دوره 20، شماره 59 - ( 11-1399 )                   جلد 20 شماره 59 صفحات 81دوره97فصل__Se | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

salehvand I, gandomkar A, fatahi E. Rainfall warning Based on indexs teleconnection, Synoptic Patterns of Atmospheric Upper Levels and Climatic elements a case study of Karoun basin. researches in Geographical Sciences. 2021; 20 (59) :81-97
URL: http://jgs.khu.ac.ir/article-1-2860-fa.html
صالحوند ایران، گندم کار امیر، فتاحی ابراهیم. پیش آگاهی بلندمدت بارش با استفاده از سیستم شبکه ی عصبی مطالعه ی موردی: حوضه ی کارون بزرگ. نشریه تحقیقات کاربردی علوم جغرافیایی. 1399; 20 (59) :81-97

URL: http://jgs.khu.ac.ir/article-1-2860-fa.html


1- گروه جغرافیا،واحد نجف اباد، دانشگاه ازاد اسلامی ، نجف اباد،ایران
2- گروه جغرافیا،واحد نجف اباد، دانشگاه ازاد اسلامی، نجف اباد،ایران ، agandomkar2007@yahoo.com
3- عضو هیات علمی پژوهشکده هواشناسی ایران،تهران،ایران
چکیده:   (715 مشاهده)
پیش بینی بارش در مدیریت و هشدار سیل نقش مهمی بر عهده دارد و با اطلاع از میزان بارندگی می توان امکان وقوع سیل را در یک منطقه پیش بینی و اقدامات لازم را به عمل آورد. به دلیل اینکه بارشهای سه ماه ژانویه، فوریه و مارس در اکثر مواقع سیل آسا می باشند و همچنین بیشتر بارشها در این سه ماه رخ می دهند، لذا در این پژوهش به بررسی عوامل موثر بر بارش و مدل سازی این سه ماه پرداخته شد. برای مدل سازی بارش از داده های بارش ماهانه ی ایستگاه همدید و بارانسنجی در بازه ی آماری (2014-1984) به مدت 30 سال بعنوان متغیر وابسته و شاخصهای اقلیمی، سیگنالهای بزرگ مقیاس اقلیمی شامل؛ دمای سطح دریا و دمای 1000 میلی باری، هم ارتفاع تراز 500 میلی باری ، امگای 200 میلی باری و عناصر اقلیمی بعنوان متغیر مستقل استفاده شده است. به دلیل رفتار غیرخطی بارش از شبکه های عصبی مصنوعی جهت مدل سازی بهره گرفته شد. جهت مشخص شدن بهترین معماری برای ورود به شبکه ی عصبی از تحلیل عاملی استفاده شد. برای پیش بینی بارش از داده هایی که بیشترین ارتباط را با بارش نشان دادند بصورت چهار الگو استفاده گردید که در ماه ژانویه الگوی چهارم با خطای آنتروپی 045/0، تعداد لایه های ورودی 91 واحد ، بهترین آرایش 15-1 و ضریب همبستگی 94 درصد بود. در ماه فوریه، الگوی سوم با ضریب همبستگی 97 درصد،  خطای آنتروپی 036/. درصد ، تعداد واحدهای ورودی 8 واحد و بهترین نوع آرایش لایه ی پنهان 10-1 بود. بارش ماه مارس با تمام الگوها ضریب پیش آگاهی بالا بود که الگوی اول با خطای آنتروپی 038/.، تعداد واحدهای ورودی 67، نوع آرایش لایه ی پنهان، 17-1، ضریب همبستگی 98 درصد بود.
متن کامل [PDF 2180 kb]   (176 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: اب و هواشناسی
دریافت: 1396/9/3 | پذیرش: 1397/10/29 | انتشار: 1398/11/29

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به نشریه تحقیقات کاربردی علوم جغرافیایی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2020 All Rights Reserved | Journal of Applied researches in Geographical Sciences

Designed & Developed by : Yektaweb