پيش بيني بارش ماهانه با استفاده از شاخص‏ هاي اقليمي پيوند از دور با استفاده از شبكه عصبي مصنوعي و مدل‏ آماري ( مطالعه موردي: ايستگاه هاي هم جوار ششده و قره بلاغ)

(Forecasting of Monthly rainfall using teleconnection climate indices using of artificial neural network and statical models (Case study: Sheshde and gharebolagh adjacent stations

بسياري از متغيرهاي هواشناسي از جمله بارش به شدت به گردش‏ هاي جوي ـ اقيانوسي بزرگ مقياس وابسته اند. در پژوهش حاضر تاثير سيگنال‏ هاي اقليمي بر ميانگين بارش ماهانه ايستگاه‏ هاي مجاور مناطق ششده و قره بلاغ طي دوره آماري 25 ساله از 1364 تا 1388 بررسي شده است. شبيه سازي بارش با استفاده از مدل‏ هاي آماري و شبكه عصبي انجام شده است. همبستگي سيگنال‏ هاي اقليمي با بارش در حالت‏ هاي مختلف بدون تاخير و با تاخيرهاي 3، 6، 9، 12 ماهه ارزيابي شد. مهم ترين شاخص‏ ها از بين20 شاخص اقليمي، شاخص ‏هاي NINO1.2، NINO3 و WHWP به ترتيب با ضريب همبستگي 61، 45 و 33 درصد در سطح احتمال 95 درصد انتخاب شدند. نتايج نشان داد بيشترين همبستگي شاخص‏ هاي اقليمي با بارش تاخيري 6 ماهه دارد. نتايج شبيه سازي مدل‏ ها نشان داد شبكه عصبي مصنوعي دقت بيشتري نسبت به مدل آماري دارد. اين مدل قادر است ميزان بارش را با توجه به نوسانات شاخص ‏هاي انتخابي با ضريب همبستگي 66 درصد و ريشه ميانگين مربعات خطاي (RMSE) 1/38 شبيه سازي كند. درنهايت، پيش بيني با ضريب تبيين 44 درصد به مدت 5 سال توسط شبكه عصبي مصنوعي انجام پذيرفت. بنابراين، با توجه به اهميت بارش و بحران جدي آب در منطقه، به منظور مديريت منابع آب، شناخت پارامترهاي موثر بر بارش و پيش بيني بلندمدت آن لازم و ضروري است.

Many of the meteorological variables such as precipitation, strongly depend on the large scale atmospheric and ocean surface circulations.In the current study, the effect of climatic signals on the average monthly rainfall of the adjacent stations of Sheshdeh and Gharebolagh area was investigated during the statistical period twenty five years from 1985 to 2009. The regression and neural network models were used for simulation of precipitation. Then correlation of the climatic signals with precipitation were evaluated in different modes without and with delays of 3, 6, 9 and 12 months. Among twenty climate signals the most important of them include NINO1.2, NINO3 and WHWP with correlation coefficient in confidence level of 95%, (61, 45, and 33 respectively) were selected. Results showed that maximum correlation of climate indices via precipitation was associated with a delay of 6 months. The result of models simulation showed that the artificial neural network model has more accurate compare to other statistical models.This model is able to simulate the amount of precipitation according to the fluctuations with a correlation coefficient 66% and root mean square errors of 1.38. Finally, forecasting was done with coefficient of determination 44 % for five years by artificial neural network. Therefore, according to the importance of precipitation and serious water crisis in the region, identifying the parameters affecting on precipitation and the long-term forecasts precipitation is necessary to manage the water resources.