ایستگاه تبریز

    مکانیزم های صعود بارندگی در نواحی مختلف از الگوهای متفاوتی تبعیت می کنند. شناخت این الگوها می تواند سطح برنامه ریزی محیطی را ارتقاء بخشد. شاخص های ارزیابی پایداری که به شاخص های ناپایداری معروف اند، روابطی هستند که به کمک آن ها می توان میزان ناپایداری همرفتی مناطق مختلف جورا در جهت مطالعه و پیش بینی بارش ها بررسی کرد، این شاخص ها در پیش بینی فعالیت های همرفتی به کار می روند و عمدتاً به کمک نمودارهای ترمودینامیک و داده های رادیو سوند بررسی می شوند. هدف اصلی پژوهش حاضر بررسی ویژگی های زمانی بارش های بیش از پنج میلی متر و تعیین سهم بارش های همرفتی بهاری ایستگاه تبریز براساس داده های جوبالا می باشد. بدین منظور داده های ساعتی بارش ایستگاه تبریز طی دوره آماری سی وپنج  ساله( 1358 – 1392شمسی )(1980- 2014میلادی)، از آرشیو سازمان هواشناسی دریافت و با گزینش داده های بارش بیش از 5 میلی متر براساس کدهای هواشناسی60 تا 65 برای بارش باران و نیز کدهای 91 تا 99 برای بارش های سنگین، فراوانی زمانی آنها بررسی گردید. پس از گزینش نمونه های مورد بررسی، نمودارهای اسکیوتی روزهای بارش به همراه شاخص های ناپایداری از قبیل(CAPE PW--  LI- TT - SI-  KI)تجزیه و تحلیل شدند. پردازش این داده ها در مقیاس فصلی بیانگر وقوع مکرر آنها است. حداکثر رخداد این بارش ها درماه آوریل با فراوانی131مورد و حداقل آنها درماه ژوئن با 35 مورد دیده شد. نتایج حاصل از ترسیم نمودارهای اسکیوتی و محاسبه شاخص های ناپایداری نشان می دهد، نقش عامل همرفت در وقوع بارش های بهاری قابل توجه می باشد، زیرا هنگامی می توان عامل همرفت را عامل اصلی بارش محسوب کرد که نه تنها میزان همرفت شدت کافی داشته باشد، بلکه ناپایداری لازم برای ایجاد بارش رانیز فراهم بسازد. در مجموع، پس از بررسی 263 نمونه بارش فصل بهار مشخص شد که عامل همرفت، مهمترین نقش را در رخداد بارش ماه های  می و ژوئن داشته است و به طبع آن مخاطرات سیلاب منطقه را تهدید می نماید.

هدف از پژوهش حاضر مدل سازی قدرت تبخیر جو با استفاده از شبکه عصبی مصنوعی و الگوریتم جنگل می باشد. برای پیش بینی تبخیر، از ترکیب شبکه عصبی مصنوعی و الگوریتم بهینه سازی جنگل کمک گرفته شد. سپس با بهره گیری از داده های هواشناختی، به مدل سازی قدرت تبخیر جو با استفاده از شبکه عصبی مصنوعی MLP و الگوریتم بهینه سازی جنگل پرداخته شد. با استفاده از پنج داده ورودی شامل مقادیر دما، نم نسبی، ساعات آفتابی، فشار هوا، سرعت باد و یک داده خروجی شامل میزان تبخیر حاصل از تشتک تبخیر ایجاد شد. از سویی برای آرایش هر ساختار، هر گروه شبکه با تعداد پنج نورون برای یک لایه پنهان آموزش داده شد. بنا بر نتایج بدست آمده، روش پیشنهادی جنگل، میزان قدرت یا پتانسیل تبخیر جو تبریز را با خطای 0.12678 میلی متر در ماه پیش بینی نمود و الگوریتم بهینه سازی جنگل توانسته به نتیجه بهتری دست پیدا کند. بنابراین جهت مدل سازی قدرت تبخیر جو در ایستگاه سینوپتیک تبریز بسیار مناسب است از الگوریتم یاد شده استفاده گردد زیرا بر مبنای این روش می توان میزان قدرت یا پتانسیل تبخیر جو تبریز را با خطای 0.12678 میلی متر در ماه پیش بینی نمود.