پیش‌بینی الگوی خشکسالی هواشناسی با استفاده از دسته‌بندی متغیرهای هواشناسی

الموضوعات :

علیرضا نیکبخت شهبازی ¹ (گروه علوم و مهندسی آب، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران)
بنفشه زهرایی ² (دانشیار، دانشکده مهندسی عمران، پردیس دانشکده های فنی، دانشگاه تهران)

تاريخ الإرسال : 02 الثلاثاء , رمضان, 1437 تاريخ التأكيد : 06 الأحد , شوال, 1440 تاريخ الإصدار : 17 الأربعاء , رمضان, 1440

الکلمات المفتاحية: خشکسالی هواشناسی, دسته بندی نمایه بارش استاندارد شده, ماشین بردار پشتیبان, حوضه آبریز تهران,

ملخص المقالة :

پیش‌بینی خشکسالی، شدت و زمان رخداد آن از دلشوره‌های بزرگ پژوهشگران هواشناسی و هیدرولوژی می‌باشد. در این میان اهمیت متغیرهای هواشناسی و جوی در تخمین مناسب شدت خشکسالی از موضوعات مورد علاقه محققین است. در این پژوهش با بکارگیری متغیرهای دمای هوا و ارتفاع ژئوپتانسیل در لایه های گوناگون جوی به بررسی پیوند این متغیرها در 31 سال گذشته (54-1386) با استفاده از نمایه بارش استاندارد شده (SPI) به عنوان شاخص خشکسالی اقلیمی در حوزه آبخیز سدهای تأمین کننده آب تهران پرداخته شده است. پس از برآورد میانگین بارش با استفاده از شاخص آماری اطلاعات متقابل نقطه-متغیرهای هواشناسی که پیوند نیرومندتری را با نمایه SPI در گستره‌های مورد مطالعه داشته‌اند، به عنوان متغیرهای مناسب برگزیده شدند. سپس در راستای پیش‌بینی کلاس خشکسالی اقلیمی SPI از مدل ماشین بردار پشتیبان (SVM) به عنوان یکی از روش‌های یادگیری آماری استفاده شده است. نتایج گویای پاسخ مناسب رویکرد مورد استفاده در پیش‌بینی وقوع خشکسالی است. همچنین با استفاده از جستجوی مکانی ارتباط متغیرهای هواشناسی و مقادیر هدف، بهترین ترکیب این متغیرها نیز برگزیده شده است و در اکثر موارد پیش‌بینی با دقت مناسب به منظور کاربردهای واقعی دارای قابلیت بکارگیری است. دقت پیش‌بینی در فصول پاییز و زمستان بیش از سایر فصول بوده است.

المصادر:

ذبیحی، م ،ر. 1301 ، گزارش نقشه زمین شناسی
1:133333 رونیز - سازمان نقشه برااری.
)2 علیزاا ، ا . 1390 ، اصرول د شرناسی کاربرای،
35 – اانشگا امام رضا مشهد، چاپ یازاهم، صفحه 17
3) Amadi, A.N., Olasehinde, P.I., Okunlola, I.A., Okoye, N.O., and Waziri, S. 2010. A multidisciplinary approach to subsurface characterization in Northwest of Minna, Niger State, Nigeria. Bayero J. Phys. Math. Sci. 3(1), 74–83.
4) Anomohanran, O. 2013. Geophysical investigation of groundwater potential in Ukelegbe, Nigeria, Journal of Applied Sciences. 13(1): 119-125.
5) Anomohanran, O. 2013. Investigation of Groundwater Potential in Some Selected Towns in Delta North District of Nigeria, International Journal of Applied Science and Technology. 3(6): 61-66.
6) Ayolabi, E. A., Adeoti, L., Oshinlaja, N. A., Adeosun, I. O. and Idowu, O. I. 2009: Seismic refraction and resisitivity Studies of part of Igbogbo Township, south-west Nigeria, Journal Science Research and Development. 11: 42-61.
7) Dobrin, M. B. and Savit, C. H. 1988
Introduction to geophysical prospecting (4th edn), Mc Graw-Hill, New York. 245pp.
8) Falcon, N.L., 1974. Southern Iran: Zagros Mountain in Mesozoic-Cenozoic orogenic belts. Geologica: Society of London, Special pub1.4, 199-211.
9) Grellier, S., Reddy, K. R., Gangathulasi, J., Adib, R., and Peters, C. C. 2007, Correlation between electrical resistivity and moisture content municipal solid waste in bioreactor landfill: Geotechnical Special Publication No. 163, ASCE Press, Reston, Virginia.
10) Kneisel, C. 2006, Assessment of subsurface lithology in mountain environments using 2D resistivity imaging: Geomorphology. 80; 32-44.
11) Sudha, K., Israil, M., Mittal, S. and Rai, J. 2009, Soil characterization using electrical
resistivity tomography and geotechnical investigations: Journal of Applied Geophysics. 67; 74-79.
12) Szalai, S, and Szarka, L. 2008 On the classification of surface geoelectric arrays. geophys. Prospect. 56: 159175.
13) Tahmasbinejad, H. 2009: Geoelectric investigation of the aquifer characteristics and groundwater potential in Behbahan Azad University Farm, Khuzestan Province, Iran. Journal of Applied Sciences 9(20).36913698.

_||_