بررسي تاثير سيگنال هاي اقليمي بر بارش ناحيه مركزي ايران با استفاده از شبكه عصبي مصنوعي

Study on the Impact of climate signals on the Precipitation of the central of Iran using Artificial Neural Network

سيگنال هاي اقليمي، الگوهاي بزرگ مقياسي از ناهنجاري هاي گردش و فشار هوا ميباشد كه در محدوده جغرافيايي وسيع گسترش يافته است. اين سيگنال ها در توجيه رفتار اقليم از اهميت زيادي برخوردارند. در اين پژوهش ارتباط بارش با سيگنال هاي اقليمي(AO, NAO,SOI, ENSO) در ناحيه مركزي ايران مورد بررسي قرار گرفته است. داده هاي سيگنال ها از پايگاه داده هاي NCEP استخراج گرديد و مجموعه داده هاي بارش ماهانه نيز از مركز خدمات ماشيني سازمان هواشناسي كشور دريافت شد. داده ها ماهانه طي دوره ي آماري 30 ساله، بين سال هاي 1978 تا 2008 بوده است. در نهايت با بكارگيري روش شبكه عصبي مصنوعي، مدل هاي شبيه سازي شده براي بازه هاي 0، 3 و 6 ماهه محاسبه شد و نتايج نشان داد از بين سيگنال هاي مورد مطالعه سيگنال ENSO در مناطقNINO1.2 و NINO3 بر بارش منطقه مورد مطالعه تاثير معني داري دارد و تاخير 3 و 6 ماهه موجب قوي شدن ضريب همبستگي شاخص انسو در مناطق NINO1.2 و NINO3 با بارش ايستگاه هاي مورد مطالعه شده است. همچنين تاخير 6 ماهه باعث منفي شدن ضريب همبستگي بين شاخص انسو در مناطق NINO1.2 و NINO3 است. مطابق با مدل هاي اريه شده، سيگنال انسو در مناطق NINO1.2 و NINO3 مي تواند به عنوان پيش بيني كننده بارش در كنار ساير پارامترهاي تاثير گذار مورد استفاده قرار گيرد و ساير سيگنال هاي اقليمي مورد مطالعه تاثير معني داري بر بارش ايستگاه هاي مورد مطالعه ندارد.

Study on the Impact of climate signals on the Precipitation of the central of Iran using Artificial Neural Network Zahra hejazizadeh: professor of Climatology faculty of Geographical Sciences Kharazmi University, Tehran Ebrahim fatahi: Associate professor Climatology Member of scientific board of meteoroloyical institute. Mohammad saligheh: Associate Professor of Climatology faculty of Geographical Sciences Kharazmi University, Tehran Fatemeh arsalani: Graduate student, Kharazmi University of Tehran Abstract Climate signals are large-scale models of abnormalities in circulation and pressure and spread over wide geographical area. These signals are very important in translating the climate behaviour. In this research the relationship between precipitation and the climate signals (AO, NAO, SOI, and ENSO) in the Central Iranian zone, has been studied. The signals data are acquired from the NCEP Data Centre; also the aggregate data of the monthly precipitation are obtained from the Automation Centre in Iran Meteorological Organisation. Monthly data gathered through a 30-year statistical period (between 1978 to 2008). Finally, by exploiting Artificial Neural Network method, the simulation models for 0,3 and 6 months intervals were created. The results indicated that among the investigated signals, signal ENSO has a meaningful impact on precipitation in NINO1.2 and NINO3 zones, and the 3 and 6 month delay has strengthened the correlation coefficient of the ENSO index in zones NINO1.2 and NINO3 in relation to precipitation in the studied stations. The 6-month delay has resulted in negative correlation coefficient between ENSO index in NINO1.2 and NINO3 zones. According to the presented models, ENSO signal in NINO1.2 and NINO3 zones combined with other effective parameters could regard as a precipitation forecast model. Other climate signals do not have a meaningful impact of precipitation in the stations under study. Keywords: precipitation, artificial neural network, arctic oscillation (AO), north Atlantic oscillation (NAO), ENSO