مطالعه وارزیابی دما شهر الشتر براساس مدل شبکه عصبی مصنوعی

محورهای موضوعی : اقلیم شناسی

مهناز حسنوند ¹ , رضا برنا ² , منیژه ظهوریان پردل ³ , علیرضا شکیبا ⁴

1 - دانشجوی دکتری آب و هواشناسی، گروه جغرافیا، دانشکده علوم انسانی، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران
2 - دانشیار، گروه جغرافیا، دانشکده علوم انسانی، واحداهواز، دانشگاه آزاد اسلامی، اهواز، ایران
3 - دانشیار، گروه جغرافیا، دانشکده علوم انسانی، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران
4 - استادیار، گروه جغرافیا، دانشکده علوم انسانی، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران

تاریخ دریافت : 1400/01/24 تاریخ پذیرش : 1400/04/04 تاریخ انتشار : 1401/02/01

کلید واژه: پیش بینی, شبکه عصبی, میانگین فصلی, مصنوعی,

چکیده مقاله :

این تحقیق به منظور بررسی تغییر اقلیم در ناحیه غربی ایران استان لرستان شهرستان الشتر بر مبنای ارزیابی و پیش بینی تغییرات دما صورت گرفته است. هدف از این پژوهش "مدل سازی برای پیش‌بینی میانگین دمای ماهانه فصلی ایستگاه‌های منتخب استان لرستان به ویژه منطقه الشتر می‌باشد. شناسایی و آشکار سازی پهنه‌های آسیب‌پذیر با زیر ساخت‌هایی از قبیل کشاورزی؛ هیدرولوژی؛ حمل و نقل نواحی شهرستان در شرایط تغییر اقلیم می‌باشد. و با توجه به عدم وجود ودر دسترس نبودن دیتای سری زمانی 30 ساله‌ی الشتر لذا از شهرستان‌های همجوار از جمله ایستگاه‌های سینوپتیک خرم آباد -الشتر -بروجرد استفاده شده است در همین رابطه آمار 30ساله (1989-2019) تعداد سه ایستگاه سینوپتیک فوق‌الذکر استان لرستان مورد مطالعه و بررسی قرارگرفت و تغییرات معنی دار دماهای بیشینه و کمینه متوسط و همچنین دامنه شبانه‌روزی دما (dtr)که بیان گر اختلاف مقادیر دماهای بیشینه و کمینه می‌باشد در دو مقیاس زمانی فصلی و سالانه مورد تجزیه وتحلیل قرار گرفت. بدین منظور؛ ابتدا دوره مطالعاتی در بازه زمانی ۲۰ ساله و۳۰ ساله تقسیم شده و با توجه به میزان تغیرات دما؛ دوره نرمال اقلیمی برای کلیه ایستگاه‌ها استخراج گردید. سپس مقادیر میانگین داده‌ها؛ با استفاده از مدل شبکه عصبی مصنوعی توانایی زیادی در شبیه‌سازی و پیش‌بینی عناصر جوی و آب و هوایی به ویژه دما دارد. پکیج fore gast استفاده شده است. نرم ابزار برنامه نویسیr دو نمونه مورد مقایسه قرارگرفت و اختلاف‌های معنی‌دار سطح اطمینان ۹۵٪و۸۰٪ مشخص شدند. در این رابطه؛ بیشترین و کمترین تفاوت میانگین دوره‌ها؛ به ترتیب به دماهای کمینه و بیشینه اختصاص یافت همچنین روند داده‌ها در بازه زمانی ۲۰ ساله اخیر نیز مورد بررسی قرار گرفت و بر اساس نتایج آن؛ دماهای متوسط؛ بیشینه و کمینه دارای روندی افزایشی بوده است. از نظر فصلی نیز زمستان شدیدترین تغییرات را در منطقه در برداشته است میزان موارد اختلاف بین بازه زمانی ۲۰ ساله و بازه‌های ۳۰ (دوره نرمال) ۳۰ ساله به ترتیب ۹۵ درصد و۸۰ درصد می‌باشد. در بازه ۲۰ساله اخیر؛ بیشترین و کمترین روند معنی دار ایستگاه‌ها؛ به ترتیب در فصول تابستان و پاییز مشاهده گردید. دوره اقلیم تحت دو سناریوی nnar"foregast گزارش و استخراج شد.

