پیش بینی بارش

هدف از پژوهش حاضر، بررسی ارتباط سیگنال های بزرگ مقیاس اقلیمی با بارش استان خراسان رضوی است. در این مطالعه، با استفاده از شبکه های عصبی مصنوعی، پیش بینی بارش در بازه زمانی آوریل تا ژوئن 2007-1970 (فروردین تا خرداد) در استان خراسان رضوی ارائه شده است. برای این منظور ارتباط بین تغییرات سیگنال های اقلیمی شامل فشار سطح دریا، اختلاف فشار سطح دریا، دمای سطح دریا، اختلاف دما بین سطح دریا و سطح 1000 میلی باری، دمای سطح 700 میلی بار، ضخامت بین سطوح 500 و 1000 میلی بار، رطوبت نسبی سطح 300 میلی بار و آب قابل بارش با بارش متوسط منطقه ای مورد بررسی قرار گرفت. در انتخاب این مناطق، تاثیرپذیری بارندگی منطقه شمال شرق ایران از سیگنال های بزرگ مقیاس اقلیمی مورد توجه قرار گرفته است. سپس، مدل شبکه های عصبی مصنوعی در دوره 1997-1970 آموزش داده شده است و در پایان، پیش بینی بارش در دوره 2007-1998 انجام شده است. نتایج نشان می دهد که شبکه های عصبی مصنوعی در تمامی سال ها می تواند بارش را با دقت قابل قبولی پیش بینی کند. ریشه میانگین مربعات خطا برای مدل، 5/2 میلی متر به دست آمد.

در انجام این پژوهش، سعی شده است میزان دقت و صحت برونداد و در نتیجه کارایی مدل در پیش بینی 24 و48 ساعته پدیده بارش با انتخاب طرحواره های مختلف مورد ارزیابی قرار گیرد. از اینرو به منظور راست آزمایی محصول مدل، دو وضعیت بارش و عدم بارش در نظر گرفته شده است و با تعیین چهار آستانه برای بارش جدول توافقی تشکیل و امتیازهای مهارتی محاسبه گردیده است. نتایج واکاوی گویای آنست که در بین پیکربندی های مختلف ، خروجی مدل برای دو پیکربندی KFMYJ و GDMYJ که در هر دو از طرحواره لایه مرزی Mellor-Yamada-Janjic استفاده شده به واقعیت نزدیک تر و از دقت قابل قبول تری برخوردار است. نسبت صحیح (PC) چهار آستانه، بدون بارش (≤ 1/0)، بیشتر از 1/0 و کمتر یا مساوی 1 میلی متر (1 ≥ و >1/0)، کمتر یا مساوی 10 میلی متر و بیشتر از یک (10 ≥ و >1) و بیشتر از 10 میلی متر (<10) جهت پیش بینی های 48 ساعته مقادیر قابل قبولی دارد به گونه ای که در مجموع در حدود ۸۰ درصد موارد، پیش بینی رخداد یا عدم رخداد بارش به درستی انجام شده است. مقدار H که نشان دهنده آهنگ برخورد است برای آستانه کمتر از ۱/0و بیش از ۱۰ میلیمتر نزدیک به یک می باشد بدین معنی که مدل برای این دو آستانه از دقت بالاتری برخوردار است؛ این کمیت برای محدوده بین یک دهم تا یک میلیمتر، مقدار ۳/0 را به خود اختصاص داده است که نشان دهنده ی ضعف نسبی مدل در این محدوده می باشد.

اهداف: هدف این پژوهش، پیش بینی بارش روزانه با استفاده از آمار روزانه هواشناسی ایستگاه های کرمان، بافت و میانده جیرفت، طی دوره مشترک آماری 23 ساله (2012-1989) می باشد. روش: برای دست یافتن به هدف تحقیق، به آموزش شبکه های عصبی مصنوعی با ساختار پرسپترون چند لایه و شبکة عصبی تابع پایة شعاعی پرداخته شد. ترکیب های مختلف پارامترهای کمینه دما، بیشینه دما، میانگین دما، رطوبت نسبی، سرعت و جهت باد و نیز میانگین فشار، به عنوان ورودی های شبکه های عصبی مصنوعی و بارش روزانه به عنوان خروجی شبکه درنظر گرفته شدند. یافته ها/ نتایج: نتایج نشان داد شبکه های عصبی مصنوعی پایه تابع شعاعی از دقت بسیار بیشتر و خطای کمتری نسبت به شبکة عصبی پرسپترون، برای تخمین بارش روزانه در هر سه ایستگاه برخوردار هستند. نتیجه گیری: در بهترین ترکیب با پارامتر های کمینه و بیشینه و حداقل دما و رطوبت نسبی، سرعت و جهت باد و نیز میانگین فشار در ایستگاه کرمان با ضریب همبستگی 907/0 و جذر میانگین مربعات خطای 014/0، بهترین مدل پیش بینی بارش در این تحقیق شناخته شدند.

