پيش‌ بيني بارش پاييزه مبتني بر الگوهاي دورپيوندي حوضه درياي كاسپين

Caspian Sea Basin Autumnal Precipitation Forecasting Based on Teleconnection Patterns

مقدمه و هدف: الگوهاي دورپيوندي يكي از عوامل مؤثر هيدروكليماتولوژيكي در پيش‌بيني بارش، دما و دبي در مقياس بزرگ مي‌باشند. از طرفي، مديريت جامع و يكپارچه منابع آب ايجاب مي‌كند كه بتوان متغيرهاي بارشي و درنتيجه دبي حاصل از رواناب آن را پيش‌بيني نمود. الگوهاي دورپيوندي از ديدگاه ديناميكي و سينوپتيكي مي‌توانند بر الگوي بارشي مناطق مختلف مؤثر باشند. هدف از اين پژوهش بررسي ارتباط دقيق اين شاخص‌ها با بارش پاييزه حوضه درياي كاسپين و پيش‌بيني آن با استفاده از مدل‌هاي آماري است. مواد و روش‌ها: بر اين اساس در اين مطالعه زيرحوضه‌هاي درياي كاسپين انتخاب شده و بارش فصل پاييز در دوره 28 ساله 1987 تا 2015 محاسبه شد. سپس همبستگي شاخص‌هاي MEI، SOI، NCP، NAO، AO، CSST، P-SST و MSST با بارش پاييزه در گام‌هاي زماني July، Aug، Sep، Oct، Nov، Summer، Aug-Sep-Oct و Sep-Oct-Nov محاسبه و مهم‌ترين آن‌ها كه بالاترين همبستگي را داشتند به‌عنوان ورودي به مدل‌هاي مختلف در نظر گرفته شد. در نهايت پيش‌بيني بارش پاييزه با استفاده از يك مدل آماري و سه مدل هوش مصنوعي با ساختار متفاوت انجام شده است. يافته‌ها: نتايج اين پژوهش نشان داد الگوهاي دورپيوندي متنوعي بسته به نوع زير حوضه و گام زماني تأثيرگذار بوده‌اند. نتايج پيش‌بيني نشان داد اختلاف داده‌هاي مشاهداتي و مدل شده در دوره آموزش ناچيز و در دوره آزمون تا حدودي افزايش يافته و به حدود 25/7- تا 47/6 ميلي‌متر در كل زيرحوضه‌ها رسيده است. بررسي نوع مدل پيش‌بيني كننده اثبات نمود دو مدل SVR و MLP دقت بالاتري از دو مدل GRNN و MLR داشته‌اند به‌طوري‌كه جذر ميانگين مربعات خطا به‌وسيله مدل SVR در زيرحوضه‌هاي ارس، اترك، هراز-سفيدرود، قره‌سو-گرگان، هراز-قره‌سو، سفيدرود و تالش بهترتيب 6/18، 7/34، 35/44، 18/25، 19/58، 17/68 و 47/22 ميلي‌متر و ضريب تبيين نيز بهترتيب 0/94، 0/91، 0/92، 0/84، 0/88، 0/88 و 0/87 بود. نتيجه ­گيري: به طور كلي نتايج به دست آمده نشان از ارتباط قوي بين شاخص‌هاي دورپيوندي با بارش پاييزه در حوضه مورد مطالعه دارد. ازجمله آن‌ها مي‌توان به شاخص‌هاي NAO، SOI، AO و دماي سطح درياي كاسپين و مديترانه در تأخيرهاي زماني مختلف اشاره نمود. با اين نتايج مي‌توان جهت پيش‌بيني و مديريت دقيق‌تر منابع آبي حوضه درياي كاسپين گام برداشت.

Introduction and Objective: Teleconnection patterns are one of the effective hydroclimatological 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. Material and Methods: 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. Results: 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. Conclusion: 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.