واكاوي ارتباط دما و الگوهاي پيوند از دور در حوضه آبي ايراني درياي مازندران با استفاده از شبكه عصبي

Investigating the relationship between temperature and remote linkage patterns in the Iranian Caspian Sea basin Using Neural Network for Regional Planning

دما يكي از پارامترهاي بسيارمهم آب و هوايي است كه در تعيين نقش و پراكندگي ديگر عناصر اقليمي مؤثر مي باشد. هدف از پژوهش حاضر بررسي ارتباط بين دماي ماهانه و سالانه حوضه آبي درياي مازندران و الگوهاي پيوند از دور مي باشد. در اين راستا از داده هاي ميانگين دماي ماهانه و سالانه 97 ايستگاه همديدي و آب و هواشناسي درون حوضه و بيرون حوضه و همچنين 33 الگوي پيوند از دور طي دوره آماري (1970-2014) استفاده شد. بدين منظور مدل پرسپترون چندلايه مورد استفاده قرار گرفت. ابتدا داده ها در نرم افزار مت لب نرمال و در نرم افزار spss استاندارد شدند. سپس شبكه براساس الگوريتم گراديان نزولي (SCG)، تابع متحرك هيپربوليك براي لايه هاي پنهان و تابع متحرك هماني براي داده هاي خروجي طراحي شد. در تمام ساختار شبكه 1 تا 2 لايه پنهان در نظر گرفته شد و بيش از 600 شبكه ايجاد شد. طي اين فرايند 70 درصد از داده ها براي آموزش و 30 درصد براي آزمون در نظر گرفته شد. سپس به ارزيابي عملكرد مدل، از طريق معيارهاي آماري از جمله مجموع مربع خطاها و خطاي نسبي پرداخته شد. نتايج نشان داد در رابطه با داده هاي ماهانه، دماي يك ماه پيش و الگوهاي ONI و NINO3 داراي اهميت بيشتر مي باشد و ارتباط بيشتري را با دماي ماهانه حوضه مورد مطالعه نشان مي دهد. در داده هاي سالانه نيز الگوهاي هاي AMO، NCP، AO، NAO و دماي يك سال قبل اهميت بالاي 60 درصد نشان دادند. لذا مي­توان بيان نمود كه رابطه الگوهاي نامبرده با دماي سالانه بيش از ساير الگوها بوده است.

Temperature is one of the most important parameters of the climate that is effective in determining the role and distribution of other climatic elements. The purpose of this study was to investigate the relationship between monthly and annual temperature in Mazandaran watershed and distant link patterns. In this regard, average annual temperature data of 97 concurrent and meteorological stations within and outside the basin, as well as 33 distant link patterns during the statistical period (2014-2014), were used. First, the data were standardized in the standard software and standardized in the SPSS software. The grid was then designed based on the descending gradient algorithm (SCG), the hyperbolic animation function for the hidden layers and the same moving function for the output data. The entire network structure was considered to be 1 to 2 hidden layers and more than 600 networks were created. During this process, 70% of the data was for training and 30% for the test. Then, to evaluate the performance of the model, we used the statistical criteria including the sum of squares of errors and relative error. The results showed that the monthly data, temperature of a month ago and ONI and NINO3 patterns are more important and show more relevance with the monthly temperature of the study area. In annual data, the AMO, NCP, AO, NAO patterns and the one-year-olds' temperature were above 60%. Therefore, it can be stated that the mentioned patterns are more related to the annual temperature of the basin than other patterns.