RT - Journal Article T1 - Rainfall warning Based on indexs teleconnection, Synoptic Patterns of Atmospheric Upper Levels and Climatic elements a case study of Karoun basin JF - jgs YR - 2021 JO - jgs VO - 20 IS - 59 UR - http://jgs.khu.ac.ir/article-1-2860-fa.html SP - 81 EP - 97 K1 - Factor analysis K1 - synoptic systems K1 - climatic indices K1 - climatic elements K1 - perceptron neural network AB - 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. LA eng UL http://jgs.khu.ac.ir/article-1-2860-fa.html M3 10.29252/jgs.20.59.81 ER -