علیرضا ایلدرمی؛ حمید زارع ابیانه؛ مریم بیات ورکشی
دوره 17، شماره 43 ، خرداد 1392، ، صفحه 21-40
چکیده
عنصر بارش ماهیت آشوبناکی و تصادفی داشته و از این نظر دارای تغییرات ساختاری در زمانهای مختلف است. در این راستا بهدلیل عدم قطعیتهایی که وجود دارد، نوسانهای زیادی در مقدار بارش ایجاد میشود که پیشبینی این کمیت مهم را با مشکل مواجه نموده است. در این مقاله با تکنیک مقیاسبندی مجدد (R/S) و محاسبه نمای هرست (H) پیشبینیپذیری ...
بیشتر
عنصر بارش ماهیت آشوبناکی و تصادفی داشته و از این نظر دارای تغییرات ساختاری در زمانهای مختلف است. در این راستا بهدلیل عدم قطعیتهایی که وجود دارد، نوسانهای زیادی در مقدار بارش ایجاد میشود که پیشبینی این کمیت مهم را با مشکل مواجه نموده است. در این مقاله با تکنیک مقیاسبندی مجدد (R/S) و محاسبه نمای هرست (H) پیشبینیپذیری بارش در سه منطقه شیراز، کرمان و مشهد انجام شد. نمای هرست نشان داد که پارامتر بارش قابلیت پیشبینیپذیری را دارد، زیرا H از 5/0 بزرگتر بوده و بمراتب بهمقدار 1 نزدیکتر است. بهطوریکه نمای هرست از حداقل 8/0 در ایستگاه مشهد تا حداکثر 92/0 در ایستگاه شیراز در نوسان بود. به منظور پیشبینی بارش از شبکههای عصبی مصنوعی استفاده شد. نوع پارامترهای ورودی براساس آزمون همبستگی پیرسون از بین دادههای غیربارشی، ترکیبی از دادههای دمایی و رطوبتی بودند. تعداد پارامترهای ورودی، تعداد لایههای میانی و سایر اطلاعات مربوط به شبکه عصبی مصنوعی به صورت تصادفی انتخاب و پیشنهاد شدند. در مجموع از شبکههای عصبی پرسپترون چند لایه برای برآورد بارش استفاده شد. مقایسه عملکرد شبکههای عصبی، نشان داد که استفاده از 3 و 4 پارامتر هواشناسی، بهترین رتبه برآوردگری را داشتهاند. آرایشهای پیشنهادی برای ایستگاه شیراز، 1-21-21-3، کرمان 1-25-25-3 و مشهد 1-19-19-4 دارای ضریب همبستگی بیش از 91 درصد شد. اعتبارسـنجی مدلهای بارش نشان داد که شـبکههای طراحی شـده برای پارامتر بارش در ایستگاههای مشهد، شیراز و کرمان به ترتیب با خطای 4، 11 و 14 درصد، دارای بهترین عملکرد بودهاند. در مجموع نتایج نشان میدهند که استفاده از روش شبکه عصبی با درنظر گرفتن اطلاعات دمایی و رطوبتی، نتایج مناسبی برای توصیف فرآیند و ترکیب آنها در پیشبینی، بهدست میدهند.
محمود خسروی؛ محمد سلیقه؛ بهروز صباغی
دوره 16، شماره 37 ، آبان 1390، ، صفحه 59-81
چکیده
تغییرپذیـری درجه حرارت سطح دریا (SST) نقش بسیار مهمی را در پیدایش و تکامل فرایندهای اقیانوسشناسی و اقلیمی نظیر بارندگیهای سنگین و سیلابهای ناشی از آن، نوسانات سطح دریا در مقیاس کلان و شکلگیری سیکلونهای حارهای دارند. در این پژوهش تأثیر دمای سطح آب دریای عمان (SST) در فصول چهارگانه سال بر بارندگی فصول پاییز و زمستان سواحل ...
بیشتر
تغییرپذیـری درجه حرارت سطح دریا (SST) نقش بسیار مهمی را در پیدایش و تکامل فرایندهای اقیانوسشناسی و اقلیمی نظیر بارندگیهای سنگین و سیلابهای ناشی از آن، نوسانات سطح دریا در مقیاس کلان و شکلگیری سیکلونهای حارهای دارند. در این پژوهش تأثیر دمای سطح آب دریای عمان (SST) در فصول چهارگانه سال بر بارندگی فصول پاییز و زمستان سواحل شمالی آن مورد ارزیابی قرار گرفته است. دادههای دمای سطح آب بر اساس میانگینگیری از 4 نقطه در سطح دریای عمان از طریق دادههای آرشیو مرکز تحقیقاتی NCEP وابسته بهNOAA توسط نرمافزار Gradsاستخراج گردید و دادههای اقلیمی سه ایستگاه ساحلی چابهار، جاسک و بندرعباس نیز مورد استفاده قرار گرفت. دورههای گرم، سرد و نرمال (شرایط معمولی دمای سطح آب دریا) تعریف و میانه بارندگی در هر دوره به ترتیب Rw،Rc و Rbمحاسبه و از مقادیر نسبتهای به منظور ارزیابی میزان تأثیر این شرایط بر بارندگی استفاده شده است. نتایج نشان داد که وقوع شرایط گرم (سرد) در دمای سطح آب دریای عمان در فصل بهار با کاهش (افزایش) بارندگی در فصول پاییز و زمستان ایستگاههای مورد مطالعه همراه بوده است. همچنین بارندگیهای زمستانه هم زمان با ناهنجاریهای مثبت دمای سطح دریا در تابستان چشمگیر بودهاند. جهت بررسی ساز و کار مربوط به تأثیر دمای سطح آب دریای عمان بر بارندگی نواحی ساحلی، نقشه های خطوط جریان[1]، رطوبت نسبی و امگا[2] تهیه و مورد استفاده قرار گرفت. نتایج حاکی از تأثیر دمای سطح آب دریا بر روی الگوهای رطوبت نسبی و خطوط جریان در سطح دریا به عنوان مکانیزم اصلی تغییر میزان بارندگی است. عموماً طی شرایط پرباران خطوط جریان بر روی دریا مسیر طولانیتری را طی نموده و میزان رطوبت سامانههای بارانزا و جریانهای صعودی حاکم بر آنها جهت ایجاد بارندگی مهیاتر بودهاند.
[1]- Stream line
[2]- Omega