پيش‌بيني بارش پاييزه با استفاده ازشاخص‌هاي انسو به روش شبكه عصبي در حوضه درياچه اروميه

Autumn rainfall forecasting using ENSO indices by Neural Network method

انسو(El Nino Southern Oscillation)يكي از پديده هاي اقليمي است كه تغييرات آن موجب ناهنجاري‌هايي بزرگ آب و هوايي در بسياري از نقاط جهان مي‌شود. در بعضي مناطق، اين پديده باعث افزايش بارش و در بعضي مناطق، باعث كاهش بارش شده است. يكي از روش‌هاي پيش‌بيني بارش فصلي، استفاده از انسو با استفاده از شاخص‌هاي Southern Oscillation Index) SOI ) و NINO3,4 است. براي بررسي ارتباط بين انسو و بارش در حوضه درياچه اروميه واقع در شمال غرب كشور از اطلاعات 18 ايستگاه باران سنجي و كليماتولوژي و براي پيش‌بيني بارش پاييزه، از اطلاعات دو ايستگاه سينوبتيك تبريز و اروميه كه آمار طولاني مدت داشته‌اند استفاده شد. بررسي‌ها نشان مي‌دهد Southern Oscillation Index) SOI )و NINO3,4 كه از شاخص‌هاي انسو هستند، از عوامل موثر بر بارندگي پاييزه محسوب مي‌شوند. براي پيش‌بيني بارش پاييزه از يك مدل توانمند و انعطاف پذير مانند شبكه عصبي و اطلاعات SOI و NINO3,4 استفاده و براي بررسي عملكرد آن با يك مدل خطي (رگرسيون چند متغيره) مقايسه گرديده است. براي ارزيابي دقت و صحت مدل‌ها از آماره R2 و MSE استفاده شد. نتايج بررسي نشان مي‌دهد كه مدل غير خطي با استفاده از شاخص‌هاي اقليمي مورد استفاده، بارش پاييزه را با دقت بيشتري پيش‌بيني مي‌كند. از آنجايي كه پيش‌بيني بارش به خاطر ويژگي‌هاي خاص حاكم بر آن، مشكل به نظر مي‌رسد ولي اين تحقيق نشان مي‌دهد با استفاده از شاخص‌هاي اقليمي پيوند از دور1و بكارگيري شبكه عصبي با معماري مشخص مي‌توان بارش پاييزه را يك فصل زودتر پيش‌بيني كرد.

The evolution of rainfall is due to climate signals changes. One of the climate signals is ENSO. This signal is one of the important signals that cause large scale climate anomaly change in many area of the world. This signal can increase rainfall in many areas and also decrease rainfall in other area in the same period. One of the rainfall forecasting methods is using climate signals. To forecasting seasonal rainfall in Urmiyeh Lake basin, relationship between autumn rainfall and climatic indices were investigated. The climatic indices are the indices that scientists use in the word. There are many rainfall stations in Urmiyeh basin, from those 18 stations with more than 35 years data were selected. In order to forecasting the SPI, data of two stations, Tabriz and Urmiyeh were used. SOI and NINO3,4 indices used as ENSO indices. This result show the impact of ENSO is more than other climatic signals on autumn rainfall. To forecast the Autumn rainfall one linear model and one nonlinear model used. Using R2 and MSE the model evaluated. The result show the nonlinear model (Neural Network) can forecast Autumn rainfall with higher accuracy than the linear model. Therefore using teleconnection pattern data and neural network as powerful tools, autumn rainfall can be forecasted one season earlier in Urmiyeh leak basin.