چکیده انگلیسی:

Temperature assessment and forecasting is one of the most practical estimates of climatic elements. Today, the agricultural and industrial sectors are highly dependent on the temperature conditions. Temperature is one of the most important climatic meters that is one of the main factors in the climate identity of each region. The purpose of this study is to make a model for predicting the average monthly seasonal temperature of selected stations in Lorestan province, including Al-Shatrami region. Identification and detection of vulnerabilities in the infrastructure of Aleshtar districts in the conditions of climate change. And due to the inadequacy of the 30-year time series of Al-Ashtarl, neighboring cities such as Khorramabad-Aleshtar-Borujerd synoptic stations have been used, because the artificial neural network method has a great ability to simulate and predict atmospheric elements. And the weather, especially the temperature. To model and predict the seasonal monthly temperature, the r programming tool software of the fOre gast package has been used. Two tests of estimator trend analysis have been used. The 30-year time series trend of these elements was examined during the basic statistical period (1989-2019). The climate cycle was reported and extracted under two scenarios: NNAR and forEgast. The artificial neural network is one of the most powerful models capable of receiving and displaying complex Data input and output is one of the most widely used neural network (NNA) models to determine the best network inputs.

منابع و مأخذ:

اسماعیلی، رضا. حسین‌زاده، محمدمهدی (1394) مقایسه روشهای روزگن و استیل رود در طبقه‌بندی رودخانه‌های کوهستانی، مطالعه موردی البرز شمالی، حوضه آبریز لاویج، پژوهشهای دانش زمین، 64-79: 3، 21.

اصغری سراسکانرود، صیاد، پوراحمد، مهدی، (1394) شناسایی و استخراج تغییرات رودخانه زرینه‌رود با استفاده از پردازش تصاویر ماهواره‌ای، نشریه هیدروژئومورفلوژی، (5)

بلواسی، ایمانعلی، اصغری، سراسکانرود، صیاد، اسفندیاری، زینالی، بتول، نشریه علمی جغرافیا و برنامه‌ریزی 21.02.2014

جهانبش، سعید؛ قویدل، فاطمه؛ اشجعی محمد، (1394)، شناسایی، طبقه‌بندی و تحلیل همدیدی امواج گرمایی به منظور کاهش مخاطرات انسانی در شمال غرب ایران، دانش مخاطرات، 391-377:4.

درگاهیان، فاطمه؛ رضایی، غلامحسین، (1393)، بررسی شرایط سینوپتیکی و بیوکلیماتولوژی شاخص گرما با استفاده از سیستم اطلاعات جغرافیایی در ایستگاههای ساحلی و دریایی جنوب و اثرات آن بر روی سلامت انسان، فصلنامۀ علمی-پژوهشی اطلاعات جغرافیایی سپهر، 54-43 : (91) 23.

رضایی مقدم، محمدحسین، ولی‌زاده، کامران، خلیل، بلواسی، مهدی، خیری استیار، حسین، اصغری، سرانسکانرود، صیاد، تشریه جغرافیا و برنامه ریزی تابستان 1395 شماره 56، ص. 127-148، علمی پژوهشی وزارت علوم

رمضانی مقدم، نیکجو، خلیل، ولی‌زاده، کامران، ایمانعلی، بلواسی، بلواسی، نشریه جغرافیا و برنامه ریزی ،21.04.2017

سازمان هواشناسی استان لرستان، آمار 30 ساله ایستگاه‌های باران سنجی با سینیوپتیک 1398.

مختاری هشی، حسین (1392)، هیدروپلیتیک ایران، جغرافیای بحران آب در افق سال 1404، فصلنامه ژئوپلیتیک، سال نهم، شماره سوم.

نلسون فرای، ریچارد (1395)، (تاریخ باستانی ایران، ترجمه مسعود رجبنیا، تهران: انتشارات علمی و فرهنگی. وزارت نیرو، دفتر برنامه ریزی کلان آب و آبفا) 1395 پروژه پژوهشی تدوین راهبردها و برنامه ملی سازگاری و تغییر اقلیم در بخش کشاورزی، صص 205-204.

Belmont, P., Gran, K.B., Schottler, S.P.,Wilcock, P.R., Day, S.S., Jennings, C., Lauer,J.W., Viparelli, E., Willenbring, J.K., Engstrom,D.R., Parker, G. (2011). Large shift in source offine sediment in the Upper Mississippi River.Environmental Science and Technology45,8804–8810

Dapporto, S., Rinaldi, M., Casagli, N. and Vannocci, P. (2003). Mechanisms of river bank failure along the Amo River Central Italy. Earth Surface Processes and Landforms. 28,1303-1323.

Fischer, E. M., Schär, C., (2010), Consistent Geographical Patterns of Changes in High-Impact European Heatwaves, NatureGeoscience, 3: 398–403

Hatvani-Kovacs, G., Belusko, M., Pockett, J., Boland, J., (2016), Assessment of Heatwave Impacts,4th International Conference on Countermeasures to Urban Heat Island(UHI),Procedia Engineering,169:316 –323.Little W.C. Thome. C.R. and Murphey. J.B.(1982). streams. American Society of Agricultural Engineers Transactions. 25(5). 1321-132

Rademaker, A. (2016). Role of tropospheric ozone increases in 20th-century climate change, Journal of Geophysical Research–Atmospheres, 11(8): 8-20.