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 ز أکثر
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.
تفاصيل المقالة
بارش یکی از پارامترهای مهم اقلیمشناسی و سایر علوم جوّی که از اهمیّ تّ والای یّ در حیاتبشر برخوردار است. در سالهای اخیر، سیل و خشکسالی خسار های فراوانی را در بس یّاریاز مناطق جهان در پی داشته است. پیش بینی بارش در مدیریت و هشدار این معضلا نق شّمهمی بر عهده دارد. امروزه ش أکثر
بارش یکی از پارامترهای مهم اقلیمشناسی و سایر علوم جوّی که از اهمیّ تّ والای یّ در حیاتبشر برخوردار است. در سالهای اخیر، سیل و خشکسالی خسار های فراوانی را در بس یّاریاز مناطق جهان در پی داشته است. پیش بینی بارش در مدیریت و هشدار این معضلا نق شّمهمی بر عهده دارد. امروزه شبکههای عصبی مصنوعی از جمله روشهای نوین م یّباش دّ ک هّبرای تخمین و پیشبینی پارامترها با استفاده از ارتباط ذاتی بین دادهه اّ توس عّه یافت هّ اس تّ.هدف این پژوهش، ارزیابی دقت شبکه عصبی بازگشتی نارکس در پیش بین یّ ب اّرش روزان هّمیباشد که با استفاده از آمار روزانۀ هواشناسی ایستگاههای کرمان، بافت و میانده جیرفت، طی7393 (، میباشد به منظور مقایسه به آموزش شبکههای - دوره مشترک آماری 11 ساله ) 1171عصبی مصنوعی با ساختار پرسپترون چند لایه و شبکه عصبی بازگشتی نارکس پرداخت هّ ش دّ.عوامل اقلیمی مؤثر در بارش به عنوان ورودیهای شبکههای عصبی مصنوعی و بارش روزانه بهو ض رّی )MSE( عنوان خروجی شبکه در نظر گرفته شد. آم اّره اّی می اّنگین مرب ه اّ خط اّبه منظور ارزیابی روشهای بکار برده شده، استفاده گردید. نتایج نشان داد ک هّ ،)R( همبستگیمدل ترکیبی 41 ، بر پایه قانون آموزش لونبرگ م اّرکوا و ت اّب مک رّک س یّگموبید ب اّ هم هّپارامترهای هواشناسی در هر سه ایس تّگاه از دقّ تّ قاب لّ قب وّلی برخ وّردار اس تّ. همچن یّنمشخص شد که مدلهای مطلوب شبکه عصبی مصنوعی در یالت تغییرا افزایشی نسبت ب هّرطوبت نسبی، دارا ی بیشترین یساسیّت هستند
تفاصيل المقالة
در این تحقیق پیش بینی بارش توسط مدلWRF برای بارش های سنگین روزانه استان قزوین مورد ارزیابی قرار گرفت. به این منظور سی مورد از بارش های سنگین استان قزوین در دهه هشتاد شمسی با دو پیکربندی متفاوت از طرح واره های مدل WRF (KFMYJ و GDMYJ) در بازه های زمانی 24، 48 و72 ساعته ش أکثر
در این تحقیق پیش بینی بارش توسط مدلWRF برای بارش های سنگین روزانه استان قزوین مورد ارزیابی قرار گرفت. به این منظور سی مورد از بارش های سنگین استان قزوین در دهه هشتاد شمسی با دو پیکربندی متفاوت از طرح واره های مدل WRF (KFMYJ و GDMYJ) در بازه های زمانی 24، 48 و72 ساعته شبیه سازی شدند. با توجه ویژگی های ناهمواری و نوع اقلیم، استان قزوین به پنج ناحیه بارشی شامل دشت، حاشیه دشت، کوهپایه، ارتفاعات جنوب غربی و ارتفاعات شمال شرق تقسیم شد. سپس با دو رویکرد نقطه ای و منطقه بندی، بارش های شبیه سازی شده با مقادیر دیدبانی متناظر مقایسه و مورد ارزیابی قرار گرفت. براساس نتایج این تحقیق، جذر میانگین مربعات خطا و اریبی چندگانه مقادیر شبیه سازی شده ی بارش توسط مدل در بازه 24 ساعت نسبت به بازه های 48 و72 ساعت بهتر و به ترتیب در حدود 7/8 و 7/1 برای طرحواره GDMYمی باشد. همچنین ضریب همبستگی بین بارش شبیه سازی مدل و مشاهدات برای ناحیه کوهپایه ای در مقایسه با سایر نواحی دارای مقدار بالاتری در حدود 5/0 می باشد. بطور کلی نسبت خطای سامانمند به کل خطای مدل بسیار پایین می باشد که نشان می دهد بیشتر خطای مدل ناشی از تغییرپذیری نوع های ناسامانمند و تصادفی است. با در نظر گرفتن آستانه بارش mm10≤ و تشکیل جدول توافقی برای وقوع یا نبود بارش، امتیازهای مهارتی مدل برای منطقه قزوین محاسبه شد. نتایج نشان دادکه مهارت مدل در پیش بینی بارش های 24، 48 و72 ساعت در آستانه مذکور دارای دقت قابل قبولی می باشد و به طور متوسط در حدود 71 درصد موارد، پیش بینی به درستی انجام شده است.
تفاصيل المقالة
سند
Sanad is a platform for managing Azad University publications