برای مطالعة خشکسالی روش های مختلفی وجود دارد. روش تحلیل داده های بارندگی، جزو عمومی روش های تحلیل خشکسالی به شمار می رود؛ لذا پیش بینی دقیق و پیش از وقوع بارش می تواند شرایط را برای ارزیابی وضعیت خشکسالی فراهم نماید. هدف این پژوهش، بررسی تأثیر پیش پردازشِ داده های بارش ماهانة ایستگاه سینوپتیک سنندج بر عملکرد مدل درخت تصمیم در پیش بینی خشکسالی در ایستگاه سینوپتیک سنندج می باشد. در این پژوهش از الگوریتم CART به عنوان یکی از انواع درختان تصمیم رگرسیونی جهت پیش بینی بارش 12 ماه بعد استفاده شده و جهت ارزیابی درخت های ایجاد شده از معیارهای آماری مختلف استفاده شده است. داده های مورد استفاده در این پژوهش مربوط به آمار ماهانة بارندگی، رطوبت نسبی، دمای حداکثر، دمای متوسط، جهت باد و سرعت باد در دورة آماری (1389- 1349) است. نتایج حاصل از پژوهش نشان می دهد که در ایستگاه سینوپتیک سنندجدرخت تصمیم گیریرگرسیونی،مدلینسبتاًکارادرپیش بینی خشکسالی می باشد؛ به طوری که درشبیه سازی هایصورتگرفته،زمانیکهاز میانگینمتحرّکپنجسالة داده هابرایاجرایمدلاستفادهگردید، ترکیب بارشقبلی ودمایحداکثر بهعنوانمناسب ترینحالت با مقدار خطای 06/0 شناساییشده و اعمال میانگین متحرک روی داده های اصلی در بهبود کارایی مدل مؤثر است. در این شرایط، روش درخت تصمیم رگرسیونی ایستگاه سنندج با ضریب اطمینان بالایی میزان بارش را 12 ماه پیش از وقوع بر آورد نمایند.

بارش باران یکی از مهم ترین پدیده های جوّی است که بر زندگی بشر اثر می گذارد. پیش بینی بارش باران برای اهداف مختلفی مانند برنامه ریزی فعالیت های کشاورزی، پیش بینی سیلاب، پایش خشکسالی و تأمین آب مصرفی از اهمیت بالایی برخوردار است. هدف این مقاله پیش بینی بارش ماهانه در ایران با استفاده از روش جدید ترکیب شبکه های عصبی مصنوعی و فیلتر کالمن توسعه یافته می باشد، که برای این هدف از داده های میانگین بارش ماهانه حدود 180 ایستگاه سینوپتیک ایران که در سراسر کشور پراکنده هستند، طی سال های 1951 تا 2016 استفاده شده و به پیش بینی بارش ماهانه برای سال 2017 با استفاده از روش مقاله پرداخته شده است. در این مطالعه ایران شامل 8 پهنه اقلیمی است که به روش کوپن-گایگر تقسیم بندی شده است. از شبکه عصبی مصنوعی چندلایه با دو لایه مخفی که در هر لایه 10 نورون قرار گرفته است، برای پیش بینی در هر یک از پهنه های اقلیمی استفاده شد که برای آموزش این شبکه از فیلتر کالمن توسعه یافته استفاده گردید. اختلاف مقادیر بارش ماهانه اندازه گیری شده در سال 2017 و مقادیر حاصل از پیش بینی در تمام ایستگاه ها محاسبه گردید. جذر میانگین مربعات این اختلافات (RMSE) در حالت نرمال برای 8 پهنه اقلیمی در مراحل آزمون و پیش بینی محاسبه گردید که برای اقلیم بیابان خشک و بسیار گرم نسبت به اقلیم بیابان خشک و سرد کمتر است و برای اقلیم نیمه بیابانی خشک و سرد نسبت به اقلیم نیمه بیابانی خشک و بسیار گرم کمتر است و برای اقلیم معتدل با تابستان های خشک و بسیار گرم نسبت به اقلیم معتدل پرباران با تابستان های گرم کمتر است و برای اقلیم برفی با تابستان های خشک و بسیار گرم نسبت به اقلیم برفی با تابستان های خشک و گرم کمتر می باشد. در بیشتر موارد RMSE بدست آمده در اقلیم های بسیار گرم دارای مقدار کمتری است که نشان دهنده کارایی بهتر روش مقاله در پیش بینی بارش در این نوع اقلیم می باشد.

ارزیابی و پیش بینی تغییرات اقلیمی در آینده به دلیل اثرات سوء آن بر منابع آبی و محیط طبیعی و همچنین دارا بودن اثرات زیست محیطی، اقتصادی و اجتماعی از اهمیت ویژه ای برخوردار است. در این میان، بارش نیز از عناصر مهم اقلیمی محسوب می شود که در شرایط مازاد، خسارات فراوانی را به بار می آورد. استان آذربایجان غربی نیز از این خسارات مستثنی نیست. هدف پژوهش حاضر مدل سازی و پیش بینی بارش 30 ساله در استان آذربایجان غربی است. دوره آماری مورد مطالعه 32 سال (2019-1987) می باشد. ایستگاه های منتخب در سطح استان شامل ایستگاه های ارومیه، پیرانشهر، تکاب، خوی، سردشت، مهاباد و ماکو می باشند. از مدل های سری زمانی میانگین لغزان، ساریما (آریمای فصلی)، هلت وینترز برای تجزیه و تحلیل و پیش بینی استفاده شد و همچنین برای تعیین روند داده ها از رگرسیون خطی و آزمون من-کندال بهره گرفته شد. نتایج نشان دهنده روند افزایشی بارش در ایستگاه های ارومیه، پیرانشهر، خوی، سردشت و ماکو و روند کاهشی در دو ایستگاه تکاب و مهاباد می باشند. با توجه به نتایج حاصل از مقایسه مدل های مورد استفاده، مدل هلت وینترز با دارای بودن حداقل خطا در میانگین مطلق انحرافات، میانگین مجذور انحرافات و درصد میانگین مطلق خطاها بهترین مدل پیش بینی بارش برای استان آذربایجان غربی معرفی شد.