بررسي رابطه تغييرات بارش ساليانه تبريز با ناهنجاريهاي دمايي كره زمين و شبيه سازي عددي آن با استفاده از شبكه عصبي مصنوعي

An Investigation on the Relationship between the Precipitation Variations in Tabriz with theGlobal Temperature Anomalies and its Numerical Simulation Using the Artificial Neural Network

در اين تحقيق داده هاي مربوط به ناهنجاريهاي دمايي كره زمين و بارش متوسط ساليانه ايستگاه تبريز در طي دوره آماري 1951-2005 استفاده شده اند. روشهاي اصلي به كار گرفته شده در اين مطالعه عبارت است از روش تعيين ضريب همبستگي پيرسون، تحليل مولفه روند سري هاي زماني، رگرسيون خطي ساده و رگرسيون پولي نوميال به عنوان يك روش نيمه خطي و شبكه هاي عصبي مصنوعي. نتايج حاصل از كاربرد و تحليل همبستگي پيرسون نشانگر همبستگي منفي و معكوس معنا داري بين بارش ساليانه تبريز و ناهنجاريهاي دمايي كره زمين است. اين به آن معنا است كه غالباً با منفي شدن ناهنجاريهاي دمايي كره زمين، بارش ساليانه تبريز افزايش پيدا كرده و ترسالي به وقوع مي پيوندد و برعكس با مثبت شدن ناهنجاريهاي دمايي كره زمين، متوسط بارش ساليانه تبريز كاهش پيدا كرده و خشكسالي به وقوع مي-پيوندد. تحليل مولفه روند بلندمدت سري هاي زماني نشان مي دهد كه در طول دوره آماري از بارش متوسط ساليانه تبريز كاسته مي شود، اما روند ناهنجاريهاي دمايي كره زمين روندي افزايشي از خود نشان مي دهد. ارتباط بارش متوسط ساليانه تبريز با گرمايش جهاني نيز با استفاده از شبكه هاي عصبي مصنوعي شبيه سازي شده است. نتايج حاصل از كاربرد روشهاي مختلف در اين مطالعه نشان مي دهد كه روش شبكه عصبي مصنوعي در مقايسه با روشهاي رگرسيون خطي ساده و رگرسيون نيمه خطي پولي-نوميال درجه 6، روش شبيه سازي بهتر و دقيقتر است. روشهاي مختلف شبكه هاي عصبي مصنوعي به-كار گرفته شده در اين مطالعه نشان مي دهد كه روش پرسپترون چند لايه با 3 لايه مخفي و الگوريتم آموزش پس انتشار قابليت بسيار عالي در پيش بيني همبستگي بين سري ها دارد.

In this research, the data relating to global land/oceans temperature anomalies and annual mean precipitation of Tabriz station were used for the period of 1951-2005. The main methodologies used in this research include the Pearson correlation coefficient method, analysis of trend component of time series, simple linear and polynomial regression (as a semi-linear model) and Artificial Neural Networks methods. The results of applying Pearson analysis indicated a significant negative and an inverse correlation between global land/oceans temperature anomalies and annual precipitation in Tabriz station. This is an indicative of increase in precipitation and occurrence of wet years during the negative global temperature anomalies and, on contrary, precipitation reduction and occurrence of droughts during the positive global temperature anomalies. The analysis of long term trend components of time series showed that the annual mean precipitation of Tabriz has a decreasing trend towards the length of the period, but annual global land/oceans temperature anomalies has an increasing trend towards the length of the period. Also we simulated the relationships between annual precipitation in Tabriz station and global warming using Artificial Neural Networks. Applying of different methods recognized artificial neural network as a better and more accurate simulation model compared to the other models applied in this research, i.e. simple regression model, and semiـ linear polynomial regression with the power of 6 models. Different artificial neural network methods were used to demonstrate this relation, among which the Multi Layer Perceptron (MLP) with three hidden layers analysis with back propagation learning algorithm showed excellent capability in predicting the correlation between the series.