پيش‌بيني بارش بهاره استان خراسان رضوي بر پايه الگوهاي سينوپتيكي پيوند از دور با بهره‌گيري از سامانه استنباط فازي- عصبي تطبيقي((ANFIS

پيش‌بيني بارش بهاره استان خراسان رضوي بر پايه الگوهاي سينوپتيكي پيوند از دور با بهره‌گيري از سامانه استنباط فازي- عصبي تطبيقي((ANFIS

هدف از اين بررسي ارزيابي ارتباط الگوهاي سينوپتيكي بزرگ مقياس اقليمي با بارش در استان خراسان رضوي مي‌باشد. در اين بررسي با بهره‌گيري از سامانه استنباط فازي- عصبي تطبيقي برآورد بارش در بازه زماني فروردين تا خرداد (آوريل تا ژوئن) در استان خراسان رضوي ارائه شده است. داده‌هاي بارش بهاره شامل آمار و داده‌هاي بارش 38 ايستگاه همديدي، اقليم شناسي و باران سنجي مي‌باشد كه در فاصله سال‌هاي 2007-1970 ميلادي از سازمان هواشناسي كشور و وزارت نيرو دريافت شده است. در اين بررسي، در آغاز ارتباط بين تغييرات الگوهاي سينوپتيكي شامل فشار سطح دريا، اختلاف فشارسطح دريا، دماي سطح دريا، اختلاف دما بين سطح دريا و سطح 1000 ميلي باري، دماي سطح 700 ميلي بار، ضخامت بين سطوح 500 و 1000 ميلي بار، رطوبت نسبي سطح 300 ميلي بار و آب قابل بارش با بارش ميانگين منطقه‌اي مورد بررسي قرار گرفته است. در گزينش اين مناطق كه مجموعه‌اي از نقاط در خليج فارس و درياي عمان، درياي سياه، درياي خزر، درياي مديترانه، درياي شمال، درياي آدرياتيك، درياي سرخ، خليج عدن، اقيانوس اطلس، اقيانوس هند و سيبري را شامل مي شوند، تاثير پذيري بارندگي منطقه شمال شرق ايران از الگوهاي سينوپتيكي در مناطق ياد شده مورد توجه قرار گرفته است. سپس، مدل سامانه استنباط فازي عصبي تطبيقي در دوره 1997-1970 آموزش داده شده است و در پايان، برآورد بارش در دوره فروردين تا خرداد (آوريل تا ژوئن) 2007-1998 انجام شده است. مدل مورد بهره‌گيري در اين بررسي شامل يك لايه ورودي، يك لايه پنهان و يك لايه خروجي مي‌باشد. سامانه استنباط فازي مورد بهره‌گيري در اين بررسي، مدل سوگينو مي‌باشد. شمار نرون هاي لايه ورودي، پنهان و خروجي به ترتيب (1-28-13) مي‌باشد. نتايج نشان مي‌دهد سامانه استنباط فازي- عصبي تطبيقي در 90 درصد سال‌ها مي¬تواند بارش را با دقت قابل قبولي با سطح اطمينان 10 درصد برآورد كند.

The aim of this research is the assessment of the relation between rainfall and large scale synoptically patterns at Khorasan Razavi province. In this study, using adaptive neuro fuzzy inference system, the rainfall estimation has been done from April to June in the Area under study. Spring rainfall data including the information of 38 synoptic, Climatologic and rain gauge stations from 1970 to 2007 has been selected from Iranian Meteorological Organization and Ministry of Energy. In this paper, we are analyzed 38 years of rainfall data at Khorasan Razavi province located in northeastern part of Iran at latitude-longitude pairs (34°-38°N, 56°- 62°E). The Adaptive Neuro-Fuzzy Inference system based on synoptically patterns with 38 years of rainfall data was trained. For performance evaluation, network predicted outputs were compared with the actual rainfall data. In this Study, at the first step, the relationship Between synoptically pattern variations including Sea Level Pressure (SLP), Sea Surface Temperature (SST), Sea Surface Pressure Difference (?SLP), Sea Surface Temperature Difference (?SST), air temperature at 700 hpa, thickness between 500 and 1000 hpa level, relative humidity at 300 hpa and precipitable water were investigated .As the second step, the model was calibrated from 1970 to 1997. Finally, rainfall prediction is performed from 1998 to 2007. The model that used in this research has an input layer, one hidden layer and an output layer. The number of neuron for input layer, hidden layer and output layer was 13-28-1, respectively. The results of simulation reveal that adaptive neuro fuzzy inference systems are promising and efficient.