بارش سالانه

چکیده در این تحقیق ، داده های مربوط به ناهنجاری های دمایی کره زمین و بارش متوسط سالانه ایستگاه جلفا در طی دوره آماری 2003-1960 استفاده شده است. روش های اصلی به کار گرفته شده در این مطالعه، عبارت از: روش تعیین ضریب همبستگی پیرسون، تحلیل مولفه روند سری های زمانی، رگرسیون خطی ساده و شبکه های عصبی مصنوعی. نتایج حاصل از کاربرد و تحلیل همبستگی پیرسون، نشان دهنده همبستگی منفی و معکوس معنی داری بین بارش سالانه جلفا و ناهنجاری های دمایی کره زمین است. این، بدان معنی است که غالباً با منفی شدن ناهنجاری های دمایی کره زمین بارش سالانه جلفا افزایش یافته، ترسالی به وقوع می پیوندد و برعکس، با مثبت شدن ناهنجاری های دمایی کره زمین، متوسط بارش سالانه جلفا کاهش یافته، خشکسالی به وقوع می پیوندد. تحلیل مؤلفه روند بلند مدت سری های زمانی نشان می دهد که در طول دوره آماری از بارش متوسط سالانه جلفا کاسته می شود، اما روند ناهنجاری های دمایی کره زمین روندی افزایشی دارد. با استفاده از شبکه های عصبی مصنوعی، ارتباط بارش متوسط سالانه جلفا با گرمایش جهانی شبیه سازی شده است. نتایج حاصل از کاربرد روش های مختلف در این مطالعه نشان می دهد که روش شبکه عصبی مصنوعی در مقایسه با روش های رگرسیون خطی ساده روش شبیه سازی بهتر و دقیق تری است. روش های مختلف شبکه های عصبی مصنوعی به کار گرفته شده در این مطالعه نشان داد که روش پرسپترون چند لایه، با چهار لایه مخفی و الگوریتم آموزش پس انتشار، دارای قابلیت بسیار عالی در پیش بینی همبستگی بین سری هاست

عنصر بارش ماهیت آشوبناکی و تصادفی داشته و از این نظر دارای تغییرات ساختاری در زمان­های مختلف است. در این راستا به­دلیل عدم قطعیت­هایی که وجود دارد، نوسان­های زیادی در مقدار بارش ایجاد می­شود که پیش­بینی این کمیت مهم را با مشکل مواجه نموده است. در این مقاله با تکنیک مقیاس­بندی مجدد (R/S) و محاسبه نمای هرست (H) پیش­بینی­پذیری بارش در سه منطقه شیراز، کرمان و مشهد انجام شد. نمای هرست نشان داد که پارامتر بارش قابلیت پیش­بینی­پذیری را دارد، زیرا H از 5/0 بزرگ­تر بوده و بمراتب به­مقدار 1 نزدیک­تر است. به­طوری­که نمای هرست از حداقل 8/0 در ایستگاه مشهد تا حداکثر 92/0 در ایستگاه شیراز در نوسان بود. به منظور پیش­بینی بارش از شبکه­های عصبی مصنوعی استفاده شد. نوع پارامترهای ورودی براساس آزمون همبستگی پیرسون از بین داده­های غیربارشی، ترکیبی از داده­های دمایی و رطوبتی بودند. تعداد پارامترهای ورودی، تعداد لایه­های میانی و سایر اطلاعات مربوط به شبکه عصبی مصنوعی به صورت تصادفی انتخاب و پیشنهاد شدند. در مجموع از شبکه­های عصبی پرسپترون چند لایه برای برآورد بارش استفاده شد. مقایسه عملکرد شبکه­های عصبی، نشان داد که استفاده از 3 و 4 پارامتر هواشناسی، بهترین رتبه برآوردگری را داشته­اند. آرایش­های پیشنهادی برای ایستگاه شیراز، 1-21-21-3، کرمان 1-25-25-3 و مشهد 1-19-19-4 دارای ضریب همبستگی بیش از 91 درصد شد. اعتبارسـنجی مدل­های بارش نشان داد که شـبکه­های طراحی شـده برای پارامتر بارش در ایستگاه­های مشهد، شیراز و کرمان به ترتیب با خطای 4، 11 و 14 درصد، دارای بهترین عملکرد بوده­اند. در مجموع نتایج نشان می­دهند که استفاده از روش شبکه عصبی با درنظر گرفتن اطلاعات دمایی و رطوبتی، نتایج مناسبی برای توصیف فرآیند و ترکیب آن­ها در پیش­بینی، به­دست می­دهند.

