پيش بيني حداكثر بارندگي ماهانه ايستگاه ايلام از روي دماي سطح آب خليج فارس و درياي سرخ با استفاده از روش داده كاوي

پيش بيني حداكثر بارندگي ماهانه ايستگاه ايلام از روي دماي سطح آب خليج فارس و درياي سرخ با استفاده از روش داده كاوي

پيش بيني حداكثر بارندگي ماهانه يكي از ابزارهاي بهينه براي مديريت هاي كشاورزي و منابع آب است. تحقيقات گذشته نشان مي دهد، نوسانات دماي سطح آب درياها بر بارش سطح خشكي هاي زمين موثر است. در اين تحقيق ارتباط بين دماي سطوح گستره هاي آبي خليج فارس و درياي سرخ با حداكثر بارش ماهانه ايستگاه ايلام و همچنين امكان پيش بيني آن با استفاده از روش داده كاوي بررسي شد. براي اين منظور آمار 45 سال دماي ماهانه سطوح آبي فوق به همراه بارندگي ماهانه ايستگاه ايلام استفاده شدند. شاخص اعتماد بين هر يك از دماي سطوح آب خليج فارس و درياي سرخ و حداكثر بارش ماهانه بيش از 60 درصد برآورد شد. اين رقم بيانگر همبستگي زياد بين دماي اين سطوح و حداكثر بارش ايستگاه ايلام است. نتايج نشان داد، حداكثر بارش ماهانه با اعتماد 8/66 درصد و با زمان تاخير يك ماه با استفاده از دماي دو سطح آبي خليج فارس و درياي سرخ قابل پيش بيني است.

A prediction of maximum monthly rainfall is indispensable for management of agriculture and for management of water resources. Previous studies have demonstrated that see surface temperatures affect rainfall in their surrounding regions. In this study the relationship between sea surface temperatures of Persian Gulf and that of Red sea, and maximum monthly rainfalls recorded at Illam meteorological station and also the possibility of using these temperature data for a prediction of rainfall were investigated. A forty five year data set of monthly temperatures of the above seas surfaces along with monthly rainfall records at Illam Station were employed for the purpose. The index confidences of the relationship between each see surface temperature at Persian Gulf and Red Sea surfaces and maximum monthly rainfall were calculated as more than 60 percent. This indicates the high correlation between these two sets of data. The results finally reveald that, maximum monthly rainfalls can be predicted using the above two sea surface temperatures with an index confidence of 66.8 percent and with one month lag times.