کاربرد سیگنال‌های اقلیمی در پیش بینی تبخیر در غرب ایران

محورهای موضوعی : جغرافیای سیاسی

عنایت اله رحمتی ¹ , مجید منتظری ² , امیر گندمکار ³ , مهران لشنی زند ⁴

1 - -
2 - -
3 - -
4 - -

تاریخ دریافت : 1394/07/21 تاریخ پذیرش : 1394/07/21 تاریخ انتشار : 1393/05/01

کلید واژه: مدیریت آب, شبکه عصبی مصنوعی, شبیه سازی, ماتریس همبستگی, متغیرهای اقلیمی,

چکیده مقاله :

تبخیر یکی از متغیرهای اقلیمی است که پیش بینی آن نقش مهمی در برنامه ریزیهای مربوط به آب دارد. با توجه به بالا بودن نسبی میزان بارندگی در مناطق غرب ایران، آگاهی از میزان تبخیر برای مدیریت درست آب در این مناطق ضروری میباشد. از عوامل اثرگذار بر میزان تبخیر، سیگنال‌های اقلیمی میباشند که توجه به نقش آنها پیش بینی تبخیر را ممکن می کند. با استفاده از مدل شبکه عصبی مصنوعی به پیش بینی تبخیر بر اساس این سیگنال‌ها اقدام شده که آمار مربوط به تبخیر از تشت در 3 ایستگاه سینوپتیک با حداقل 20 سال آمار ماهانه و نیز مهمترین سیگنال‌های اقلیمی با نرم افزار نروسلوشن (Neurosolution) تجزیه و تحلیل شده است. نتایج پژوهش نشان دهنده آن است که مهمترین سیگنال‌های مرتبط با تبخیر در منطقه شامل Nina3:، Nina1، SW Monsoon، Mei و Nina4 میباشد. مقایسه داده‌های مشاهده ای تبخیر و خروجی شبکه عصبی، همبستگی بالا بین این داده را نشان می دهد. به گونه‌ای که میزان این همبستگی در ایستگاه کرمانشاه 71 درصد، همدان 82 درصد و سنندج 80 درصد است. با درنظر گرفتن خروجی شبکه عصبی مصنوعی و داده‌های مربوط به سیگنال‌های اقلیمی، میتوان با دقت بالای 97 درصد به پیش بینی تبخیر درمنطقه مورد پژوهش اقدام نمود.

چکیده انگلیسی:

Evaporation is one of the climatic variables that predict significant role in the planning of water. Due to the relatively high rainfall in areas of West Iran, awareness of the evaporation rate of water in these areas is essential for proper management.The factors influencing rate of evaporation, which are climatic signals according to their role in predicting enables evaporation. Evaporation prediction was performed using artificial neural network model based on climatic signals. the data of evaporation at three synoptic stations and the most important climate signals whit at least 20 years of monthly analysis using NeuroSolution software. The results show that the most Important signals affecting the evaporation areas include; Nina3, Nina1, Sw monsoon, Mei and Nina4.Comparison of observed data with a high correlation between the ANN output data shows. So that the correlation of the Kermanshah station is 71%, Hamedan 82% and Sanandaj 80%.The output data of the neural network and climatic signals, can accurately predict the top 97% of the areas evaporation.