بارش از سرکش ترین عناصر اقلیمی به شمار می رود. بنابراین شناخت رفتار نوسانی آن از ضروریات برنامه ریزی محیطی (آگاهی از رفتار آشکار و نهان)، این متغیر کلیدی می باشد. الگوسازی روند و تکنیک تحلیل طیفی یکی از روش های مناسب جهت درک رفتار آشکار و نهان، برای استخراج و تحلیل نوسان های اقلیمی با طول موج های مختلف است.دراین راستا تکنیک تحلیل طیف اندازه ای از توزیع واریانس را در امتداد تمامی طول موج های ممکن سری زمانی به دست می دهد. در این پژوهش از آمار 37 ایستگاه حوضه های آبریز مند و حله(اعم از باران سنجی و سینوپتیک) از بدو تاسیس تا سال 2011میلای که حداقل 30 سال آمار داشتند، جهت بررسی و تحلیل چرخه های بارش سالانه بهره گرفته شده است. براین اساس،ابتدا الگوسازی در خانوداه چند جمله ایها برای شناسایی روند بارش سالانه(الگوی خطی یا سهمی) ایستگاهها در منطقه مورد ارزیابی قرار گرفت.در ادامه نیز با استفاده از تکنیک تحلیل طیفی دوره نگارهای بارش سالانه با فاصله اطمینان 95 درصد برای هر یک از ایستگاههای منطقه مورد مطالعه برآورد و چرخه های معنی دار در طول سری های زمانی بارش حوضه استخراج گردید. بر پایه یافته های این پژوهش مشخص شد که درتمامی ایستگاههای حوضه، بارش سالانه دارای روند کاهشی می باشند، و در این میان 11 ایستگاه با توجه به معنی داری آماری از الگوی روند خطی و سهمی تبیعیت می نمایند، و حاکی از یک رفتار کاهشی در بارش سالانه ایستگاههای مورد مطالعه است.در ادامه نیز مشخص شد که با استفاد ه از تکنیک تحلیل طیفی چرخه های 3-2 ساله ، 10- 3 ساله و گاها چرخه های با دوره بازگشت 10ساله و بالاتر بر بارش حوضه حاکم می باشد. بطوری که میزان چرخه های 3-2ساله بصورت فضایی نیز در تمامی منطقه مورد مطلعه دارای بیشترین رخداد بازگشت بارش سالانه می باشند.

در پژوهش حاضر روند بارش سالانه ایران زمین با توجه به روند تغییرات فراوانی نمایه های فرین بالا و پایین و نیز نمایه های بهنجار بارش، به روش تحلیل پهنه ای در معرض توجه قرار گرفت. برای انجام پژوهش حاضر از نسخه سوم پایگاه داده ای اسفزاری با تفکیک مکانی 10 کیلومتر و برای بازه زمانی 01/01/1349 تا 29/12/1394 (46 سال و معادل 16801 روز) استفاده شد. روند بارش سالانه در کشور نشان داد که تغییرات بارش در بخش عمده ای (حدود 9/80 درصد مساحت) از کشور کاهشی بوده است و تنها بخش محدودی از کشور (حدود 19 درصد مساحت) روند افزایشی را تجربه کرده است. روند کاهشی بارش باعث کاهش آب حاصل از نزولات جوی در کشور به میزان حدود 5/1 میلیارد مترمکعب شده است. اگرچه استنباط های آماری نشان از عملکرد عوامل بزرگ مقیاس در شکل گیری روند کاهشی در بخش عمده ای از کشور است، امّا 53/33 درصد پهنه های توأم با روند کاهشی از دیدگاه معنی داری آماری تحت تأثیر عوامل محلّی (در شمال شرق و بخش هایی از شرق ایران، پیشکوه های داخلی زاگرس و پهنه ای ممتد از استان کرمان تا استان های اصفهان، چهارمحال و بختیاری و کهگیلویه بویراحمد، از غرب شیراز و شمال بوشهر در امتداد مرز غربی کشور تا شمال سنندج، هسته های پراکنده در بخش های جنوبی و شرقی ناحیه شمال غرب و شمال ایران) بوده است. بررسی ها نشان داد که نواحی توأم با روند کاهشی معنی دار تحت تأثیر کاهش بارندگی های پرمقدار (عمدتاً صدک 75 و بیشتر) بوده اند. نواحی توأم با روند مثبت و به لحاظ آماری معنی دار حدود 93/2 درصد از کشور را دربر می گیرند. این نواحی با گسستگی مکانی و به صورت هسته هایی بعضاً در درون نواحی توأم با روند منفی دیده می شوند.