تحلیل و پیشبینی بارش های منطقه لارستان با استفاده از مدل زنجیره مارکوف
محورهای موضوعی : جغرافیای سیاسیبهلول علیجانی 1 , زین العابدین جغفرپور 2 , حیدر قادری 3
1 - ندارد
2 - ندارد
3 - ندارد
کلید واژه: بارش های جنوب ایران, توالی های مرطوب و خشک, تحلیل و پیش بینی بارش ها, زنجیره
, 
, مارکوف, لارستان,
چکیده مقاله :
در این مقاله تحلیل و پیش بینی بارش های منطقه لارستان، روزهای بارش 0/1 میلی متر و بیشتر ایستگاه لار در دوره آماری 2003-19960 بررسی شده است. ابتدا فراوانی روزهای بارانی بر اساس تداوم آن ها گروه بندی و فراوانی هرکدام از توالی ها به صورت مجزا مطالعه گردید. سپس بر اساس مدل زنجیره مارکوف احتمال وقوعهریک از توالی ها به صورت ماهانه ، فصلی و سالانه محاسبه شد. یافته های تحقیق نشان داد که:حداکثر فراوانی روزهای بارانی 44 روز و حداقل آن 11 روز در سال است . ژانویه بیشرین فراوانی و ماه هایمه و ژوئیه کمترین فراوانی را دارند. زمستان فصل مرطوب و بهار فصل خشک منطقه است. شدت متوسط هر بارش 8/2 میلی متر ، فاصلة متوسط بین دو بارش در دوره بارانی 6/2 روز، زمان متوسط شروع بارندگی 17 آذر و خاتمة بارندگی 26 فروردین است.مقایسه فراوانی توالی های پیش بینی شده با فراوانی توالی های مشاهده شده دقت مدل زنجیر ه مارکوف رادر پیش بینی توالی های خشک و مرطوب در مناطقی مانند لارستان که ناهماهنگی شدید بارش دارند، نشان داد.
In order to analyze the precipitation of the Larestan area, the rain days with 0.1millimeter or more were obtained from the Iranian Meteorological Organization for the1960-2003 period. First the rainy periods with different lengths were identified andtheir monthly and seasonal frequencies were calculated. On the monthly basis Januaryhad the highest wet days frequency and winter was the wettest but the spring was thedriest season. The wettest year had 44 rain days while only 11 days were experiencedduring the dry year. The mean daily density of rain was 8.2 mm and the mean timeinterval between successive rainy periods was 6.2 days. On the average the rainyperiod begins each year on 8 of December and ends on 6 of April.The first order Markov chain was applied to the data series to forecast the wetperiods. The model responded well and was able to forecast significantly andprecisely. The model was fitted best for the runs of one to six days proving thehypothesis of the study.