea basin.<br>
</div>
الگوهای دور پیوندی, حوضه دریای کاسپین, مدلهای آماری, MEI, SOI
Caspian Sea Sub-Basin, MEI, SOI, Statistical Models, Teleconnection Patterns
228
235
http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-1076-2&slc_lang=fa&sid=1
Reza
Norooz Valashedi
رضا
نوروز ولاشدی
rezanorooz@yahoo.com
100319475328460011316
100319475328460011316
Yes
Sari Agricultural Sciences and Natural Resources University
داشگاه علوم کشاورزی و منابع طبیعی ساری
Jalil
Helali
جلیل
هلالی
jalilhelali@gmail.com
100319475328460011317
100319475328460011317
No
Department of Irrigation and Reclamation Engineering, faculty of agricultural engineering and technology, University of Tehran, Karaj, Iran.
دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی دانشگاه تهران، کرج، ایران